盧超超，彭 煒

(1.山西警察學(xué)院 偵查系，山西 太原 030401；2.大同大學(xué)計(jì)算機(jī)與網(wǎng)絡(luò)工程學(xué)院，山西 大同 037009)

無(wú)線傳感人臉識(shí)別技術(shù)是結(jié)合無(wú)線傳感與人臉識(shí)別于一體的創(chuàng)新應(yīng)用技術(shù)，該技術(shù)主要依靠無(wú)線傳感器與計(jì)算機(jī)的性能，對(duì)采集的人臉圖像進(jìn)行特征識(shí)別，以用于身份認(rèn)證[1]。 該技術(shù)是人工智能的關(guān)鍵分支，通過(guò)無(wú)線傳感器采集人臉高清圖像，可以高效精準(zhǔn)地識(shí)別人臉特征，還能通過(guò)二進(jìn)制描述子識(shí)別較多的圖像特征[2]。 基于無(wú)線傳感人臉識(shí)別的檢查技術(shù)，能夠完成不同人臉特征點(diǎn)[3]的差異化檢測(cè)，以識(shí)別不同的圖像特征。

在弱小人體目標(biāo)跟蹤的任務(wù)中，進(jìn)行空間人臉識(shí)別能夠有效避免跟蹤誤差[4]，并提高弱小人體目標(biāo)跟蹤的效率。 對(duì)于復(fù)雜的背景環(huán)境，空間弱小人體目標(biāo)存在一定的運(yùn)動(dòng)特性[5-6]，并且具有較小的成像尺寸，因此，對(duì)其進(jìn)行識(shí)別與跟蹤十分復(fù)雜。 陸福星等人[7]基于背景自適應(yīng)與多特征融合的弱小人體目標(biāo)跟蹤方法，對(duì)采集的紅外圖像進(jìn)行噪聲點(diǎn)去除，并分割出弱小人體的大面積平穩(wěn)背景。 提取弱小人體目標(biāo)的灰度特征，消除目標(biāo)灰度特征集合中的假目標(biāo)像素，完成弱小人體目標(biāo)跟蹤。 但該方法對(duì)于空間弱小目標(biāo)的跟蹤存在虛警概率高等問(wèn)題。 楊其利等人[8]提出了基于全卷積遞歸網(wǎng)絡(luò)的弱小人體目標(biāo)跟蹤方法，該方法利用全卷積遞歸網(wǎng)絡(luò)提取弱小目標(biāo)的特征，并通過(guò)深度遞歸監(jiān)督進(jìn)行目標(biāo)特征參數(shù)的修正，從而完成弱小人體目標(biāo)的跟蹤。 但是，該方法僅將部分空間弱小人體目標(biāo)作為跟蹤對(duì)象，并且對(duì)弱小人體目標(biāo)數(shù)據(jù)檢測(cè)概率不高。Manit 等人[9]提出基于深度遷移學(xué)習(xí)的人體目標(biāo)檢測(cè)方法，該方法采用近紅外激光掃描方法采集人體目標(biāo)圖像，并將采集的圖像輸入到深度遷移學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練處理。 以訓(xùn)練結(jié)果為基礎(chǔ)，構(gòu)建人體目標(biāo)檢測(cè)模型。 但是，該方法的檢測(cè)精度不足。 Gong 等人[10]提出基于深度學(xué)習(xí)和多尺度特征融合的人體目標(biāo)檢測(cè)方法，該方法從SSD 網(wǎng)絡(luò)中提取人體移動(dòng)目標(biāo)的多尺度特征，并通過(guò)特征融合方法，提取細(xì)節(jié)特征和敏感位置信息，從而完成目標(biāo)檢測(cè)。 但是，該方法存在虛警率較高的問(wèn)題。

因此，本文利用無(wú)線傳感人臉識(shí)別技術(shù)，進(jìn)行空間弱小人體目標(biāo)跟蹤，通過(guò)無(wú)線傳感器采集高清的人臉圖像，結(jié)合人臉識(shí)別技術(shù)準(zhǔn)確識(shí)別出弱小人體目標(biāo)，提升空間弱小人體目標(biāo)跟蹤的性能。

