潘榮敏，袁 杰，王宏偉，2，米 湯

1.新疆大學(xué) 電氣工程學(xué)院，烏魯木齊 830047

2.大連理工大學(xué) 控制科學(xué)與工程學(xué)院，遼寧 大連 116024

1 引言

視覺跟蹤技術(shù)廣泛應(yīng)用在人機(jī)交互、自動(dòng)駕駛、導(dǎo)航制導(dǎo)、無人機(jī)、工業(yè)機(jī)器人等領(lǐng)域，高效的跟蹤算法需解決跟蹤過程中由環(huán)境干擾引起的模型污染問題[1]，已成為該研究領(lǐng)域的熱點(diǎn)和難點(diǎn)。

在計(jì)算機(jī)視覺領(lǐng)域，DLT[2]和MDNet方法[3]分別在在OTB50[4]和OTB10[5]中表現(xiàn)出一定準(zhǔn)確率，但深度學(xué)習(xí)模型的復(fù)雜性導(dǎo)致其幀率較低，即便是時(shí)效性較好的SimFC方法[6]也要依賴高配置GPU，難以滿足機(jī)器人實(shí)時(shí)應(yīng)用。Henriques等提出的核相關(guān)濾波器（KCF）算法[7]繼承了MOOSE算法[8]的高速率特性，還表現(xiàn)出較高的精度，是眾多基于濾波器跟蹤算法的模板。作為該類算法的改進(jìn)，SAMF[9]和DSST[10]方法通過融合多特征并利用尺度池或比例尺改進(jìn)了目標(biāo)尺度自適應(yīng)的不足，LCT方法[11]借用重檢測的思想實(shí)現(xiàn)了較為穩(wěn)定的跟蹤。但目標(biāo)及場景動(dòng)態(tài)變化引起的尺度框自適應(yīng)和目標(biāo)丟失問題使魯棒實(shí)時(shí)跟蹤仍然是一個(gè)挑戰(zhàn)性問題[12]。在眾多算法中，特征選取是一個(gè)跟蹤系統(tǒng)中重要的組成部分，合適的特征可以顯著提高跟蹤效果[13]。

在移動(dòng)機(jī)器人域領(lǐng)，當(dāng)行人的腿部特征變化時(shí)，采用激光測距儀和相機(jī)相結(jié)合進(jìn)行行人跟蹤[14-16]的方法容易造成跟蹤失敗[17]。基于超聲波測距的行人跟蹤方法[17-18]需要目標(biāo)體在面向機(jī)器人側(cè)攜帶超聲波發(fā)射器，應(yīng)用場景受限。受啟發(fā)于HOG特征[19]提出的HOD特征[20]和基于RGBD相機(jī)的行人檢測跟蹤策略[21]，均證明了利用場景深度信息進(jìn)行目標(biāo)跟蹤的高效性。

因?yàn)槠涓咝阅芎透咝始耙讛U(kuò)展的特性，KCF方法現(xiàn)已是眾多優(yōu)良算法[9-11，22-24]的基準(zhǔn)，成為跟蹤領(lǐng)域的主流框架。為實(shí)現(xiàn)一種實(shí)時(shí)穩(wěn)定的機(jī)器人視覺跟蹤系統(tǒng)，本文在KCF方法的基礎(chǔ)上通過融合場景深度信息解決目標(biāo)尺度框自適應(yīng)問題及目標(biāo)被遮擋時(shí)的漂移問題，并在移動(dòng)機(jī)器人跟蹤應(yīng)用中具有較好的跟蹤效果。

2 核相關(guān)濾波器

KCF算法在線更新一個(gè)滿足嶺回歸代價(jià)函數(shù)的相關(guān)濾波器θ，大小為W×H的樣本X及以其作為生成矩陣的循環(huán)矩陣Xw,h為濾波器的訓(xùn)練樣本，其中(w,h)∈所有樣本是由其對應(yīng)的圖像塊通過特征提取函數(shù)映射到特征空間下得到的特征矩陣。期望輸出y不是二分類的結(jié)果，是以跟蹤目標(biāo)所在位置為中心高斯加權(quán)后的響應(yīng)值。

式中φ是通過核相關(guān)函數(shù)κ映射得到的非線性特征空間，點(diǎn)積 φ(x)?φ(x')=κ( )x,x'。正則化系數(shù)λ大于0，可避免模型過擬合。

