基于KCF算法的老人监护系统中目标识别与跟踪

喻恒

【摘 要】将KCF目标跟踪算法应用于基于姿态识别的老人视频监控中，在对空巢老人看护现状和老人姿态识别的视频监护分析的基础上，提出了将KCF应用于姿态识别初期的老人目标跟踪和识别，经过实验，KCF算法可以正确有效地识别跟踪人体目标，为后期的姿态特征提取和动作识别打下良好的基础。

【关键词】老人监护；目标跟踪；KCF

中图分类号：TP391.41 文献标识码： A 文章编号： 2095-2457（2018）25-0142-002

DOI：10.19694/j.cnki.issn2095-2457.2018.25.065

【Abstract】KCF target tracking algorithm is applied to the elderly video surveillances system based on gesture recognition.On the basis of the analysis of the status quo of empty nest elderly care and gesture recognition of the elderly，KCF is applied to target tracking and recognition for elderly people.Through experiments， the KCF algorithm can identify human targets correctly and effectively.It lays a good foundation for later posture feature extraction and action recognition.

【Key words】Elderly monitoring； Target tracking； KCF

0 背景

随着生活水平的不断提高，我国开始逐渐步入老龄化社会，老年问题也开始受到多方关注，目前，我国有65岁及以上老年人达到15831万人，我国大中城市老年空巢家庭率已达到70%[1]，这些家庭基本上子女是长期无法在身边陪伴，而且几乎90%以上的老人都患有各类慢性疾病，同时由于养老医疗服务和家政服务发展缓慢，空巢老人缺乏基本的日常生活照料和专业的医疗护理，而且情感上也缺乏沟通和交流，从而导致空巢家庭生活存在各种安全隐患[2]。据调查空巢老人因心脑血管突发疾病和意外跌倒是造成受到意外伤害中最为主要的原因，特别是空巢老人，如果不能及时的发现或抢救，死亡率会很高，但是在现有养老服务落后的情况下，安排护工、家政对老人进行实时看护推广难度较大，这就导致需要用科学技术手段解决以上问题，其中基于老人姿态监测的监护系统最近越来越受到重视。

1 研究现状

随着机器视觉在应用领域的快速发展，许多科研机构和学者也开始将基于机器视觉的行为识别应用于各个领域。美国的MIT、卡梅隆大学等科研机构合作开发了视频监视和监控系统（Video Surveillance and Monitoring，VSAM），该系统能够实时监测并且辨别识别出监控对象有危害性的行为[3]。中科院自动化研究所研发的“人的运动与行为视频分析”系统，能够对监控的人进行检测，同时根据目标的行为特征判断出异常行为并做出预警。清华大学通过检测针手肘的角度以及手势的运动特征等[4]，研发出一套智能教室系统。国内外相关研究逐渐增多，但是专门针对老人姿态的监测系统研究很少，基于姿态的监护系统即：全方位通过视频对老人的生活场所监控，并能够自动识别出老人的姿态或动作状态，结合动作特征通过智能算法判断出老人是否处于异常状态，是否急需帮助。

目前针对于行为识别的研究可划分为行为意图识别和姿态识别。计算机智能的理解或推测一个行为的意图被称为行为意图识别，通过分析提取动作的特征参数识别出动作类别的过程属于姿态识别。其中针对于行为意图的识别更多的应用于银行、煤矿等需要对人的危险行为意图做出判断预警的场合，如抢劫、矿井吸烟等，而对于老人的异常状态的检测，更多的适用于姿态识别。下层的动作识别首先要解决的是目标识别和跟踪的问题，然后提取有效的姿态特征和动作特征，从而判断老人的异常状态。因此本文要研究的就是针对室内老人目标准确的识别和实时跟踪。

2 KCF跟踪算法

综合近几年各类跟踪算法的应用，机器学习的方法得到的效果受到普遍认同，其中基于判别式的跟踪方法跟踪性能良好。该方法利用目标及其周围的背景信息，通过在线学习一个判别式的分类器，对候选样本进行评估来定位目标区域[5]。具有代表性的如CSK算法即基于循环结构的检测跟踪[6]，该算法针对于传统跟踪检测的样本不足，导致跟踪失败的情况，通过循环移位对训练样本和候选样本进行处理，人为的增加了采样密度，通过对灰度特征的训练获得可靠的目标外观模型和目标位置的检测。核相关滤波跟踪算法即KCF[7]在CSK算法基础上改进了特征提取的方法，没有使用灰度特征，而是采用方向梯度直方图（HOG）作为样本特征，并进一步优化了计算方式，实现了快速KCF算法，不仅提高了跟踪精度还获得了较好的实时响应。本文主要采用的就是KCF算法。

KCF算法基本流程是通过对目标循环移位的方式，人为的获得大量训练样本，通过HOG特征构建目标外观模型，训练一个正则化最小二乘分类器，利用核函數进行求解，以获得滤波模板。利用计算出的滤波模板对候选样本进行检测，，实现目标的识别与跟踪。

