Research on Target Tracking Algorithm Based on AI for Home Intelligence Escort Robot
杨玉平 YANG Yu-ping
（重庆电子工程职业学院智慧健康学院，重庆 401331）
（School of Smart Health，Chongqing College of Electronic Engineering，Chongqing 401331，China）
摘要：家庭智能陪护机器人在近年来越来越火，目标跟踪是智能机器人的重要关键技术，目前的应用还不是很普遍，效果还不是很好。Mean Shift均值漂移算法是当前目标跟踪应用较普遍的算法，但也存在受背景干扰较大、反应时间较长等问题。本文提出改进的Mean Shift均值漂移算法，通过改进核函数来降低背景对目标的干扰、缩短了反应时间，提高了目标跟踪效率。
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.
关键词：目标跟踪；Mean Shift；机器人
Key words: target tracking；Mean Shift；robot
中图分类号：TP242 文献标识码：A 文章编号：1006-4311（2019）35-0228-02
0 引言
目标跟踪算法主要分为两类：生成式模型和判别式模型[1]。生成式模型是指通过在线学习方式建立目标模型，然后使用模型搜索重建误差最小的图像区域，完成目标定位，这一类方法没有考虑目标的背景信息，图像信息没有得到较好的应用。比较著名的有卡尔曼滤波，粒子滤波，mean-shift等；判别式模型是将目标跟踪看作是一个二元分类问题，同时提取目标和背景信息用来训练分类器，将目标从图像序列背景中分离出来，从而得到当前帧的目标位置[2]。目标跟踪的一般由四个基本部分构成：特征提取、运动模型、外观模型、在线更新机制，如何设计一个合理的在线更新机制，既能捕捉目标（和背景）的变化又不会导致模型退化，也是目标跟踪研究的一个关键问题[3]。
当前目标跟踪算法研究难点和挑战是在实际复杂的应用环境中，有背景相似干扰、光照条件的变化、遮挡等外界因素以及目标姿态变化，外观变形，尺度变化、平面外旋转、平面内旋转、出视野、快速运动和运动模糊等情况[4]。而且当目标跟踪算法投入实际应用时，不可避免的一个问题——实时性问题也是非常的重要，正是有了这些问题，才使得算法研究充满着难点和挑战[5]。解决这些问题的算法有很多，比如MIL多示例目标跟踪算法、MOSSE最小输出均方误差滤波算法、TLD学习－检测目标跟踪框架、KCF鉴别式追踪方法、DSST“平移滤波+尺度滤波”目标跟踪算法、Mean Shift均值漂移目标跟踪算法等等。其中Mean Shift均值漂移目标跟踪算法用得较多，但也存在一些问题。比如目标移动过快会让机器人跟踪产生失误，对相似背景的干扰鲁棒性也不是很强，对目标发生遮挡的情况适应性较差。因此，本文在在Mean Shift均值漂移目标跟踪算法的基本上作了改进，克服了上面的问题，使改进的Mean Shift算法具有了更好的鲁棒性和适应性。
1 Mean Shift均值漂移算法理论
Mean shift均值漂移算法是基于核密度估计的爬山算法，可用于聚类、图像分割、目标跟踪等。在实现目标跟踪算法过程中，主要采用了迭代方式来实现对颜色特征的跟踪。
Mean Shift均值漂移算法的实现过程如下：
第1步：跟踪目标的确定。在第一幅画面中通过选择目标范围的方式来确定跟踪目标，然后根据所选的目标范围确定检索矩阵的大小和位置，并按公式（1）来统计目标范围内在HSV空间的色度特征，获得其颜色概率分布。
■（1）
其中A为目标范围颜色概率分布，f（xi）是R2→{1，…，m}映射函数，?子是使■的delta函数，c（*）是核函数。{xi}i=1，…，n为目标范围内像素坐标，n为像素的个数；x’为标范围内的中心点。B称为归一化系数，B可由公式（2）表示。
■（2）
第2步：检索矩阵初始化。读取一幅新的图像画面，将上一幅目标范围的位置和大小作为当前检索矩阵的位置和大小。
第3步：在检索矩阵中确定待选目标，并通过公式（1）再次统计待选目标的颜色概率分布。