1 空間弱小人體目標(biāo)跟蹤

1.1 無(wú)線傳感人臉識(shí)別模型構(gòu)建

在人臉識(shí)別領(lǐng)域中，應(yīng)用較多的人臉特征表示方法是小波插值方法，小波插值方法是通過(guò)提取二維人臉圖片的特征點(diǎn)，并在人臉圖像中添加插值點(diǎn)信息，從而提高識(shí)別模型的真實(shí)性。 但是，該方法插值點(diǎn)需要計(jì)算，才能得到可靠的提取結(jié)果，否則跟蹤區(qū)域的重疊率將會(huì)增大。 而在此次研究中采用雙向稀疏表示方法可以很好地解決這一問(wèn)題。

在無(wú)線傳感人臉識(shí)別技術(shù)中，以無(wú)線傳感器采集到的人臉圖像數(shù)據(jù)為基礎(chǔ)，結(jié)合人臉識(shí)別技術(shù)中的稀疏表示方法，完成無(wú)線傳感人臉識(shí)別模型構(gòu)建[11]。

采用無(wú)線傳感器進(jìn)行人臉圖像采集的流程如圖1 所示。

圖1 無(wú)線傳感器人臉圖像采集流程

在稀疏表示方法中，包含正向稀疏表示與逆向稀疏表示，其中正向稀疏表示負(fù)責(zé)目標(biāo)模板樣本的線性重構(gòu)，而逆向稀疏矩陣表示近似表示目標(biāo)模板集。 通過(guò)稀疏表示方法，獲得正確的雙向稀疏表示稀疏矩陣，再通過(guò)優(yōu)化求解得到觀測(cè)似然函數(shù)，確定人臉識(shí)別模型。 稀疏表示過(guò)程如圖2 所示。

圖2 稀疏表示展示圖

1.1.1 正向稀疏表示

②獲取L2范數(shù)，規(guī)范化矩陣C的列。

③對(duì)L1范數(shù)問(wèn)題進(jìn)行計(jì)算:

或采用替換運(yùn)算:

④分析殘差。

⑤將(y)＝arg min iri(y)輸出。

上述公式中，測(cè)量矩陣通過(guò)C描述，內(nèi)僅有的非零元素由δi()描述。 圖像數(shù)據(jù)重建問(wèn)題可通過(guò)最小化L1范數(shù)確定，以獲取最稀疏解xi。 通過(guò)步驟⑤，可以使單個(gè)個(gè)體類與測(cè)試樣本的相似關(guān)系采用殘差計(jì)算得到。

1.1.2 逆向稀疏表示

假設(shè)有n個(gè)候選樣本的特征集合為Ct＝[，]∈Rd×n，N＝m×b，目標(biāo)模板特征為ot∈Rd×N，d＝384。 則目標(biāo)模板可用候選樣本的線性表達(dá)式為:

式中:線性系數(shù)為βt＝[]，其最小約束條件為:

假設(shè)已知y∈Rm×1表示輸入信號(hào)，D＝[d1，d2，…，dn]∈Rm×n(m?n)，求解α＝[c1，c2，…，cn]的值，其中ci為對(duì)應(yīng)系數(shù)，則逆稀疏等價(jià)求解方程為:

定義Y＝[y1，y2，…，yk]∈Rd×k表示候選樣本觀測(cè)值，則利用候選樣本集合構(gòu)建逆稀疏模型，假設(shè)當(dāng)前的目標(biāo)模板為t∈Rd×1，逆稀疏模型可表示為:

式中:λneg表示逆向稀疏的懲罰因子，d表示樣本個(gè)數(shù)，β為逆向稀疏表示系數(shù)。

1.1.3 雙向稀疏表示

在運(yùn)用雙向稀疏表示過(guò)程中，需要確定唯一的一個(gè)候選樣本集X，即確保稀疏參數(shù)α是唯一的。從多個(gè)候選樣本中構(gòu)建候選樣本集的過(guò)程為:

式(8)是目標(biāo)模板集D對(duì)候選樣本的稀疏表示，其中設(shè)候選樣本集的個(gè)數(shù)為m，式中U是目標(biāo)模板集D對(duì)于候選樣本集X的稀疏表示矩陣。 同樣對(duì)于逆稀疏表示來(lái)說(shuō)，是候選樣本集X對(duì)目標(biāo)模板dj的稀疏表示:

式中:V表示候選樣本集X對(duì)于目標(biāo)模板集D的稀疏表示矩陣。

構(gòu)建雙向稀疏表示目標(biāo)跟蹤模型:

式中:ψ為懲罰項(xiàng)。

1.2 正交匹配追蹤法

正交匹配追蹤法(Orthogonal Matching Pursuit，OMP)的主要思想為:在進(jìn)行迭代時(shí)，將與現(xiàn)階段冗余向量關(guān)系最密切的列，從測(cè)量矩陣φ的列向量?jī)?nèi)尋找出來(lái)，之后在測(cè)量向量中將其剔除，并開始迭代，直至迭代能夠滿足稀疏度，完成迭代。 該算法屬于貪婪算法，在進(jìn)行迭代時(shí)，盡量使被選列能夠滿足正交。 由于該算法這一特性，能夠減少迭代次數(shù)，且能夠改善殘差值收斂速度。 該算法通過(guò)如下步驟計(jì)算:

運(yùn)用K和φ分別表示稀疏度、測(cè)量矩陣，并將初始信號(hào)設(shè)置為x。 對(duì)索引集Λ0＝?，t＝1 和重構(gòu)信號(hào)＝0 進(jìn)行初始化。

①尋找λt＝｜

②更新索引集Λt＝Λt-1∪{λt}，并將所尋找的原子集合進(jìn)行記載，表示為φt＝[φt-1，φλt]，該子集存在于測(cè)量矩陣內(nèi)。

④對(duì)殘差rt＝y(tǒng)-φt，t＝t+1 進(jìn)行更新。

⑤判定t＞K能否滿足，若不能，返回操作步驟①，若能滿足，即迭代結(jié)束。

運(yùn)行過(guò)程中，該算法具有較快的運(yùn)行速度，因此，通過(guò)正交匹配追蹤法，獲取空間弱小人體目標(biāo)人臉圖像的雙向稀疏表示。

1.3 粒子濾波空間弱小人體目標(biāo)跟蹤

粒子濾波的計(jì)算主要通過(guò)弱小空間人體目標(biāo)人臉圖像樣本均值，改變積分的計(jì)算過(guò)程，并通過(guò)隨機(jī)粒子，改變概率密度函數(shù)，以得到狀態(tài)最小方差估算值[12]。

在目標(biāo)信號(hào)內(nèi)，通過(guò)式(11)計(jì)算人臉圖像狀態(tài)移動(dòng)模型，通過(guò)式(12)計(jì)算觀測(cè)模型，且目標(biāo)在k時(shí)刻時(shí)，通過(guò)zk表示空間弱小人體目標(biāo)人臉圖像的觀測(cè)參數(shù)，xk表示人臉圖像的狀態(tài)參數(shù):

式中:h表示一個(gè)觀測(cè)模型；f表示一個(gè)狀態(tài)轉(zhuǎn)移模型；uk-1表示目標(biāo)跟蹤中產(chǎn)生的噪聲；vk表示目標(biāo)觀測(cè)中產(chǎn)生的噪聲，二者不存在聯(lián)系。