θ的解和循環(huán)矩陣X直接相關(guān)，由于循環(huán)矩陣可由離散傅里葉變換及其生成向量x對角化得到，所以，θ的解可被看作在非線性特征空間下樣本的線性組合，表示為：

在對偶空間下，最優(yōu)化目標(biāo)系數(shù)則由θ變?yōu)樽兞喀?。α的求解公式為?/p>

式中，F(xiàn)和F-1分別表示離散傅里葉變換和離散傅里葉逆變換，Κxx表示κ(X,X)，即樣本X的核自相關(guān)。常用的高斯核函數(shù)為：

式中，^表示該矩陣的傅里葉變換。

應(yīng)用中，當(dāng)獲取圖像后，以上一幀目標(biāo)位置為中心，裁剪一塊興趣區(qū)域作為目標(biāo)位置的候選塊，并將此候選塊的特征矩陣Z輸入到前一幀訓(xùn)練的模型，輸出 f(Z)的最高響應(yīng)點(diǎn)位置即為目標(biāo)區(qū)域的中心位置：

其中，ΚXZ表示X和Z的核相關(guān)。

模型參數(shù)α隨著興趣區(qū)域更新，但是很明顯的問題是當(dāng)目標(biāo)尺寸因距離或者形狀的改變而變化時(shí)跟蹤窗尺度是不變的，對后續(xù)目標(biāo)位置確定產(chǎn)生影響[25]，又因缺少跟蹤失敗檢查，在跟蹤失敗后并沒有目標(biāo)找回機(jī)制，在實(shí)際應(yīng)用尤其是機(jī)器人應(yīng)用中存在不足。圖1為基于KCF的方法在三維環(huán)境跟蹤示例中的過程表示，圖1的A中小框內(nèi)書籍為n-1幀的識別結(jié)果，目標(biāo)框尺寸為132×183像素。大框內(nèi)的興趣塊尺寸為330×458像素，將其劃分為82×120個(gè)細(xì)胞，提取32維HOG特征并圖形化表示為圖1的B，利用此特征的頻域表示進(jìn)行模型更新。圖1的C為n幀輸入，方框?yàn)楦鶕?jù)n-1幀興趣區(qū)域得到的目標(biāo)位置候選塊，提取其HOG特征并進(jìn)行循環(huán)位移擴(kuò)展樣本，其中基礎(chǔ)樣本的特征表示為圖1的D。通過模型匹配得到識別響應(yīng)結(jié)果如圖1的E，目標(biāo)中心位置像素坐標(biāo)為（252，246），并將結(jié)果表示在n幀圖像候選塊中如圖1的F，尺寸為132×183像素，再將n幀識別結(jié)果映射到配準(zhǔn)好的深度圖中得到圖1的G，黃色外框?yàn)橛成涞玫降某跏甲R別結(jié)果。最后通過深度信息對結(jié)果進(jìn)行修正，得到綠色框目標(biāo)識別結(jié)果，尺寸為105×146像素，映射到n幀RGB圖像中表示為圖1的H。

圖1 KCF方法在三維場景的應(yīng)用

3 跟蹤系統(tǒng)設(shè)計(jì)

移動(dòng)機(jī)器人在三維場景中跟蹤的系統(tǒng)設(shè)計(jì)主要在于實(shí)時(shí)的長時(shí)間跟蹤方法設(shè)計(jì)，為讓模型更好地適應(yīng)不同特征空間下的目標(biāo)特征變化，減少場景腐蝕，目標(biāo)尺度框自適應(yīng)、跟蹤失敗檢查以及跟蹤丟失后目標(biāo)找回策略是重要工作。

3.1 目標(biāo)尺度框估計(jì)

深度圖可以從背景中反映出目標(biāo)的輪廓，且目標(biāo)體本身的深度信息具有高度的自相似性[26]，跟蹤應(yīng)用并不要求精準(zhǔn)的目標(biāo)邊緣輪廓，只考慮其邊緣范圍即可，故可以在深度圖中通過邊緣交叉搜索（Cross-Searching Edge，CSE）的方法進(jìn)行目標(biāo)尺度框估計(jì)。