2.1 正则化最小二乘分类器的求解

KCF算法样本训练过程就是正则化最小二乘问题，首先需要对目标图像进行循环移位，获得大小为m×n的区域x的样本集xi（i∈{0，…，m-1}）×{0，…，n-1}。训练分类器f（x）进一步寻找到最小化风险参数ω，使得所有样本集与ri的平方误差和最小，ri为样本集对应的回归标签[5]。函数可表示为

min[f（xi）-yi]2+λ‖ω‖2（1）

其中λ‖ω‖2是最小化风险参数，又称为惩罚项，λ是正则化参数，可以防止过拟合，计算权值ω，求解如下，得到公式（2）：

w=（XTX+λI）-1XTy（2）

式中矩阵X的每行是样本的特征向量，y是对应的每个样本的回归值yi组成的列向量，为了方便在后面的频域计算，转化为下式。

w=（XHX+λI）-1XHy（3）

其中XH是X的共轭转置。

2.2 目标检测

目标检测是寻找移动目标在当前帧位置的过程。在当前帧选取与前一帧目标中心位置相同的坐标，提取基本候选样本，设样本为大小为m×n的图像块，建立目标外观模型。通过循环移位获取一系列样本集合，设为zi（i∈{0，1，…，m-1}×{0，1，…，n-1}）。对每一个候选样本zi进行检测，由上文提到的方式训练获得的权值系数，再根据r'i=（xj，zi）计算检测样本与目标的相似度的加权求和，得到分类器的响应值。为了降低运算量提高运算速度，求解转换为频域即如式（4）

r=F-1[F（k）·F（α）]（4）

KCF算法相比较其他算法运算速度更快，跟踪效果效果也很稳定，实现过程和计算方法十分简单，因此在老人姿态识别系统中，利用KCF算法对人物目标进行识别并进行跟踪，可獲得预期的效果。

3 实验结果与分析

为了验证算法在基于视频的家庭老人目标跟踪性能，采用标准库Benchmark视频库进行测试，从中选取50组人物视频模拟老人的目标场景，对实验结果进行分析。考虑到家庭视频监控中的目标识别环境，以及针对于老人目标移动缓慢、家庭空间限制情况，可分析目标尺度变化很小，只有桌椅家电对目标的遮挡，以及靠近窗户、打开电灯等遮挡物和光照亮度变化的情况。因此实验主要测试分析存在遮挡物和光照变化的人物目标识别与跟踪情况。

实验采用Windows10系统下运行Matlab2016b，主机参数：Intel COREi7，2.4GHz四核，2GB内存，由绿色框表示对目标跟踪的结果。通过对50组视频目标跟踪测试，选取具有代表性的图1，图2的实验测试结果，可以看出在遮挡物存在和光照亮度变化情况下，对于人物目标在视频中的跟踪比较准确，没有目标丢失和目标识别错误的情况，能够达到监控目的，为后期的目标姿态特征提取、识别提供了基础。

4 结论

针对空巢老人看护目前存在的问题，提出基于老人姿态识别的家庭视频监护，将KCF跟踪算法应用于监护系统对老人目标的识别和跟踪。KCF算法通过频域转换进一步降低了运算量，提高了运算速度，更加满足人物目标跟踪识别的实时性要求。经过实验分析KCF算法在复杂环境下目标跟踪具有精确度高、准确度好、响应迅速等特点，为老年人姿态识别系统的目标跟踪问题，提供了一个有效的方法，同时为后期的姿态识别奠定了基础。

【参考文献】

[1]王跃生.中国城乡老年人居住的家庭类型研究——基于第六次人口普查数据的分析[J].中国人口科学，2014（1）：20-32.

[2]赵明利，宋葆云等.我国城市空巢老人安全现状评估及对策[J]，全科护理，2011，9（3）：547-548.

[3]Collins R T，Lipton A，Kanade T，et al.A System for Video Surveillance and Monitoring[M].Carnegie Mellon University，the Robotics Institute Pittsburg， 2000：120-122.

[4]Ren H，Xu G.Human Action Recognition in Smart Classroom[C]//Automatic Face and Gesture Recognition， 2002.Proceedings.Fifth IEEE International Conference on. IEEE， 2002：417-422.

[5]高美凤，张晓玄.尺度自适应核相关滤波目标跟踪[J].激光与光电子学进展.2018，55（04）290-296.

[6]Henriques J F.Caseiro R.Martins P，et al.Exploiting the circulant structure of tracking-by-detection with kernels[C].European Conferenceon Computer Vsion.2012：702-705.

[7]Henriques J F.Caseiro R.Martins P，et al.High-speed tracking with kernelized correlation filters[J].IEEE Transactionson Pttern Aanalysisand Machine Intelligence 2015.37（3）：583-596.

[8]曲中鑫，老人监护系统中的姿态识别算法研究[D].哈尔滨工业大学，2015.