對(duì)于較多測(cè)量點(diǎn)內(nèi)，且反復(fù)存在的目標(biāo)，通過(guò)人臉圖像進(jìn)行識(shí)別與認(rèn)定的過(guò)程，即為空間弱小人體目標(biāo)跟蹤，其過(guò)程隨機(jī)變化，且不容易確定。 由于空間弱小人體目標(biāo)的狀態(tài)能夠通過(guò)移動(dòng)時(shí)刻的“動(dòng)作”進(jìn)行判定，即目標(biāo)在移動(dòng)時(shí)刻可能發(fā)生的觀測(cè)幾率P(zk｜xk)與狀態(tài)移動(dòng)幾率P(xk｜zk-1)可由目標(biāo)信號(hào)的觀測(cè)模型與狀態(tài)移動(dòng)模型改變獲得，所以，經(jīng)運(yùn)算后驗(yàn)概率P(xk｜z1:k)可通過(guò)k時(shí)刻的狀態(tài)估計(jì)轉(zhuǎn)化得到，并且可依據(jù)貝葉斯，對(duì)遞推進(jìn)行更新與預(yù)測(cè)。 通過(guò)式(13)描述目標(biāo)運(yùn)動(dòng)狀態(tài)的預(yù)測(cè)形式:

即依據(jù)已停止計(jì)算的上一時(shí)刻概率密度P(xk-1｜z1:k-1)，對(duì)P(xk｜z1:k-1)進(jìn)行估計(jì)，其為目前時(shí)刻中，目標(biāo)的先驗(yàn)概率。 因此，通過(guò)式(14)計(jì)算更新后的空間弱小人體目標(biāo)運(yùn)動(dòng)狀態(tài):

式中:P(xk｜z1:k-1)描述上一時(shí)刻的先驗(yàn)概率密度，z1:k為已停止計(jì)算的目前時(shí)刻觀測(cè)值，通過(guò)二者，能夠計(jì)算得到目前后驗(yàn)概率P(xk｜z1:k)。

通過(guò)粒子濾波，能夠獲取該概率函數(shù)的近似解，即將后驗(yàn)概率密度采用較多具有某些規(guī)律的隨機(jī)樣本加權(quán)和描述的過(guò)程。 將N個(gè)粒子和與之相應(yīng)的歸一化權(quán)值從空間弱小人體目標(biāo)運(yùn)動(dòng)情況的后驗(yàn)概率P(xk｜z1:k)內(nèi)選出，則可通過(guò)表示目標(biāo)粒子的后驗(yàn)概率的分散情況，并通過(guò)式(15)計(jì)算:

式中:k時(shí)刻粒子的權(quán)值可通過(guò)式(16)計(jì)算:

式中:關(guān)鍵密度函數(shù)由q(·)描述，且通常情況下，關(guān)鍵密度函數(shù)由q()表示。

根據(jù)上述所獲取的雙向稀疏形式，若目標(biāo)粒子pt可由隨機(jī)粒子表示，則背景字典U1∈Rd×n1不能雙向稀疏操作粒子，即經(jīng)雙向稀疏后的目標(biāo)原子并不具有較大的殘余能量。 所以，若背景粒子pb由p代表，那么，就不能夠通過(guò)雙向稀疏的形式操作p，因此，操作后的目標(biāo)原子具有較高的殘余能量。 殘差能量能夠判斷目標(biāo)的字典與信號(hào)的相似度。

通過(guò)式(18)計(jì)算經(jīng)過(guò)目標(biāo)字典U2∈Rd×n2重新構(gòu)建后的粒子殘差:

式中:σ2參數(shù)主要用于控制，且其為均方差。 在目標(biāo)字典中，通過(guò)雙向稀疏表示的粒子擁有越低的殘差，則其具有更高的相對(duì)權(quán)值，若其與目標(biāo)原子信號(hào)類似性越高，則具有更高幾率發(fā)現(xiàn)待跟蹤目標(biāo)信號(hào)，使得跟蹤軌跡估算更精準(zhǔn)。

式中:(k-1)時(shí)刻的過(guò)完備字典由Uk-1描述；已更新的字典由Uk描述；在k時(shí)刻內(nèi)，空間弱小人體目標(biāo)人臉圖像信號(hào)由fk描述，人臉圖像信號(hào)經(jīng)Uk-1雙向稀疏操作后的系數(shù)由αk描述。