在像素坐標(biāo)系下，任意點(diǎn)( )x,y處的梯度求解公式為：

以KCF算法的回歸器得到的最大響應(yīng)點(diǎn)為起始點(diǎn)，沿X負(fù)方向計(jì)算每點(diǎn)的X方向梯度值，每點(diǎn)的梯度值和邊緣閾值比較，超過閾值的點(diǎn)記為(x-m,y)，認(rèn)為其是目標(biāo)左側(cè)邊界點(diǎn)，然后再從起始點(diǎn)沿X正方向計(jì)算每點(diǎn)X方向梯度得到目標(biāo)的右側(cè)邊界點(diǎn)(x+n,y)。然后按照式（5）進(jìn)行目標(biāo)中點(diǎn)矯正，接著中點(diǎn)開始，分別再沿Y正方向和負(fù)方向進(jìn)行各點(diǎn)Y方向的梯度計(jì)算，估計(jì)出目標(biāo)Y方向的尺度邊界點(diǎn)。

為加快計(jì)算速度，在按照上述方法搜索邊緣點(diǎn)時(shí)可隔點(diǎn)進(jìn)行梯度計(jì)算，這樣即對計(jì)算結(jié)果影響不大又可節(jié)省一半的計(jì)算時(shí)間。如圖2為本文方法示意，深色像素點(diǎn)為需要計(jì)算梯度的點(diǎn)，其中點(diǎn)A為初始起始點(diǎn)，目標(biāo)中點(diǎn)矯正后得到點(diǎn)B，箭頭所指為梯度取點(diǎn)計(jì)算方向，點(diǎn)1、2、3、4分別為該方法依次得到的邊界點(diǎn)，最終確定紅色的目標(biāo)框。

圖2 邊緣交叉搜索

由于本文方法對目標(biāo)體輪廓的局部特征敏感，所估計(jì)出的目標(biāo)體尺度可能會偏小，在應(yīng)用中，會對估計(jì)所得目標(biāo)框的長寬按照一定的系數(shù)進(jìn)行適當(dāng)放大。此外，由于紅外光源為點(diǎn)狀衍射導(dǎo)致場景深度圖有陰影、系統(tǒng)內(nèi)外環(huán)境不理想，深度圖像受高斯噪聲、椒鹽噪聲等干擾，而本文方法對像素質(zhì)量依賴性強(qiáng)，需進(jìn)行圖像降噪處理。

為平滑圖像、消除正態(tài)分布噪聲，采用二維零均值離散高斯函數(shù)對圖像進(jìn)行平滑濾波處理，二維高斯函數(shù)為：

式中，G(x ,y)為二維高斯函數(shù)點(diǎn)(x ,y )處的值，σ1、σ2為X和Y方向的方差。圖像濾波的過程是高斯核和圖像做卷積的過程。高斯核是一個(gè)長寬均為正奇數(shù)的矩形模板，在此應(yīng)用中取其為一個(gè)方形模板，X和Y的方差相等，均為σ，則該高斯核中每個(gè)元素的計(jì)算公式為：

其中，Ki,j為( )i,j位置的元素值，高斯核元素位置的確定是以中心處元素位置為原點(diǎn)、i軸水平向右為正方向、j軸水平向上為正方向的坐標(biāo)系，2t-1為方形高斯核的寬度。為適應(yīng)目標(biāo)圖像各像素點(diǎn)的數(shù)據(jù)類型，提高濾波效率，現(xiàn)將得到的高斯核元素整數(shù)化，整數(shù)化過程為：首先將首項(xiàng)歸一化，即各元素乘以模板系數(shù)和的倒數(shù)；然后對各項(xiàng)進(jìn)行取整；最后在得到的模板前加各整數(shù)元素和的倒數(shù)即為整數(shù)類型高斯核。

圖像中的椒鹽噪聲通常由脈沖響應(yīng)引起，在深度圖中一般表現(xiàn)為數(shù)字化極大或極小值，即純黑或純白，對應(yīng)場景含義為極近或極遠(yuǎn)。而深度相機(jī)的有效使用距離為0.6～8 m，故對圖像中異點(diǎn)附近的所有點(diǎn)進(jìn)行剔除，即可避免椒鹽噪聲的影響。降噪效果如圖3所示，圖（a）為降噪前深度圖，存在許多椒鹽噪點(diǎn)和高斯噪點(diǎn)，圖（b）為降噪后深度圖，減少了噪點(diǎn)影響，平滑了圖像。

