基于改進的Boosting算法的倉庫監控區域目標跟蹤研究

馮曙明 張佳禹 楊永成 肖愛華 王大淼

摘 要：目前，智能視頻監控系統在倉庫管理中得到廣泛應用，對監控系統有關的核心技術——目標檢測及跟蹤算法的研究則是實現智能化監控管理的重要基礎性工作。研究了Boosting跟蹤算法及其改進策略，結合現有的多種目標跟蹤算法，通過對比分析算法的用時、跟蹤運動目標數、提取前景數、漂移現象存在、是否丟失目標和需創建跟蹤器個數這6個方面，選擇跟蹤效果及綜合性能最佳的改進的Boosting算法作為倉庫視頻運動物體的跟蹤算法，為智能化倉庫管理實踐提供重要參考依據。

關鍵詞：倉庫管理;智能監控;目標跟蹤;Boosting算法

Abstract：At present， intelligent video surveillance systems are widely used in warehouse management. The research on core technology-target detection and tracking algorithms related to monitoring systems is an important basic work to realize intelligent monitoring and management. This paper mainly studies the boosting tracking algorithm and its improvement strategy. Combining the existing multiple target tracking algorithms， the experiment compares the time of the algorithm， the number of moving targets， the number of extraction foregrounds， the existence of drift phenomenon， the target lost， and the number of created trackers. The improved boosting algorithm with the best tracking performance and comprehensive performance is used as the tracking algorithm for warehouse video moving objects， which provides an important reference for intelligent warehouse management practice.

Key words：warehouse management;intelligent monitoring;target tracking;Boosting algorithm

0 引言

近年來，現代物流業的飛速發展，使得倉庫成為物流系統中的關鍵節點，保障倉庫物資儲存安全是現代倉庫管理的重要內容。隨著計算機網絡技術、圖像信息處理技術的不斷更新和完善，利用計算機視覺技術及圖像處理技術的智能化監控倉庫管理將成為未來發展的必然趨勢。相較于傳統的監控系統，基于視覺處理的智能監控系統通過對移動目標的特征匹配進行不間斷且實時穩定跟蹤[1]，能夠發現異常并自動預警。

關于視頻運動目標跟蹤算法的研究有很多，大致可以分為四類：Meanshift算法、核心搜索算法、相似性度量算法和運動目標建模算法。文獻[2]提出Meanshift算法經過特定條件的限制，可以用于目標物體跟蹤。文獻[3]針對Meanshift算法的局限性，利用surf和harris對算法進行改進，改進后的算法能夠適應復雜環境下移動物體跟蹤的性能。文獻[4]基于粒子濾波算法，利用權值和蒙特卡洛來分析目標粒子概率分布，結果證明該算法適用于非線性視頻監控系統的目標跟蹤。文獻[5]提出利用改進的帶有記憶機制的粒子濾波算法來跟蹤外觀及形態發生激烈變化的目標物體，但目標跟蹤的前提是要記錄物體運動的歷史軌跡，存在高度的空間復雜性。文獻[6]針對Kalman濾波在動態環境下跟蹤失敗的問題，提出改進的自適應載波跟蹤算法，算法能夠自動調整系統權重和控制系統狀態，具有較好的跟蹤性能。文獻[7]為了解決TLD算法的處理速度問題，提出利用Kalman濾波和Maclaurin模型來改進LTD追蹤算法，提升了LTD算法的效率。文獻[8]采用自適應學習率來改進背景模型，解決場景中光照突變和陰影區域對目標物體追蹤的影響問題。

針對當前目標跟蹤算法種類多樣且性能各異，本文研究利用4種典型算法對倉庫某監控區域內的運動目標進行跟蹤實驗，對算法的性能進行分析，從多項指標來對比各自的功能側重點，選擇綜合性能最佳的改進Boosting算法作為倉庫視頻目標跟蹤算法，為倉庫管理實踐中視頻監控效果和準確性提供重要佐證。

