基于AI的家庭智能陪護機器人的目標跟蹤算法研究

楊玉平

摘要：家庭智能陪護機器人在近年來越來越火，目標跟蹤是智能機器人的重要關鍵技術，目前的應用還不是很普遍，效果還不是很好。Mean Shift均值漂移算法是當前目標跟蹤應用較普遍的算法，但也存在受背景干擾較大、反應時間較長等問題。本文提出改進的Mean Shift均值漂移算法，通過改進核函數來降低背景對目標的干擾、縮短了反應時間，提高了目標跟蹤效率。

Abstract： Home intelligence escort robots are getting more and more popular in recent years. Target tracking is an important key technology for intelligent robots， but the current application is not very common， and the effect is not very good. The Mean Shift mean shift algorithm is a common algorithm for current target tracking applications， but it also suffers from large background interference and long response time. In this paper， an improved Mean Shift mean shift algorithm is proposed. By improving the kernel function， the background interference to the target is reduced， the reaction time is shortened， and the target tracking efficiency is improved.

關鍵詞：目標跟蹤;Mean Shift;機器人

Key words： target tracking;Mean Shift;robot

中圖分類號：TP242? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻標識碼：A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文章編號：1006-4311（2019）35-0228-02

0? 引言

目標跟蹤算法主要分為兩類：生成式模型和判別式模型[1]。生成式模型是指通過在線學習方式建立目標模型，然后使用模型搜索重建誤差最小的圖像區域，完成目標定位，這一類方法沒有考慮目標的背景信息，圖像信息沒有得到較好的應用。比較著名的有卡爾曼濾波，粒子濾波，mean-shift等;判別式模型是將目標跟蹤看作是一個二元分類問題，同時提取目標和背景信息用來訓練分類器，將目標從圖像序列背景中分離出來，從而得到當前幀的目標位置[2]。目標跟蹤的一般由四個基本部分構成：特征提取、運動模型、外觀模型、在線更新機制，如何設計一個合理的在線更新機制，既能捕捉目標（和背景）的變化又不會導致模型退化，也是目標跟蹤研究的一個關鍵問題[3]。

當前目標跟蹤算法研究難點和挑戰是在實際復雜的應用環境中，有背景相似干擾、光照條件的變化、遮擋等外界因素以及目標姿態變化，外觀變形，尺度變化、平面外旋轉、平面內旋轉、出視野、快速運動和運動模糊等情況[4]。而且當目標跟蹤算法投入實際應用時，不可避免的一個問題——實時性問題也是非常的重要，正是有了這些問題，才使得算法研究充滿著難點和挑戰[5]。解決這些問題的算法有很多，比如MIL多示例目標跟蹤算法、MOSSE最小輸出均方誤差濾波算法、TLD學習-檢測目標跟蹤框架、KCF鑒別式追蹤方法、DSST“平移濾波+尺度濾波”目標跟蹤算法、Mean Shift均值漂移目標跟蹤算法等等。其中Mean Shift均值漂移目標跟蹤算法用得較多，但也存在一些問題。比如目標移動過快會讓機器人跟蹤產生失誤，對相似背景的干擾魯棒性也不是很強，對目標發生遮擋的情況適應性較差。因此，本文在在Mean Shift均值漂移目標跟蹤算法的基本上作了改進，克服了上面的問題，使改進的Mean Shift算法具有了更好的魯棒性和適應性。

1? Mean Shift均值漂移算法理論

Mean shift均值漂移算法是基于核密度估計的爬山算法，可用于聚類、圖像分割、目標跟蹤等。在實現目標跟蹤算法過程中，主要采用了迭代方式來實現對顏色特征的跟蹤。

Mean Shift均值漂移算法的實現過程如下：

第1步：跟蹤目標的確定。在第一幅畫面中通過選擇目標范圍的方式來確定跟蹤目標，然后根據所選的目標范圍確定檢索矩陣的大小和位置，并按公式（1）來統計目標范圍內在HSV空間的色度特征，獲得其顏色概率分布。

其中A為目標范圍顏色概率分布，f（xi）是R2→{1，…，m}映射函數，？子是使■的delta函數，c（*）是核函數。{xi}i=1，…，n為目標范圍內像素坐標，n為像素的個數;x為標范圍內的中心點。B稱為歸一化系數，B可由公式（2）表示。

