摘 要：傳統(tǒng)跟蹤優(yōu)化方法直接對運(yùn)動目標(biāo)進(jìn)行檢測，并沒有對人員運(yùn)動軌跡優(yōu)化模型進(jìn)行構(gòu)建，因此傳統(tǒng)方法蹤效果較差。本文提出工廠區(qū)域內(nèi)人員軌跡魯棒性跟蹤優(yōu)化方法研究。通過構(gòu)建人員運(yùn)動軌跡優(yōu)化模型來提高運(yùn)動軌跡跟蹤精度，設(shè)計(jì)運(yùn)動目標(biāo)檢測流程，對運(yùn)動目標(biāo)進(jìn)行檢測，基于魯棒性算法生成可視化運(yùn)動軌跡，完成工廠區(qū)域內(nèi)人員軌跡魯棒性跟蹤優(yōu)化方法設(shè)計(jì)，并進(jìn)行對比試驗(yàn)。試驗(yàn)結(jié)果表明，該研究方法在實(shí)際應(yīng)用中跟蹤效果最好，值得推廣。

關(guān)鍵詞：人員軌跡；魯棒性；跟蹤優(yōu)化；跟蹤方法

中圖分類號：G 642" " " " " " 文獻(xiàn)標(biāo)志碼：A

工廠區(qū)域內(nèi)人員軌跡跟蹤是對人員的位置和移動信息進(jìn)行采集和處理，從而獲得人員的移動路徑[1]。由于人員行為的復(fù)雜性和環(huán)境干擾的多樣性，因此影響了軌跡跟蹤的準(zhǔn)確性和魯棒性[2]。國內(nèi)外學(xué)者在工廠區(qū)域內(nèi)人員軌跡跟蹤方面進(jìn)行研究[3]，采用基于深度學(xué)習(xí)的數(shù)據(jù)預(yù)處理方法提取有效特征和提高數(shù)據(jù)質(zhì)量；采用基于機(jī)器學(xué)習(xí)的軌跡建模方法建立人員的移動模式和行為習(xí)慣模型。但是現(xiàn)有的研究方法仍存在一定的局限性，例如數(shù)據(jù)處理復(fù)雜度高、軌跡建模難度大等。因此，需要進(jìn)一步研究。針對現(xiàn)有研究的不足和實(shí)際應(yīng)用需求，本文提出一種全新的工廠區(qū)域內(nèi)人員軌跡魯棒性跟蹤優(yōu)化方法，旨在提高工廠區(qū)域內(nèi)人員軌跡跟蹤的準(zhǔn)確性和魯棒性，為工廠的安全生產(chǎn)和運(yùn)營管理提供有力支持。

1 工廠區(qū)域內(nèi)人員軌跡魯棒性跟蹤優(yōu)化方法

1.1 構(gòu)建人員運(yùn)動軌跡優(yōu)化模型

在人員運(yùn)動的跟蹤過程中分析人員運(yùn)動的原理，并建立人員運(yùn)動軌跡的優(yōu)化模型[4]。在建立運(yùn)動模型的過程中，如果人員加速度的方向和速度發(fā)生顯著變化，那么應(yīng)建立強(qiáng)機(jī)動模型，以保證模型移動的準(zhǔn)確性。工廠區(qū)域內(nèi)人員在運(yùn)動過程中總是保持相似的速度，即使特殊情況發(fā)生短期變化，運(yùn)動情況也不會改變。假設(shè)人員在t時(shí)刻運(yùn)動中的位置為Xt，那么運(yùn)動模型如公式（1）所示。

（1）

式中：Vt為人員運(yùn)行速度Pt為人員位置。

利用勻速直線運(yùn)動的計(jì)算方法可以確定改變?nèi)藛T的位置和速度，得到二者之間的關(guān)系，如公式（2）所示。

（2）

式中：wt-1為t-1時(shí)刻的高斯白噪聲；Pt，Pt-1分別為t和t-1時(shí)刻的位置；Vt、vt-1為和t-1時(shí)刻的速度；?t為時(shí)間變化[5]。利用勻加速并依托于勻加速直線運(yùn)動，假設(shè)人員運(yùn)動方式在一維空間內(nèi)的公式，人員位置、速度在勻加速運(yùn)動模式下的轉(zhuǎn)換公式如公式（3）所示。