1 改進的Boosting目標跟蹤算法

1.1 Boosting算法

Boosting算法是一種機器學習算法，它能夠解決高維數據準確性問題，廣泛應用于深度學習和模式識別中。該算法可將弱學習器通過集成提升至強學習器，主要是它在學習過程中進行了特征選擇，將高維度空間中的每一組弱學習器視為一個特征，對若干特征進行學習并加權累計到總模型中，從而獲得能夠解決高維空間問題的強學習器。

算法通過改變每個樣本相對應的權重獲得不同訓練集，首先為每個樣本設置初始權重，在此訓練樣本分布下訓練一個弱分類器h1（x），然后將該分類器看作一個特征進行學習[9]，用它來更新其他樣本權重，增加h1（x）錯分的樣本的權重，減少正確分類的樣本的權重，從而突出錯分的樣本，并得出一個新的樣本分布[10]，在新的樣本分布下，訓練出新的弱分類器h2（x）并更新樣本權重，重復此操作T次，由此得到T個基礎弱分類器，將T個分類器按照權重進行累加，獲得最終的強分類器[11]。算法訓練過程如表1所示。

1.2 Boosting算法的特征區域更新改進策略

Boosting算法存在精確性不足以及參數設置隨機性較大等缺陷，容易出現跟蹤誤差。本文通過對跟蹤過程中目標的特征進行在線更新，當特征在跟蹤區域生成之后，利用特征值服從高斯分布來區分目標或是背景區域，同時使用Kalman filter實時在線更新分布，估算特征置信度，從而有效降低累計誤差和跟蹤目標丟失等問題[12]，主要過程為：

利用算法中的強分類器得到置信度Conf（x），當Conf（x）>threshold1（0.8）時，將跟蹤的目標區域作為正樣本（x，1），將其他同等背景區作為負樣本，當追蹤到新樣本（x，y），y∈（0，1）時，則更新特征（m），如式（1）、式（2）所示。

當Conf（x）

當threshold2

2 實驗分析

將上述四種算法在某倉庫視頻監控圖像（包括倉庫出入口和倉庫內）序列上進行測試，驗證算法的有效性和綜合性能。實驗環境說明：

（1） 實驗視頻數據共999禎，實現代碼為每個目標創建跟蹤器，并記錄出每個移動對象的坐標、所在視頻幀等信息，為生成軌跡做準備。

（2） 這里對每個跟蹤器所創建的對象，如果超過5幀沒有檢測到目標，則認為檢測失敗或者目標已經離開攝像頭視域，銷毀該對象，因為多目標跟蹤創建跟蹤器十分耗費CPU資源。

（3） 運動目標數，是當跟蹤器準確跟蹤運動目標10幀以上才打印出來的，以免漂移現象產生干擾，如表2所示。

從表格1所列數據，得到的分析結果如下：

KCF算法處理最快，但該方法得到運動目標數目少，創建跟蹤器數目多，目標丟失對象嚴重。

MIL算法耗時最多，但是整體看來，基本沒有漂移現象，跟蹤還算準確，目標數目大于實際數目，說明對視頻中的跟蹤目標存在丟失現象，但是又重新跟蹤了。經分析認為是原跟蹤器已經銷毀，新創建的跟蹤器將原跟蹤器跟蹤的目標定義為新的目標。

改進Boosting算法所用時間相比MIL有很大改善，得到運動目標數目與實際數目相當，因此可以說是相對準確了，但是創建跟蹤器個數比MIL多，在運動目標跟蹤初始階段容易產生丟失現象，對于中間的目標，相對穩定。

TLD算法沒有展現出良好的性能，對于運動目標不斷的丟失，不斷的創建跟蹤器，導致得到運動目標數目比實際多出很多，提取前景之所以多于無跟蹤器時，主要是不同跟蹤器對于同一個前景重復提取。

