基于SSD-CF的無人艇目標檢測跟蹤方法

陳欣佳　劉艷霞　洪曉斌　王慧芳

摘要：針對目前目標檢測和目標跟蹤算法對無人艇運算配置要求高、速度慢等問題，該文一種提出基于SSD-CF的無人艇目標檢測跟蹤方法。利用MobileNets結構結合SSD目標檢測算法構建輕量級卷積神經網絡，實現無人艇的水面目標檢測。目標檢測結果作為相關濾波CF目標跟蹤算法的初始輸入，并在目標跟蹤過程的保障其有效性。通過MODD水面船只視頻數據實驗表明，SSD-CF方法融合目標檢測與目標跟蹤算法，可有效地降低對運算力的要求，提升目標檢測跟蹤速度和目標位置的穩定連續性。

關鍵詞：無人艇;目標檢測;目標跟蹤;SSD;MobileNets;相關濾波

中圖分類號：TN212

文獻標志碼：A

文章編號：1674–5124（2019）02–0145–06

0 引言

水面無人艇實際應用廣泛，如水質檢測、海面巡邏監控等。隨著人工智能技術的發展，現代無人艇海面自主航行領域的各項技術也在不斷完善。水面目標準確檢測跟蹤是無人艇的核心技術。但其目前較好的目標檢測都依賴于深度學習卷積網絡，檢測速度較慢，且對于運算環境要求高。目標跟蹤算法在給出目標之后能較好地穩定跟蹤目標，但目標丟失后無法重新追蹤目標。目前目標檢測算法主要分為3類：1）傳統的檢測算法，主要有Cascade+Harr[1]、SVM+HOG[2]、DPM算法等利用手工特征結合機器學習類算法，以及在此類算法上的改進和優化;2）候選窗選擇算法結合深度學習分類的二階段檢測算法，主要有RCNN、SPP-net[3]、Fast-RCNN、Faster-RCNN[4]等系列方法;3）基于一階段的深度學習回歸方法，主要算法有YOLO、SSD[5]等，一次性對目標位置以及目標類別進行學習計算。二階段的算法相對于一階段的目標檢測算法精度高但速度慢。結合深度學習的算法大大提高了目標檢測的準確度，但運算環境的要求比較高，速度也有些下降。

傳統的目標跟蹤算法有光流法[6]、卡爾曼濾波、粒子濾波[7]、Mean-Shift[8]。隨著機器學習的興起，近幾年在目標跟蹤中的成果基本都是使用機器學習的方法。目前跟蹤算法可以被分為生成式和判別式兩大類別。生成式模型的思想是提取目標特征學習出代表目標的模型，搜索圖像進行模式匹配，匹配度最大的區域即為目標結果[9]。判別式模型的思想是將目標跟蹤問題作為分類問題，區分目標和背景。目標區域和背景區域分別為正、負樣本，通過機器學習算法訓練分類器判別目標和背景，使用分類器搜索最匹配區域。判別類模型中目前最突出的發展是相關濾波和深度學習方法的應用。自2010年Bolme等[10]提出MOSSE算法，首次將相關濾波應用到目標跟蹤領域中，由于其計算速度快、準確度高等特點，吸引了大批研究者，相關濾波與傳統算法的各種結合嘗試從不同的角度對算法進行提升。后續在MOSSE算法基礎上相繼提出了CSK[11]，KCF[12]、DSST、STC、SAMF、CN、SRDCF、Deep-SRDCF、C-COT、ECO等拓展算法。其中部分算法結合了深度學習算法，利用卷積網絡自動提取特征，提升了目標跟蹤效果，但也導致運算速度下降。

針對海面障礙目標的實時準確檢測跟蹤需求，使用深度學習類目標檢測可以達到比較好的結果，但對于無人艇上位機運算環境要求較高，因此本文通過MobileNets進一步改進SSD目標檢測網絡模型，降低運算要求，加快檢測效率。同時結合CF相關濾波目標跟蹤算法，實現目標實時跟蹤，最終實現目標的準確檢測與實時跟蹤。