圖3 降噪處理

為進(jìn)一步降低噪點(diǎn)對邊緣檢測的影響，增加梯度值的可信度，可將目標(biāo)點(diǎn)及臨近點(diǎn)的梯度和作為判斷目標(biāo)點(diǎn)梯度大小的數(shù)值依據(jù)，即在計(jì)算X方向梯度時(shí)，將目標(biāo)點(diǎn)(x,y)及其左右鄰點(diǎn)的梯度和作為(x,y)處的梯度依據(jù)，這即是Prewitt算子。為體現(xiàn)目標(biāo)點(diǎn)的重要性，將目標(biāo)點(diǎn)梯度權(quán)重加大，即為Sobel算子：

其中，Sx、Sy分別為X方向和Y方向的Sobel算子，I為圖像點(diǎn)z5附近的圖像塊，則在Sobel算子下z5處的梯度可為：

如圖4所示，上方3張為場景的RGB信息圖像，下方3張為對應(yīng)的場景深度信息圖像，圖4（a）為場景原圖，圖4（b）、（c）分別為對應(yīng)的X方向梯度圖和Y方向梯度圖，很直觀地可以看出在深度圖下搜索物體邊界要比RGB圖下更簡單。將圖4中行人認(rèn)為目標(biāo)點(diǎn)，圖4（a）中藍(lán)色點(diǎn)位置為目標(biāo)中心位置，在深度圖中以目標(biāo)中心點(diǎn)的X方向邊界搜索為例，得到圖5（a）該點(diǎn)處X方向像素值分布，圖5（b）為圖5（a）各點(diǎn)對應(yīng)的X方向梯度值，可以看出在物體邊界處存在梯度峰值。應(yīng)用中，并不需要將Sobel算子與圖像做卷積運(yùn)算，只需以目標(biāo)響應(yīng)點(diǎn)為起點(diǎn)按照CSE方法進(jìn)行邊界點(diǎn)檢測，減少了計(jì)算量。目標(biāo)框估計(jì)效果如圖6所示，黃色框?yàn)槌跏寄繕?biāo)框，在深度圖6的A中利用本方法估計(jì)得到綠色框所示目標(biāo)框，并將其映射到RGB圖像中得到圖6的B。本文方法不依賴目標(biāo)體HOG、紋理、形狀等特征，故理論上對剛體和非剛體在顏色、光線、幾何特征變化時(shí)的尺度自適應(yīng)都是有效的。

圖4 梯度圖像

圖5 目標(biāo)中心點(diǎn)X方向像素及梯度

圖6 目標(biāo)尺度框估計(jì)

3.2 跟蹤失敗檢查

由于相關(guān)濾波器本身就是模板類的方法，不管對樣本采用何種特征提取方法，只要在該特征空間下的樣本表示發(fā)生較大的改變都會對跟蹤效果造成嚴(yán)重影響，比如，相關(guān)濾波器類方法對采用HOG特征模型下的目標(biāo)要求不能有快速變形、采用CN顏色特征模型下的目標(biāo)不能有強(qiáng)烈的光線和顏色變化。在3D環(huán)境中短時(shí)間內(nèi)物體深度信息的變化不會特別劇烈，而當(dāng)目標(biāo)被遮擋時(shí)，遮擋位置處的深度信息會發(fā)生突變，因此提出通過軸向相對動(dòng)能波動(dòng)（Fluctuations in Axial Relative Kinetic Energy，F(xiàn)ARKE）進(jìn)行跟蹤失敗檢查，F(xiàn)ARKE定義式如下：

其中，fe表示軸向相對動(dòng)能波動(dòng)的值，D表示物體到相機(jī)的相對距離，n+1為當(dāng)前相關(guān)濾波器響應(yīng)出的目標(biāo)中心位置，n為前一幀圖像中目標(biāo)中心位置。tn代表n-1到n之間目標(biāo)丟失的圖像幀數(shù)，若跟蹤正常時(shí)tn為1。當(dāng)目標(biāo)被遮擋時(shí)，fe值會發(fā)生明顯波動(dòng)，設(shè)定閾值ξ，當(dāng)fe>ξ時(shí)認(rèn)為目標(biāo)丟失或被遮擋，ξ與目標(biāo)體的縱向尺寸及移動(dòng)機(jī)器人相對目標(biāo)體的速度有關(guān)。如果令圖像相鄰兩幀間的更新時(shí)間為1，則式（9）涵義為相鄰幀間目標(biāo)在軸向方向相對相機(jī)的動(dòng)能比。因?yàn)榭紤]到了目標(biāo)早先的深度，相比于僅檢測目標(biāo)位置深度變化量的方法[27]采用動(dòng)能比的方法更適合快速運(yùn)動(dòng)的目標(biāo)。