粒子濾波的整體實(shí)現(xiàn)過(guò)程為:

①粒子初始化處理:取k＝0，抽取N個(gè)樣本點(diǎn)，i＝1，…，N。

③計(jì)算權(quán)值:

④權(quán)值歸一化處理:

⑤重采樣處理:根據(jù)權(quán)值的歸一化計(jì)算結(jié)果，復(fù)制或者舍棄部分樣本，得到N個(gè)近似服從p(｜z1:k)分布的樣本，并且令＝1/N，i＝1，。

⑦重復(fù)步驟②至步驟⑥。

為了檢驗(yàn)粒子濾波的效果，選取100 個(gè)粒子進(jìn)行驗(yàn)證，結(jié)果如圖3 所示。

圖3 粒子濾波結(jié)果

從圖3 中可以看出，粒子濾波的結(jié)果都處在95%的置信區(qū)間中，因此，說(shuō)明粒子濾波的效果較好。

2 仿真分析

為了提高仿真結(jié)果的準(zhǔn)確性，采用OV5017 圖像傳感器采集空間弱小人體目標(biāo)的人臉圖像，并通過(guò)MC35i GPRS 無(wú)線通信模塊傳輸?shù)揭暰胺抡孳浖ega 中。 Vega 軟件中弱小人體目標(biāo)移動(dòng)示意圖如圖4 所示。

圖4 Vega 軟件中弱小人體目標(biāo)移動(dòng)示意圖

根據(jù)空間弱小人體目標(biāo)動(dòng)態(tài)情況設(shè)定圖像的目標(biāo)尺寸小于7×7 像素，大于2×2 像素，目標(biāo)和鄰域的相對(duì)灰度值滿足SCRN≤15%，并依據(jù)設(shè)定情況進(jìn)行仿真分析。

人臉特征識(shí)別結(jié)果如圖5 所示。

圖5 人臉特征識(shí)別結(jié)果

以測(cè)試集中的數(shù)據(jù)為基礎(chǔ)，設(shè)定不同目標(biāo)數(shù)量，分析本文方法的目標(biāo)識(shí)別率，并選取參考文獻(xiàn)[8]提出的全卷積遞歸網(wǎng)絡(luò)方法與參考文獻(xiàn)[9]提出的深度遷移學(xué)習(xí)方法作為對(duì)比方法。 識(shí)別率計(jì)算公式為:

式中:Sed表示識(shí)別到的目標(biāo)結(jié)果，SGoal表示全部人體目標(biāo)。

識(shí)別率測(cè)試結(jié)果如圖6 所示。

圖6 不同方法目標(biāo)識(shí)別率

根據(jù)圖6 所示，隨著目標(biāo)數(shù)量的上升，三種方法的弱小人體目標(biāo)識(shí)別率逐漸上升，其中，全卷積遞歸網(wǎng)絡(luò)方法始終保持最低的目標(biāo)識(shí)別率，在目標(biāo)數(shù)量為50 個(gè)時(shí)，識(shí)別率僅有65%，而深度遷移學(xué)習(xí)方法的目標(biāo)識(shí)別率高于全卷積遞歸網(wǎng)絡(luò)方法，而本文方法的目標(biāo)識(shí)別率明顯高于兩種傳統(tǒng)方法，當(dāng)目標(biāo)數(shù)量為50 個(gè)時(shí)，其目標(biāo)識(shí)別率為82%，當(dāng)目標(biāo)數(shù)量為250 個(gè)時(shí)，本文方法的目標(biāo)識(shí)別率最高，為97%，表明本文方法具有最高的目標(biāo)識(shí)別率，能夠有效識(shí)別小目標(biāo)的特征。

分析本文方法在弱小人體目標(biāo)運(yùn)動(dòng)情況下的跟蹤能力，比較三種方法在同一速度、不同信噪比時(shí)，對(duì)目標(biāo)圖像中位置跟蹤的誤差，結(jié)果如表1 所示。