表2最后一行所列的是原始視頻播放的時間、人工統計的運動目標數目、運動檢測算法提取的前景數目等信息，以為跟蹤算法提供比對參考。如圖1所示。

實驗的實際效果圖，從視頻中跟蹤運動的多目標，并畫出軌跡，其中圖片中的黑色方框是進行前景提取所獲得的運動目標，綠色方框是跟蹤區域，而紅色線則是畫出來的運動軌跡。

從圖1中可以看出KCF算法的缺點，即對于運動目標的跟蹤存在缺失。從黑框與綠框的重合度也可以在一定程度上看出KCF的漂移現象并不是很明顯。

從圖2可以看出，MIL算法相比于KCF算法跟蹤效果已經好了很多，運動目標路徑相對完整，但是相比于KCF，MIL表現出了可能存在的更為嚴重的漂移現象，如圖2所示。

從圖3可以看出，改進Boosting算法相比于KCF、MIL算法已經有了相對明顯的改進效果，如圖3所示。

從圖4可以看出，相比于圖（3）漂移現象已經產生，接下來就極有可能會產生跟蹤目標的失敗。

從圖1至圖1的視覺效果及表2的各項指標判斷分析，改進Boosting算法的跟蹤效果和綜合性能都是最佳的。

3 總結

本文在對改進的Boosting算法進行研究的基礎上，采用實驗手段，通過實際測試的效果和各項指標的對比，來驗證算法的性能。Boosting算法能夠很好的跟蹤運動目標路徑，基本不存在目標跟蹤缺失問題，同時能夠避免運動目標漂移現象的產生。因此，將其作為倉庫智能視頻監控算法具有重要的實踐意義。同時本文的研究和實驗也存在不足之處，比如沒有考慮到運動目標被遮擋以及復雜的背景等情況，在考慮這些情況的前提下，如何進一步提高算法的魯棒性是未來要研究的內容之一。

參考文獻

[1] 王敏.基于視頻監控圖像的目標檢測與跟蹤算法研究[D].石家莊：河北大學，2018.

[2] Ronghua L， Huaqing M. Joint Conditional Random Fields for Multi-object Tracking with a Mobile Robot[J]. Jiqiren/Robot， 2010， 33（3）：391-396.

[3] 楊輝，劉軍，阮松.基于Mean Shift算法視頻跟蹤研究[J]. 計算機工程與設計， 2013， 34（6）：2062-2066.

[4] 姜丹. 基于視頻監控的目標檢測與跟蹤算法研究[D].西安：西安理工大學，2018.

[5] Dan M， Otsuka K， Yamato J. Memory-Based Particle Filter for Tracking Objects with Large Variation in Pose and Appearance[J]. Ieice Transactions on Information & Systems， 2010， 6313（94）：215-228.

[6] 李理敏，龔文斌，劉會杰，余金培.基于自適應擴展卡爾曼濾波的載波跟蹤算法[J].航空學報，2012，33（7）：1319-1328.

[7] 魏磊，趙發勇，王秀英.基于S曲線的步進電機速度與位移控制[J].佳木斯大學學報（自然科學版），2017，35（5）：811-816.

[8] 石丹.基于背景建模的運動目標檢測與跟蹤算法的研究[D].西安：西安科技大學，2016.

[9] 鄒盛瑜.人臉定位算法在視頻監控中的設計與實現[D].成都：電子科技大學，2011.

[10] 曾傳璜，李思強，張小紅.基于AdaCostBoost算法的網絡釣魚檢測[J].計算機系統應用，2015，24（9）：129-133.

[11] 李福.流行學習在交通標志識別中的應用研究[D].西安：西安電子科技大學，2010.

[12] 孫來兵，陳建美，宋余慶，等.改進的基于在線Boosting的目標跟蹤方法[J]. 計算機應用， 2013， 33（2）：495-502.

（收稿日期：2019.09.20）