第2步：檢索矩陣初始化。讀取一幅新的圖像畫面，將上一幅目標范圍的位置和大小作為當前檢索矩陣的位置和大小。

第3步：在檢索矩陣中確定待選目標，并通過公式（1）再次統計待選目標的顏色概率分布。

第4步：以當前檢索矩陣為初始矩陣，在當前畫面中應用Mean Shift均值漂移算法，即通過公式（3）進行運算后，獲得新的目標所在位置和新的檢索矩陣。

（3）

其中是核函數的變形。wi為當前檢索矩陣中各點的權重值。

第5步：若由公式（3）計算得到的Q1滿足‖Q1

2? 對Mean Shift均值漂移算法的改進

基于核函數的Mean Shift均值漂移算法雖已廣泛成功地運用于單目標的跟蹤，但該算法也有一些缺點：由于在目標范圍采用的是提取單一顏色的概率分布，從而使目標顏色比較容易受到周圍環境顏色的干擾;核函數的構造使其作用于目標運算的效率不是很高，使得對于較快速移動的目標識別度不高，魯棒性不強;核函數在運算過程中用到了像素分配權重，該權重根據像素距離目標中心位置而確定，該計算方式使得一些重要的邊緣信息像素點被賦予較小的權重值，使得目標識別效果不好。基于以上原因，本文將對Mean Shift均值漂移算法的核函數進行改進，從而解決上述問題。

Mean Shift均值漂移算法的核函數公式（4）如下：

新改進的核函數公式（5）如下：

其中為改進后的自適應核函數;c（x）為原始核函數;W（x）為改進部分，其公式表達如公式（6）：

改進部分的引入，使得該方法很好的消除了背景的影響，對目標的提取效果的提高有所幫助。改進部分對目標的提取過程可以描述如下：

第1步：從圖像采集傳感器獲取含有目標的場景畫面;

第2步：通過目標范圍的確定，去掉場景畫面中目標2米以外的背景;

第3步：通過給定閾值及目標人物周長大小，可判定目標人物是處于靜止還是運動;

第4步：通過對目標人物的周長進行濾波，對其他干擾信息也進行濾波排除，對目標人物進行聯通性分析，獲得表面更平滑的高質量目標人物。

第5步：根據人體比例關系，將目標人物上身作為改進自適應核函數的改進部分目標提取對象。目標人物上身像素由1值表示，背景像素由0值表示。

3? 改進算法的實驗數據對比及應用

3.1 實驗對比結果

為了充分說明本文提出的改進算法的效果，通過實驗與文獻[2]、文獻[3]、文獻[4]進行了實驗數據對比，對比數據如表1所示。

在實驗過程中，為了充分對比幾種算法的優劣，選取了1000個不同的實際場景，對各種算法在不同的場景中的反應時間及跟蹤成功率進行了對比。同時為了排除個別場景的特殊性帶來的數據異常，使實驗數據更具有說服力，我們將反應時間取的均值。從表中可以看出，本算法反應時間最快，文獻[2]的算法反應時間最慢，同時本算法的跟蹤成功率也不亞于其他跟蹤算法。

3.2 實驗應用結果

在對算法進行對比研究后，我們將算法進行了具體代碼化，并用于實際的陪護機器人目標跟蹤，收到了良好的效果。如圖1所示，是實驗中采用的攝像頭。圖2是實驗中做成的陪護機器人成品。

4? 結語

家庭智能陪護機器人在近年來越來越火，不論是對老人的陪護還是對小孩的看護，都起到了重要的作用。但是我們可以看到：目前很多陪護機器人都是比較小型的，且是靜止的。雖然有部份陪護機器人配有輪式的行走機構，行動上也比較靈活，但是基本都是避障功能使用的效果，使陪護機器人顯得更人性化一些，并沒有起到多大的實質性作用。目標跟蹤能使陪護機器人在使用過程中跟隨用戶，更好地為用戶服務，不僅是形式上人性化，更是讓功能具有人性化。當下陪護機器人產品的目標跟蹤實現并不多，且效果也并不好。因此，本文著重陪護機器人目標跟蹤算法的研究。

參考文獻：

[1]姜道偉，袁亮，巨剛.基于圖像技術與粒子濾波融合新算法的機器人多目標跟蹤[J].組合機床與自動化加工技術，2016（12）：31-34.

[2]李朕陽，郎朗，陳孟元.基于SR-CKF的移動機器人動態目標跟蹤算法[J].電子測量與儀器學報，2016，30（8）：1198-1205.

[3]伍明，李琳琳，魏振華，等.一種未知環境下機器人多目標跟蹤算法[J].智能系統學報，2015（3）：448-453.

[4]夏天維，侯翔.基于自適應Kaltman濾波的機器人運動目標跟蹤算法[J].計算機測量與控制，2015，23（1）：173-175.

[5]成新田，唐振民.一種尺度自適應的機器人目標跟蹤算法[J].計算機科學，2014，41（12）：280-282，292.