1 基于SSD-CF目標檢測跟蹤方法

1.1 SSD目標檢測算法

為了實現無人艇對水面目標的實時檢測跟蹤，首先需要檢測出目標。本文采用SSD（singleshotmultiboxdetector）目標檢測算法進行目標檢測。SSD算法的主要思路是均勻地在圖片的不同位置進行密集抽樣，同時采用不同尺度和長寬比，利用卷積網絡提取特征后直接進行目標分類與位置回歸，整個過程一步完成檢測，因此算法速度較快。

SSD算法中采用密集取樣生成目標位置候選框。在不同分辨率的特征圖上按不同比例生成固定大小的單元格。對于所有單元格再按{1，2，3，1/2，1/3}不同的長寬比增加候選框。在不同分辨率的特征圖上只考慮一個尺度的候選框。如用m個特征圖來做預測，每一個特征圖中候選框的尺寸大小計算公式：

其中，smin為0.2，smax為0.95，意味著最底層的尺度是0.2，最高層的尺度是0.95。根據不同長寬比ar∈{1，2，3，1/2，1/3}，則可計算出每一個候選框的寬wk和高hk：

對于長寬比為1時，另外增加了一個尺度s′k=√sksk+1的候選框。最終每張特征圖上的單元格都有6個候選框。候選框與標注框進行匹配，如果面積交并比大于0.5為正例，其他為反例。

SSD算法目標損失函數包含位置損失和置信損失。位置損失是候選框l和標注框g位置參數之間的平滑L1損失函數。置信損失是softmax損失對多類別置信c和權重項α設置為1的交叉驗證。其中N是匹配的默認框數量，其中x∈{1，0}，為指示函數，表示標注框與候選框匹配與否。

SSD算法中使用兩種策略提升算法性能：1）難例挖掘，根據上面的候選框生成策略會產生大量的負訓練樣本，通過選擇置信損失較大的候選框作為反例，使得反例不超過正例的3倍;2）數據增廣，對原圖進行隨機裁剪和在目標周圍裁剪，隨機翻轉來增加訓練集。這兩個策略都有效提升了算法的準確度。

1.2 MobileNet-SSD輕量級目標檢測算法

由于無人艇體積有一定的限制，通常需要裝備各式各樣的感應設備（如雷達、聲吶、攝相機等），無人艇上工控機需要運行大量計算，如果直接使用SSD算法檢測目標，將會耗費大量的計算資源，并且耗時較長。因此需要對SSD算法網絡結構進行改進，減少運行時間和參數數量。利用MobileNets結構結合SSD算法，可以實現輕量級的目標檢測。MobileNets是基于一個流線型的架構，它使用深度可分離的卷積來構建輕量級的深度神經網絡。MobileNets的核心思想是將普通的卷積操作分解為深度可分離卷積和1*1逐點卷積兩個步驟。可以在基本保證準確率的前提下大大減少計算時間和參數數量。

實驗得出MobileNet-SSD在MODD數據集上的平均檢測速率為0.8f/s，CF目標跟蹤的平均檢測速率為22f/s。CF跟蹤算法提升了視頻目標處理速度。MobileNet-SSD目標檢測算法與CF目標跟蹤的融合可以有效地實現實時對海面目標的檢測跟蹤。

實驗三在目標存在遮擋圖像范圍的情況下進行SSD-CF目標檢測跟蹤算法驗證。通過試驗無人艇拍攝障礙物視頻，無人艇攝像機移動速度較快，可能會將目標移出圖像范圍，從而導致跟蹤過程中目標丟失。