表1 不同信噪比時(shí)三種方法的位置跟蹤平均誤差

根據(jù)表1 可知，隨著信噪比逐漸增加，三種方法的位置跟蹤平均誤差有所降低，其中，全卷積遞歸網(wǎng)絡(luò)方法的跟蹤誤差要同時(shí)大于深度遷移學(xué)習(xí)方法與本文方法，而深度遷移學(xué)習(xí)方法在SNR ＝1 時(shí)，平均誤差為18.26，本文方法誤差僅為9.23。 因此，在任何信噪比下，本文方法的位置跟蹤平均誤差較低。

對(duì)比不同方法在目標(biāo)跟蹤過(guò)程中的檢測(cè)概率與虛警概率，檢測(cè)概率越高、虛警概率越低說(shuō)明跟蹤效果越好。

檢測(cè)概率的計(jì)算公式為:

式中:K表示檢測(cè)門限值，μ表示檢測(cè)噪聲均值，σ表示檢測(cè)噪聲方差，Q表示檢測(cè)的概率密度。

虛警概率的計(jì)算公式為:

式中:λf表示錯(cuò)誤預(yù)警次數(shù)，λtotal表示全部的預(yù)警次數(shù)。

檢測(cè)概率與虛警概率的對(duì)比結(jié)果如圖7 所示。

當(dāng)目標(biāo)不存在于跟蹤區(qū)域時(shí)，則發(fā)生虛警，若目標(biāo)存在于跟蹤區(qū)域，則跟蹤有效。 因此，根據(jù)圖7 可知，三種方法的檢測(cè)概率都要大于虛警概率，說(shuō)明三種方法都具有較好的跟蹤能力。 其中，深度遷移學(xué)習(xí)方法的檢測(cè)概率最低，虛警概率最高，達(dá)到35%，全卷積遞歸網(wǎng)絡(luò)方法的檢測(cè)概率在80%左右，本文方法的檢測(cè)概率可達(dá)到99%左右，且虛警概率最低，說(shuō)明本文方法在跟蹤過(guò)程中性能較為穩(wěn)定。

圖7 不同方法的檢測(cè)概率與虛警概率

重疊率是指跟蹤區(qū)域與人為標(biāo)記真實(shí)目標(biāo)區(qū)域之間的關(guān)系，重疊率越大，跟蹤效果越好，反之越差。重疊率公式為:

式中:S1為跟蹤區(qū)域，S2為人為標(biāo)記真實(shí)目標(biāo)區(qū)域。

三種方法的跟蹤區(qū)域重疊率對(duì)比結(jié)果如圖8所示。

圖8 跟蹤區(qū)域重疊率對(duì)比結(jié)果

觀察圖8 所示的目標(biāo)跟蹤序列結(jié)果可知，本文方法重疊率在各個(gè)視頻序列中比較穩(wěn)定，其重疊率大概維持在0.70～0.98 之間，故本文方法性能明顯優(yōu)于其他兩種經(jīng)典算法，其穩(wěn)定性和精準(zhǔn)性大大提高。

3 結(jié)論

本文研究了基于無(wú)線傳感人臉識(shí)別的空間弱小人體目標(biāo)跟蹤方法，有效結(jié)合SRC 算法、正交匹配追蹤法(OMP)和粒子濾波算法，共同實(shí)現(xiàn)空間弱小人體目標(biāo)跟蹤，估算目標(biāo)運(yùn)動(dòng)軌跡。 仿真結(jié)果表明，本文方法在弱小人體目標(biāo)跟蹤方面優(yōu)勢(shì)顯著，可將虛警概率控制在一定范圍內(nèi)，最高虛警率不超過(guò)20%。 在未來(lái)研究階段，可根據(jù)現(xiàn)階段研究基礎(chǔ)，繼續(xù)對(duì)空間其他目標(biāo)的跟蹤與識(shí)別進(jìn)行研究，擴(kuò)大研究成果的應(yīng)用范圍。