（3）

式中：at、at-1分別為t和t-1時(shí)刻的相同加速度平均值，并且在該時(shí)間（Pt，Vt，at）確定人員在t時(shí)刻的運(yùn)動位置。結(jié)合上述公式，根據(jù)實(shí)際情況，可以確定人員在恒定速度和恒定加速度條件下具有較高的運(yùn)動軌跡跟蹤精度。

根據(jù)公式（3）得到人員運(yùn)動軌跡優(yōu)化模型，如公式（4）所示。

xt=Fxt-1+wt-1 " " " " " " " " " " " " " "（4）

式中：F為人員運(yùn)動狀況轉(zhuǎn)變函數(shù)；xt為t時(shí)刻的運(yùn)動狀態(tài)值；xt-1為t-1時(shí)刻運(yùn)動狀態(tài)值。

1.2 運(yùn)動目標(biāo)檢測

在上述人員運(yùn)動軌跡優(yōu)化模型構(gòu)建的基礎(chǔ)上，根據(jù)目標(biāo)跟蹤的性能要求，將模型帶入運(yùn)動目標(biāo)檢測過程中，將目標(biāo)運(yùn)動圖像作為原始背景的第一幀，并采用平均選擇方法來獲得完整的圖像。具體操作如下：使用幀差法獲取目標(biāo)圖像背景序列，在保持背景常數(shù)的同時(shí)定義目標(biāo)區(qū)域?yàn)?。因?yàn)閹罘ú恍枰獜?fù)雜的數(shù)學(xué)模型和大量計(jì)算，所以采用幀差法。只需對當(dāng)前幀圖像與背景模型進(jìn)行簡單的像素級別比較即可，并且該方法適應(yīng)性好，其對目標(biāo)物體的外觀和形狀變化具有較好的適應(yīng)性，能夠適應(yīng)不同場景和光照條件下目標(biāo)物體的變化。幀差法獲取目標(biāo)圖像背景序列的計(jì)算過程如公式（5）所示。

（5）

式中：p為閾值；li為第i幀圖像；Bi（x，y）為背景序列圖像。

當(dāng)取Bi（x，y）的值時(shí)，計(jì)算并得到c（x，y）取值次數(shù)，其中像素的值為0。

求和取背景序列圖像平均值，計(jì)算過程如公式（6）所示。

（6）

選擇雙參數(shù)，并使用基本差分法獲得Jxyz的不同圖片，如公式（7）所示。

（7）

式中：abs為人員個(gè)數(shù)值。

在獲得原始背景圖像后，使用選擇平均法，將當(dāng)前圖像劃分為背景，并使用基本差分法將其移動到目標(biāo)區(qū)域中。重新計(jì)算以最終實(shí)現(xiàn)目標(biāo)層的背景提取[6]。運(yùn)動物體檢測主要采用改進(jìn)的幀差背景方法來獲取目標(biāo)圖像，并引入背景差方法來獲取運(yùn)動物體的坐標(biāo)位置，對運(yùn)動目標(biāo)進(jìn)行檢測。該步驟的詳細(xì)流程如圖1所示。

根據(jù)圖1可知，運(yùn)動目標(biāo)檢測流程由多個(gè)步驟組成，其核心是獲取當(dāng)前幀圖像，并且在此時(shí)運(yùn)行人員運(yùn)動軌跡優(yōu)化模型，然后設(shè)置目標(biāo)區(qū)域?yàn)?，獲取差分圖像，形態(tài)學(xué)操作圖像，檢測運(yùn)動目標(biāo)，判斷其與實(shí)際是否相符，如果相符，則輸出結(jié)果，如果不相符，則重新獲取差分圖像，并且重復(fù)執(zhí)行后續(xù)操作。由此可知，改進(jìn)基本差分背景建模方法，應(yīng)用到目標(biāo)圖像中，得到目標(biāo)圖像的背景圖像。計(jì)算當(dāng)前圖像li（x，y）與下面指定的目標(biāo)圖像之間的差值K（x，y），如公式（8）所示。

