基于KCF算法的老人監(jiān)護系統中目標識別與跟蹤

喻恒

【摘 要】將KCF目標跟蹤算法應用于基于姿態(tài)識別的老人視頻監(jiān)控中，在對空巢老人看護現狀和老人姿態(tài)識別的視頻監(jiān)護分析的基礎上，提出了將KCF應用于姿態(tài)識別初期的老人目標跟蹤和識別，經過實驗，KCF算法可以正確有效地識別跟蹤人體目標，為后期的姿態(tài)特征提取和動作識別打下良好的基礎。

【關鍵詞】老人監(jiān)護；目標跟蹤；KCF

中圖分類號：TP391.41 文獻標識碼： A 文章編號： 2095-2457（2018）25-0142-002

DOI：10.19694/j.cnki.issn2095-2457.2018.25.065

【Abstract】KCF target tracking algorithm is applied to the elderly video surveillances system based on gesture recognition.On the basis of the analysis of the status quo of empty nest elderly care and gesture recognition of the elderly，KCF is applied to target tracking and recognition for elderly people.Through experiments， the KCF algorithm can identify human targets correctly and effectively.It lays a good foundation for later posture feature extraction and action recognition.

【Key words】Elderly monitoring； Target tracking； KCF

0 背景

隨著生活水平的不斷提高，我國開始逐漸步入老齡化社會，老年問題也開始受到多方關注，目前，我國有65歲及以上老年人達到15831萬人，我國大中城市老年空巢家庭率已達到70%[1]，這些家庭基本上子女是長期無法在身邊陪伴，而且?guī)缀?0%以上的老人都患有各類慢性疾病，同時由于養(yǎng)老醫(yī)療服務和家政服務發(fā)展緩慢，空巢老人缺乏基本的日常生活照料和專業(yè)的醫(yī)療護理，而且情感上也缺乏溝通和交流，從而導致空巢家庭生活存在各種安全隱患[2]。據調查空巢老人因心腦血管突發(fā)疾病和意外跌倒是造成受到意外傷害中最為主要的原因，特別是空巢老人，如果不能及時的發(fā)現或搶救，死亡率會很高，但是在現有養(yǎng)老服務落后的情況下，安排護工、家政對老人進行實時看護推廣難度較大，這就導致需要用科學技術手段解決以上問題，其中基于老人姿態(tài)監(jiān)測的監(jiān)護系統最近越來越受到重視。

1 研究現狀

隨著機器視覺在應用領域的快速發(fā)展，許多科研機構和學者也開始將基于機器視覺的行為識別應用于各個領域。美國的MIT、卡梅隆大學等科研機構合作開發(fā)了視頻監(jiān)視和監(jiān)控系統（Video Surveillance and Monitoring，VSAM），該系統能夠實時監(jiān)測并且辨別識別出監(jiān)控對象有危害性的行為[3]。中科院自動化研究所研發(fā)的“人的運動與行為視頻分析”系統，能夠對監(jiān)控的人進行檢測，同時根據目標的行為特征判斷出異常行為并做出預警。清華大學通過檢測針手肘的角度以及手勢的運動特征等[4]，研發(fā)出一套智能教室系統。國內外相關研究逐漸增多，但是專門針對老人姿態(tài)的監(jiān)測系統研究很少，基于姿態(tài)的監(jiān)護系統即：全方位通過視頻對老人的生活場所監(jiān)控，并能夠自動識別出老人的姿態(tài)或動作狀態(tài)，結合動作特征通過智能算法判斷出老人是否處于異常狀態(tài)，是否急需幫助。

目前針對于行為識別的研究可劃分為行為意圖識別和姿態(tài)識別。計算機智能的理解或推測一個行為的意圖被稱為行為意圖識別，通過分析提取動作的特征參數識別出動作類別的過程屬于姿態(tài)識別。其中針對于行為意圖的識別更多的應用于銀行、煤礦等需要對人的危險行為意圖做出判斷預警的場合，如搶劫、礦井吸煙等，而對于老人的異常狀態(tài)的檢測，更多的適用于姿態(tài)識別。下層的動作識別首先要解決的是目標識別和跟蹤的問題，然后提取有效的姿態(tài)特征和動作特征，從而判斷老人的異常狀態(tài)。因此本文要研究的就是針對室內老人目標準確的識別和實時跟蹤。

2 KCF跟蹤算法

綜合近幾年各類跟蹤算法的應用，機器學習的方法得到的效果受到普遍認同，其中基于判別式的跟蹤方法跟蹤性能良好。該方法利用目標及其周圍的背景信息，通過在線學習一個判別式的分類器，對候選樣本進行評估來定位目標區(qū)域[5]。具有代表性的如CSK算法即基于循環(huán)結構的檢測跟蹤[6]，該算法針對于傳統跟蹤檢測的樣本不足，導致跟蹤失敗的情況，通過循環(huán)移位對訓練樣本和候選樣本進行處理，人為的增加了采樣密度，通過對灰度特征的訓練獲得可靠的目標外觀模型和目標位置的檢測。核相關濾波跟蹤算法即KCF[7]在CSK算法基礎上改進了特征提取的方法，沒有使用灰度特征，而是采用方向梯度直方圖（HOG）作為樣本特征，并進一步優(yōu)化了計算方式，實現了快速KCF算法，不僅提高了跟蹤精度還獲得了較好的實時響應。本文主要采用的就是KCF算法。