第4步：以当前检索矩阵为初始矩阵，在当前画面中应用Mean Shift均值漂移算法，即通过公式（3）进行运算后，获得新的目标所在位置和新的检索矩阵。
■
（3）
其中■是核函数的变形。wi为当前检索矩阵中各点的权重值。
第5步：若由公式（3）计算得到的Q1满足‖Q1＜Q‖＜?着，则重复迭代停止，目标所在的位置处于静止。否则，说明目标的位置在移动，Q1代替Q将继续迭代下去，一直到满足‖Q1＜Q‖＜?着，即目标静止。
2 对Mean Shift均值漂移算法的改进
基于核函数的Mean Shift均值漂移算法虽已广泛成功地运用于单目标的跟踪，但该算法也有一些缺点：由于在目标范围采用的是提取单一颜色的概率分布，从而使目标颜色比较容易受到周围环境颜色的干扰；核函数的构造使其作用于目标运算的效率不是很高，使得对于较快速移动的目标识别度不高，鲁棒性不强；核函数在运算过程中用到了像素分配权重，该权重根据像素距离目标中心位置而确定，该计算方式使得一些重要的边缘信息像素点被赋予较小的权重值，使得目标识别效果不好。基于以上原因，本文将对Mean Shift均值漂移算法的核函数进行改进，从而解决上述问题。
Mean Shift均值漂移算法的核函数公式（4）如下：
■（4）
新改进的核函数公式（5）如下：
■（5）
其中■为改进后的自适应核函数；c（x）为原始核函数；W（x）为改进部分，其公式表达如公式（6）：
■（6）
改进部分的引入，使得该方法很好的消除了背景的影响，对目标的提取效果的提高有所帮助。改进部分对目标的提取过程可以描述如下：
第1步：从图像采集传感器获取含有目标的场景画面；
第2步：通过目标范围的确定，去掉场景画面中目标2米以外的背景；
第3步：通过给定阈值及目标人物周长大小，可判定目标人物是处于静止还是运动；
第4步：通过对目标人物的周长进行滤波，对其他干扰信息也进行滤波排除，对目标人物进行联通性分析，获得表面更平滑的高质量目标人物。
第5步：根据人体比例关系，将目标人物上身作为改进自适应核函数的改进部分目标提取对象。目标人物上身像素由1值表示，背景像素由0值表示。
3 改进算法的实验数据对比及应用
3.1 实验对比结果
为了充分说明本文提出的改进算法的效果，通过实验与文献[2]、文献[3]、文献[4]进行了实验数据对比，对比数据如表1所示。
在实验过程中，为了充分对比几种算法的优劣，选取了1000个不同的实际场景，对各种算法在不同的场景中的反应时间及跟踪成功率进行了对比。同时为了排除个别场景的特殊性带来的数据异常，使实验数据更具有说服力，我们将反应时间取的均值。从表中可以看出，本算法反应时间最快，文献[2]的算法反应时间最慢，同时本算法的跟踪成功率也不亚于其他跟踪算法。
3.2 实验应用结果
在对算法进行对比研究后，我们将算法进行了具体代码化，并用于实际的陪护机器人目标跟踪，收到了良好的效果。如图1所示，是实验中采用的摄像头。图2是实验中做成的陪护机器人成品。
4 结语
家庭智能陪护机器人在近年来越来越火，不论是对老人的陪护还是对小孩的看护，都起到了重要的作用。但是我们可以看到：目前很多陪护机器人都是比较小型的，且是静止的。虽然有部份陪护机器人配有轮式的行走机构，行动上也比较灵活，但是基本都是避障功能使用的效果，使陪护机器人显得更人性化一些，并没有起到多大的实质性作用。目标跟踪能使陪护机器人在使用过程中跟随用户，更好地为用户服务，不仅是形式上人性化，更是让功能具有人性化。当下陪护机器人产品的目标跟踪实现并不多，且效果也并不好。因此，本文着重陪护机器人目标跟踪算法的研究。
参考文献：
[1]姜道伟，袁亮，巨刚.基于图像技术与粒子滤波融合新算法的机器人多目标跟踪[J].组合机床与自动化加工技术，2016（12）：31-34.
[2]李朕阳，郎朗，陈孟元.基于SR-CKF的移动机器人动态目标跟踪算法[J].电子测量与仪器学报，2016，30（8）：1198-1205.
[3]伍明，李琳琳，魏振华，等.一种未知环境下机器人多目标跟踪算法[J].智能系统学报，2015（3）：448-453.
[4]夏天维，侯翔.基于自适应Kaltman滤波的机器人运动目标跟踪算法[J].计算机测量与控制，2015，23（1）：173-175.
[5]成新田，唐振民.一种尺度自适应的机器人目标跟踪算法[J].计算机科学，2014，41（12）：280-282，292. |