K（x，y）=|li（x，y）-Bi（x，y）| " " " " " " " " "（8）

對圖像進(jìn)行雙重處理，使用多次重復(fù)獲得適當(dāng)閾值，并最終獲得雙重圖像Hi（x，y），如公式（9）所示。

（9）

為了使目標(biāo)更完整進(jìn)行人員檢測，對后形態(tài)學(xué)活動的雙重圖像進(jìn)行處理，同時(shí)從物體的圖像中去除不必要的像素，從而完成檢測。為了保證目標(biāo)檢測的準(zhǔn)確性，需要對檢測到的目標(biāo)進(jìn)行真實(shí)性判斷。如果一致，則結(jié)束，如果不一致，則進(jìn)入迭代直至一致。

1.3 基于魯棒性算法生成可視化運(yùn)動軌跡

檢測運(yùn)動目標(biāo)后，為了提高軌跡跟蹤的魯棒性，設(shè)計(jì)一種魯棒性強(qiáng)的優(yōu)化算法。該算法采用卡爾曼濾波算法，結(jié)合軌跡模型和實(shí)時(shí)數(shù)據(jù)，對人員軌跡進(jìn)行實(shí)時(shí)跟蹤和優(yōu)化。因?yàn)榭柭鼮V波有3個(gè)主要優(yōu)點(diǎn)，所以將其作為魯棒性算法的一部分。1）狀態(tài)估計(jì)。卡爾曼濾波器可以利用歷史觀測數(shù)據(jù)和運(yùn)動模型，對系統(tǒng)的狀態(tài)進(jìn)行估計(jì)。在人員軌跡跟蹤中，可以利用當(dāng)前的觀測數(shù)據(jù)和運(yùn)動模型對人員的位置和速度等狀態(tài)進(jìn)行預(yù)測。2） 適應(yīng)性?？柭鼮V波器可以根據(jù)觀測值和模型的準(zhǔn)確性調(diào)整狀態(tài)估計(jì)的權(quán)重，適應(yīng)不同噪聲的估計(jì)需求。3）魯棒性。采用卡爾曼濾波器對觀測誤差和模型噪聲建模，能夠提供對噪聲和不確定性的魯棒性處理，減少噪聲對估計(jì)結(jié)果的影響。基于此，根據(jù)人員運(yùn)動模型和當(dāng)前空間坐標(biāo)計(jì)算運(yùn)動軌跡，得到人員運(yùn)動軌跡參數(shù)。在運(yùn)動軌跡參數(shù)的基礎(chǔ)上建立運(yùn)動軌跡的跟蹤算法。利用工作人員軌跡的長度S和運(yùn)行速度參數(shù)Vship，在魯棒性計(jì)算公式中，將上述2個(gè)參數(shù)作為基線參數(shù)，以獲得初始工作人員位置X0，如公式（10）所示。

（10）

式中：V0為人員操作的速度；P0為人員的初始位置。根據(jù)人員的初始位置計(jì)算結(jié)果，采用魯棒性算法得到員工操作軌跡的實(shí)際時(shí)間跟蹤結(jié)果。分析人員的初始移動狀態(tài)并獲取其軌跡。由于預(yù)測中存在噪聲，因此需要去除噪聲。噪聲狀態(tài)如公式（11）所示。

Pt=FPt-1Ft+Qt-1 " " " " " " " " " " " " " "（11）

式中：Pt為當(dāng)前噪聲；Ft為人員運(yùn)動軌跡的測量值；Qt-1為噪聲協(xié)方差。

含噪聲的觀測值公式如公式（12）所示。

Zt=Xt+H " " " " " " " " " " " " " " " " " （12）

式中：H為觀測到的噪聲。

如果人員的觀測值與預(yù)測值之比用Kt表示，那么其計(jì)算過程如公式（13）所示。

Kt=Pt·（HPt+R）-1 " " " " " " " " " " " " （13）

式中：R為噪聲觀測差值用，根據(jù)結(jié)果與實(shí)際軌跡的預(yù)期相關(guān)性，更新人員運(yùn)動軌跡測量值如公式（14）所示。

xt=x0+Kt " " " " " " " " " " " " " " " " "（14）

在更新人員運(yùn)動軌跡測量值后，更新目前的噪聲狀況如公式（15）所示。

Pt'=（1-KtH） " " " " " " " " " " " " " " "（15）

在人員運(yùn)動軌跡測量達(dá)到最佳收斂情況后，對人員運(yùn)動軌跡進(jìn)行調(diào)整。針對軌跡中卡爾曼濾波算法跟蹤精度低的問題，本文采用一種強(qiáng)跟蹤魯棒性算法來提高人員操作軌跡的跟蹤精度，該算法使用了折減系數(shù)和舍入系數(shù)λt表示改善后的噪聲條件，如公式（16）、公式（17）所示。