fe響應(yīng)值超出閾值時(shí)，為保護(hù)模型不被當(dāng)前幀的遮擋物或環(huán)境中其他干擾污染，模型停止更新。

3.3 歷史模板池

將通過FARKE檢查的圖像對應(yīng)的目標(biāo)模型保存到歷史模板池，在目標(biāo)跟蹤模型被污染后，利用目標(biāo)面積變化率估計(jì)的方法估計(jì)目標(biāo)位移，然后計(jì)算取樣間隔并從歷史模板池抽取模板作為新的目標(biāo)跟蹤模型。目標(biāo)面積變化率估計(jì)方法是一種基于目標(biāo)框像素?cái)?shù)的方法，假設(shè)模板池中各模板對應(yīng)的目標(biāo)模型準(zhǔn)確，且目標(biāo)體在相鄰幀間的位移和形變是連續(xù)的即目標(biāo)被遮擋的過程至少反應(yīng)在連續(xù)的兩幀圖像中。

式中，ra是目標(biāo)面積變換率估計(jì)值，Sn為第n幀中目標(biāo)框的面積，a為取樣幀數(shù)，可參照相機(jī)拍照幀率取值，為第n幀目標(biāo)框的左邊緣像素點(diǎn)的X軸坐標(biāo)，代表右邊緣像素點(diǎn)X軸坐標(biāo)，t代表最終取樣間隔幀數(shù)，Smax=max{ }Sn-a,Sn-a+1,…,Sn-1,Sn為取樣內(nèi)目標(biāo)面積的最大值。在目標(biāo)被遮擋或其他環(huán)境干擾引起目標(biāo)漂移時(shí)，F(xiàn)ARKE識別出目標(biāo)丟失，丟棄當(dāng)前幀對應(yīng)的跟蹤模型，歷史模板池作為待取模型庫，根據(jù)目標(biāo)面積變化率方法計(jì)算所得間隔t，從中選取第n-t幀對應(yīng)的模型來更新第n+1幀模型參數(shù)。

3.4 搜索策略

當(dāng)目標(biāo)被大面積物體遮擋再出現(xiàn)后，由于位移發(fā)生較大變化，在當(dāng)前搜索區(qū)域可能不會檢測到目標(biāo)，因此根據(jù)目標(biāo)被遮擋時(shí)間在一定范圍內(nèi)擴(kuò)大搜索區(qū)域可確保目標(biāo)跟蹤的準(zhǔn)確性。搜索策略為：

式中，pad是搜索區(qū)域相對目標(biāo)框尺寸的倍率，初始值為1.5；α是調(diào)控系數(shù)，本文取0.8。當(dāng)丟失目標(biāo)找回后，pad恢復(fù)初始值。

如圖7所示為應(yīng)用相對動(dòng)能波動(dòng)進(jìn)行目標(biāo)跟蹤失敗檢查的過程，上面為遮擋過程中的RGB圖像，下面為對應(yīng)的深度圖，目標(biāo)跟蹤結(jié)果用綠色框標(biāo)識。第一組的第657幀圖像，目標(biāo)尺寸面積63×241，距離2.86 m，第二組為目標(biāo)被遮擋前一幀的第658幀圖像，目標(biāo)尺寸31×192，距離2.96 m，之后目標(biāo)被遮擋，遮擋物距離為1.73 m，如第三組圖所示。設(shè)置閾值ξ=16.5，計(jì)算出fe=151.29大于閾值，目標(biāo)丟失，停止模型更新。在目標(biāo)丟失過程中，令取樣幀數(shù)a=3，得Smax=15 183，取樣間隔t=5，即取目標(biāo)丟失時(shí)的前第5幀模型更新跟蹤器。隨著丟失幀數(shù)增加不斷擴(kuò)大搜索區(qū)域，在第四組圖即第676幀目標(biāo)重新出現(xiàn)時(shí)，目標(biāo)已丟失17幀，搜索區(qū)域擴(kuò)大到丟失前目標(biāo)框區(qū)域的20倍范圍，跟蹤器檢測到目標(biāo)，目標(biāo)距離3.12 m，計(jì)算 fe=2.56小于閾值，通過跟蹤失敗檢查，目標(biāo)被重新跟蹤。