KCF算法基本流程是通過對目標循環(huán)移位的方式，人為的獲得大量訓練樣本，通過HOG特征構建目標外觀模型，訓練一個正則化最小二乘分類器，利用核函數進行求解，以獲得濾波模板。利用計算出的濾波模板對候選樣本進行檢測，，實現目標的識別與跟蹤。

2.1 正則化最小二乘分類器的求解

KCF算法樣本訓練過程就是正則化最小二乘問題，首先需要對目標圖像進行循環(huán)移位，獲得大小為m×n的區(qū)域x的樣本集xi（i∈{0，…，m-1}）×{0，…，n-1}。訓練分類器f（x）進一步尋找到最小化風險參數ω，使得所有樣本集與ri的平方誤差和最小，ri為樣本集對應的回歸標簽[5]。函數可表示為

min[f（xi）-yi]2+λ‖ω‖2（1）

其中λ‖ω‖2是最小化風險參數，又稱為懲罰項，λ是正則化參數，可以防止過擬合，計算權值ω，求解如下，得到公式（2）：

w=（XTX+λI）-1XTy（2）

式中矩陣X的每行是樣本的特征向量，y是對應的每個樣本的回歸值yi組成的列向量，為了方便在后面的頻域計算，轉化為下式。

w=（XHX+λI）-1XHy（3）

其中XH是X的共軛轉置。

2.2 目標檢測

目標檢測是尋找移動目標在當前幀位置的過程。在當前幀選取與前一幀目標中心位置相同的坐標，提取基本候選樣本，設樣本為大小為m×n的圖像塊，建立目標外觀模型。通過循環(huán)移位獲取一系列樣本集合，設為zi（i∈{0，1，…，m-1}×{0，1，…，n-1}）。對每一個候選樣本zi進行檢測，由上文提到的方式訓練獲得的權值系數，再根據r'i=（xj，zi）計算檢測樣本與目標的相似度的加權求和，得到分類器的響應值。為了降低運算量提高運算速度，求解轉換為頻域即如式（4）

r=F-1[F（k）·F（α）]（4）

KCF算法相比較其他算法運算速度更快，跟蹤效果效果也很穩(wěn)定，實現過程和計算方法十分簡單，因此在老人姿態(tài)識別系統中，利用KCF算法對人物目標進行識別并進行跟蹤，可獲得預期的效果。

3 實驗結果與分析

為了驗證算法在基于視頻的家庭老人目標跟蹤性能，采用標準庫Benchmark視頻庫進行測試，從中選取50組人物視頻模擬老人的目標場景，對實驗結果進行分析。考慮到家庭視頻監(jiān)控中的目標識別環(huán)境，以及針對于老人目標移動緩慢、家庭空間限制情況，可分析目標尺度變化很小，只有桌椅家電對目標的遮擋，以及靠近窗戶、打開電燈等遮擋物和光照亮度變化的情況。因此實驗主要測試分析存在遮擋物和光照變化的人物目標識別與跟蹤情況。

實驗采用Windows10系統下運行Matlab2016b，主機參數：Intel COREi7，2.4GHz四核，2GB內存，由綠色框表示對目標跟蹤的結果。通過對50組視頻目標跟蹤測試，選取具有代表性的圖1，圖2的實驗測試結果，可以看出在遮擋物存在和光照亮度變化情況下，對于人物目標在視頻中的跟蹤比較準確，沒有目標丟失和目標識別錯誤的情況，能夠達到監(jiān)控目的，為后期的目標姿態(tài)特征提取、識別提供了基礎。

4 結論

針對空巢老人看護目前存在的問題，提出基于老人姿態(tài)識別的家庭視頻監(jiān)護，將KCF跟蹤算法應用于監(jiān)護系統對老人目標的識別和跟蹤。KCF算法通過頻域轉換進一步降低了運算量，提高了運算速度，更加滿足人物目標跟蹤識別的實時性要求。經過實驗分析KCF算法在復雜環(huán)境下目標跟蹤具有精確度高、準確度好、響應迅速等特點，為老年人姿態(tài)識別系統的目標跟蹤問題，提供了一個有效的方法，同時為后期的姿態(tài)識別奠定了基礎。

【參考文獻】

[1]王躍生.中國城鄉(xiāng)老年人居住的家庭類型研究——基于第六次人口普查數據的分析[J].中國人口科學，2014（1）：20-32.

[2]趙明利，宋葆云等.我國城市空巢老人安全現狀評估及對策[J]，全科護理，2011，9（3）：547-548.

[3]Collins R T，Lipton A，Kanade T，et al.A System for Video Surveillance and Monitoring[M].Carnegie Mellon University，the Robotics Institute Pittsburg， 2000：120-122.

[4]Ren H，Xu G.Human Action Recognition in Smart Classroom[C]//Automatic Face and Gesture Recognition， 2002.Proceedings.Fifth IEEE International Conference on. IEEE， 2002：417-422.

[5]高美鳳，張曉玄.尺度自適應核相關濾波目標跟蹤[J].激光與光電子學進展.2018，55（04）290-296.

[6]Henriques J F.Caseiro R.Martins P，et al.Exploiting the circulant structure of tracking-by-detection with kernels[C].European Conferenceon Computer Vsion.2012：702-705.

[7]Henriques J F.Caseiro R.Martins P，et al.High-speed tracking with kernelized correlation filters[J].IEEE Transactionson Pttern Aanalysisand Machine Intelligence 2015.37（3）：583-596.

[8]曲中鑫，老人監(jiān)護系統中的姿態(tài)識別算法研究[D].哈爾濱工業(yè)大學，2015.