實驗三中視頻序列的初始目標位置通過目標檢測算法獲取，由目標跟蹤算法實現實時跟蹤。如圖6所示，在視頻第53幀，目標部分遮擋的情況下，SSD-CF算法仍能夠準確定位，在71幀，目標超出圖像范圍并在第79幀可以通過檢測算法重新定位目標位置，由跟蹤算法進行接下來的持續跟蹤，體現算法的有效性。實驗結果表明SSD-CF目標檢測跟蹤算法在目標部分遮擋和完全丟失的情況下，通過MobileNet-SSD目標檢測算法可以快速地為CF跟蹤算法提供初始目標位置信息，并且在目標跟蹤過程中，如果目標丟失，檢測算法能夠重新定位目標位置，實現無人艇對海面障礙物持續跟蹤。3結束語

無人艇的自主航行依靠于目標的準確檢測和快速跟蹤，采用傳統的深度學習算法耗費的運算資源比較大。MobileNet-SSD目標檢測算法，在一定程度上提高了檢測速度，降低運算環境要求;同時，檢測算法對視頻的每一幀都獨立檢測，可能存在位置漂移，提出使用CF目標跟蹤對于目標檢測結果進行后續跟蹤，并利用MobileNet-SSD在跟蹤過程目標丟失，重新定位目標位置，降低運算量。因此，本文提出的SSD-CF算法提高目標位置跟蹤速度，可避免直接使用目標檢測算法進行目標定位，節約運算資源，提高跟蹤目標的位置穩定性，實現無人艇的水面目標持續跟蹤需求。下一步工作將結合圖像檢測跟蹤結果與其他傳感器信息，分析目標運動狀態，進行無人艇避障決策研究。

參考文獻

[1]VIOLAP， MICHAELJ.Rapidobjectdetectionusingaboostedcascadeofsimplefeatures[C]//Proceedingsofthe2001IEEEComputerSocietyConference， 2001.

[2]DALALN， BILLT.Histogramsoforientedgradientsforhumandetection[C]//IEEEComputerSocietyConference，2005.

[3]HEKM， ZHANGXY， RENSQ， etal.Spatialpyramidpoolingindeepconvolutionalnetworksforvisualrecognition[C]//Europeanconferenceoncomputervision.Springer， 2014.

[4]RENSQ.Fasterr-cnn： Towardsreal-timeobjectdetection

withregionproposalnetworks[J].IEEETransactionsonPatternAnalysisandMachineIntelligence.2015，39（6）： 1137-1149.

[5]LIUW.Ssd： Singleshotmultiboxdetector[C]//Europeanconferenceoncomputervision， 2016.

[6]魯永杰，王思明.一種改進的運動目標跟蹤方法[J].中國測試，2015（7）：95-98.

[7]BREITENSTEINMD.Robusttracking-by-detectionusingadetectorconfidenceparticlefilter[C]//IEEE12thInternationalConferenceonComputerVision， 2009.

[8]COMANICIUD， VISVANATHANR， PETERM.Real-timetrackingofnon-rigidobjectsusingmeanshift[C]//ProceedingsIEEEConferenceonComputerVisionandPatternRecognition， 2000.

[9]朱文青，劉艷，卞樂，等.基于生成式模型的目標跟蹤方法綜述[J].微處理機，2017，38（1）：41-47.

[10]BOLMEDS.Visualobjecttrackingusingadaptivecorrelationfilters[C]//2010IEEEConferenceonComputerVisionandPatternRecognition， 2010.

[11]HENRIQUESJF.Exploitingthecirculantstructureoftracking-by-detectionwithkernels[C]//Europeanconferenceoncomputervision， 2012.

[12]HENRIQUESJF， CASEIROR， MARTINSP， etal.High-speedtrackingwithkernelizedcorrelationfilters[J].IEEETransactionsonPatternAnalysisandMachineIntelligence， 2015， 37（3）： 583-596.

[13]KRISTANM， SULICKV， KOVACICS， etal.Fastimage-basedobstacledetectionfromunmannedsurfacevehicles[J].IEEETransactionsonCybernetics， 2016， 46（3）： 641-654.