圖7 跟蹤失敗檢查

3.5 跟蹤系統(tǒng)流程

綜上所述，由識別算法或人工框選初始化跟蹤目標(biāo)后，本文跟蹤機(jī)器人系統(tǒng)的流程如圖8所示，圖中綠色箭頭線代表KCF方法處理進(jìn)程，其余橘黃色為本文方法實(shí)現(xiàn)。

4 實(shí)驗(yàn)

為驗(yàn)證所提方法的有效性，在對RGBD相機(jī)進(jìn)行標(biāo)定和配準(zhǔn)后首先完成場景數(shù)據(jù)采集，然后在數(shù)據(jù)集上進(jìn)行規(guī)則和不規(guī)則幾何特征物體形變下的跟蹤以及目標(biāo)體在運(yùn)動(dòng)和不運(yùn)動(dòng)時(shí)被遮擋條件下的跟蹤；之后，完成了移動(dòng)機(jī)器人行人跟蹤實(shí)驗(yàn)。

圖8 跟蹤機(jī)器人系統(tǒng)流程

4.1 尺度框自適應(yīng)

在圖9圖像序列中，目標(biāo)體為綠色書籍，由于相對相機(jī)軸向方向運(yùn)動(dòng)故其在圖像不同幀中尺度差異較大。實(shí)驗(yàn)表明，KCF方法不能準(zhǔn)確適應(yīng)由距離變化引起的目標(biāo)尺度變化，而本文方法則有效地解決了這類問題，識別結(jié)果能夠很好地適應(yīng)目標(biāo)尺度的變化，避免了跟蹤窗口包含過多環(huán)境噪聲，有效調(diào)整了目標(biāo)搜索區(qū)域。

圖9 距離自適應(yīng)

在圖10圖像序列中，目標(biāo)體為黃色書籍，由于旋轉(zhuǎn)其在圖像中的幾何特征發(fā)生變化。KCF方法識別結(jié)果不能很好適應(yīng)目標(biāo)體變化的幾何特征，本文方法的識別結(jié)果在這種變化中具有穩(wěn)定的適應(yīng)性，能隨目標(biāo)變化自適應(yīng)尺度框大小和位置。在圖序后兩幀圖中，目標(biāo)體局部被白色障礙物遮擋干擾，本文方法仍表現(xiàn)出魯棒的跟蹤效果。

為進(jìn)一步說明，在圖11圖像序列中，不規(guī)則外形的紅色玩偶為目標(biāo)體，其在不同距離和姿態(tài)下具有差別較大的外觀特征。KCF識別效果沒有準(zhǔn)確地適應(yīng)目標(biāo)體的變化，甚至在一段時(shí)間后目標(biāo)識別框漂移到了大部分圖像空間，失去了跟蹤結(jié)果的有效性，本文方法則表現(xiàn)出較強(qiáng)的可靠性，面對這種變化能夠準(zhǔn)確穩(wěn)定地做出目標(biāo)框調(diào)整。

4.2 目標(biāo)遮擋

在圖12圖像序列中，在靜止目標(biāo)黑衣少年被路人完全遮擋并短暫消失的情況下，KCF算法受到路人干擾，模型更新錯(cuò)誤，目標(biāo)漂移到路人上面，跟蹤失敗，本文方法能夠在被遮擋時(shí)停止模型更新，在遮擋物離開目標(biāo)又出現(xiàn)后，仍能繼續(xù)搜索到目標(biāo)體，繼續(xù)跟蹤。

在圖13所示視頻序列中，目標(biāo)體遠(yuǎn)處少年在運(yùn)動(dòng)中被近處靜止的黑衣路人遮擋并消失。KCF方法不能適應(yīng)目標(biāo)遮擋的情況，本文方法能夠在移動(dòng)目標(biāo)被遮擋再出現(xiàn)后仍可繼續(xù)準(zhǔn)確檢測到目標(biāo)位置，完成長間跟蹤。

圖10 形變自適應(yīng)

圖11 不規(guī)則目標(biāo)運(yùn)動(dòng)自適應(yīng)

圖12 靜止目標(biāo)被遮擋

圖13 運(yùn)動(dòng)目標(biāo)被遮擋

4.3 目標(biāo)跟蹤系統(tǒng)在移動(dòng)機(jī)器人上的應(yīng)用

4.3.1 機(jī)器人系統(tǒng)簡介

圖14為本文實(shí)驗(yàn)采用的移動(dòng)機(jī)器人平臺，搭載處理器為Core i5-3230M，主頻2.6 GHz，內(nèi)存8.0 GB的計(jì)算機(jī)，依賴Ubuntu14.4下的Indigo版本機(jī)器人操作系統(tǒng)（ROS），相機(jī)采用奧比中光Astra Pro。本文跟蹤算法處理速度能夠保持在30 FPS以上。圖15（a）為Gazebo仿真實(shí)驗(yàn)環(huán)境界面，圖15（b）為真實(shí)實(shí)驗(yàn)環(huán)境。

圖14 移動(dòng)機(jī)器人

圖15 機(jī)器人跟蹤實(shí)驗(yàn)

4.3.2 實(shí)驗(yàn)效果

IR鏡頭與物體需保持至少0.6 m的距離獲取的信息才可靠，并且實(shí)際應(yīng)用中近距離條件下獲取的圖像中不能完整包括目標(biāo)體完整特征，且目標(biāo)在相機(jī)徑向方向運(yùn)動(dòng)時(shí)由于相對角速度過大容易引起機(jī)器人姿態(tài)調(diào)整不及時(shí)從而丟失目標(biāo)。為保證在使用過程中穩(wěn)定可靠，仿真實(shí)驗(yàn)和實(shí)物驗(yàn)證實(shí)驗(yàn)都使跟蹤機(jī)器人和目標(biāo)體保持最少1.5 m的距離，因此在曲線運(yùn)動(dòng)時(shí)二者轉(zhuǎn)彎半徑不同，兩者軌跡重合度降低，但移動(dòng)機(jī)器人的運(yùn)動(dòng)軌跡重合度并不等價(jià)于跟蹤方法的精度和魯棒性。圖16為傳統(tǒng)KCF方法跟蹤軌跡，在跟蹤過程中即使目標(biāo)簡單運(yùn)動(dòng)也很快發(fā)生目標(biāo)漂移，跟蹤失敗，效果不穩(wěn)定。圖17（a）和（b）分別為本文方法在仿真和真實(shí)環(huán)境下的跟蹤軌跡，移動(dòng)機(jī)器人能夠長時(shí)間保持對目標(biāo)的有效跟蹤。為進(jìn)一步驗(yàn)證本方法在機(jī)器人跟蹤應(yīng)用的穩(wěn)定性，分別在無行人遮擋和有行人遮擋以及目標(biāo)體直線運(yùn)動(dòng)和做轉(zhuǎn)彎動(dòng)作條件下對本文方法和KCF方法進(jìn)行實(shí)驗(yàn)統(tǒng)計(jì)，實(shí)驗(yàn)結(jié)果如表1。從整體效果來看，本文跟蹤方法表現(xiàn)穩(wěn)定，機(jī)器人能夠保持實(shí)時(shí)準(zhǔn)確的動(dòng)作響應(yīng)，說明本跟蹤方法對運(yùn)動(dòng)目標(biāo)體具有可靠的跟蹤能力。

表1 機(jī)器人跟蹤實(shí)驗(yàn)結(jié)果

5 結(jié)論

圖16 KCF方法跟蹤軌跡圖

圖17 本文方法在仿真和真實(shí)環(huán)境下的跟蹤軌跡圖

本文基于核相關(guān)濾波器提出了融合場景深度信息的機(jī)器人跟蹤系統(tǒng)。為解決目標(biāo)框自適應(yīng)問題，實(shí)現(xiàn)了融合場景深度信息的邊緣交叉搜索（CSE）方法，在保證實(shí)時(shí)性的同時(shí)避免了跟蹤窗口包含過多的環(huán)境信息。針對目標(biāo)在復(fù)雜環(huán)境下容易被遮擋發(fā)生目標(biāo)漂移的現(xiàn)象，提出了基于場景深度信息的軸向相對動(dòng)能波動(dòng)（FARKE）跟蹤失敗檢測方法，能夠快速檢測出目標(biāo)是否被遮擋或發(fā)生目標(biāo)漂移；同時(shí)根據(jù)目標(biāo)尺度變化構(gòu)建了含有歷史模板池的模型自更新策略，為適當(dāng)擴(kuò)大搜索范圍建立了目標(biāo)丟失恢復(fù)機(jī)制，提高了復(fù)雜環(huán)境下跟蹤的魯棒性。實(shí)驗(yàn)結(jié)果證明，本文方法可以有效可靠地應(yīng)用在3D場景及移動(dòng)機(jī)器人目標(biāo)跟蹤中。