Pt\"=λt-1FPt-1+Qt-1 " " " " " " " " " " " （16）

（17）

在公式（16）、公式（17）中引入衰減因子ct，其可以有效地控制算法的收斂速度，從而增強(qiáng)軌跡跟蹤算法的收斂性，利用強(qiáng)跟蹤方法來改進(jìn)算法，進(jìn)一步提升人員運(yùn)動軌跡跟蹤的精度。

使用運(yùn)動軌跡跟蹤算法獲取人員軌跡數(shù)據(jù)。由于缺少在當(dāng)前軌跡數(shù)據(jù)中顯示的時(shí)間信息，因此不能監(jiān)測人員的圓周運(yùn)動或停滯問題，也不可能準(zhǔn)確地表達(dá)人員的運(yùn)動狀態(tài)。本文添加時(shí)間維度，使最初的人員運(yùn)動軌跡產(chǎn)生在三維空間中。以時(shí)間坐標(biāo)軸為Z軸，結(jié)合人員的二維軌跡數(shù)據(jù)，利用OpenGL三維建模技術(shù)創(chuàng)建三維空間坐標(biāo)軸。利用軌跡三維坐標(biāo)，將軌跡跟蹤結(jié)果顯示在XOY平面上。創(chuàng)建人員移動場景，并在此基礎(chǔ)上展示實(shí)際移動情況。以建模形式呈現(xiàn)視覺移動軌跡指標(biāo)，并在關(guān)鍵結(jié)構(gòu)信息的基礎(chǔ)上組合多個(gè)用戶性能場景，通過場景間分析獲得人員整體運(yùn)行軌跡。

2 試驗(yàn)論證

為驗(yàn)證本文所提工廠區(qū)域內(nèi)人員軌跡魯棒性跟蹤優(yōu)化方法在跟蹤魯棒性方面的優(yōu)勢，將傳統(tǒng)方法一與傳統(tǒng)方法二作為對照組，進(jìn)行對比試驗(yàn)。為了與本文方法進(jìn)行比較，設(shè)置對比方法，以評估本文方法的優(yōu)劣。選擇傳統(tǒng)方法作為對照組，將本文方法與常用方法進(jìn)行比較，有助于驗(yàn)證本文方法的創(chuàng)新性，并展示本文方法相對于傳統(tǒng)方法的優(yōu)點(diǎn)。

2.1 試驗(yàn)準(zhǔn)備

本文使用MOT數(shù)據(jù)集和實(shí)際監(jiān)控視頻集作為訓(xùn)練和測試的數(shù)據(jù)集。本試驗(yàn)采用的計(jì)算機(jī)配置了NVIDIA TSLA K40c圖形卡。在此基礎(chǔ)上構(gòu)建試驗(yàn)環(huán)境。為了評估模型檢測性能，本文采用魯棒性作為評價(jià)指標(biāo)。在真實(shí)的監(jiān)控視頻數(shù)據(jù)環(huán)境下，將傳統(tǒng)方法一、傳統(tǒng)方法二與本文方法進(jìn)行對比。以3種方法的跟蹤魯棒性為評價(jià)指標(biāo)，對比它們的引用性能。跟蹤魯棒性的計(jì)算過程如公式（18）所示。

（18）

式中： N為跟蹤閾值；F為方法的跟蹤魯棒性； fi為跟蹤失敗的索引數(shù)；δ為初始化參數(shù)。通過上述公式計(jì)算方法的跟蹤魯棒性。試驗(yàn)中，利用上述3種方法分別對5組試驗(yàn)區(qū)域進(jìn)行測試，并對其進(jìn)行記錄，其測試結(jié)果見表1。

2.2 對比試驗(yàn)

從表1可以看出，在上述結(jié)果中傳統(tǒng)方法一和傳統(tǒng)方法二的魯棒性平均為25.25%和34.86%，分別平均比本文方法高17.95%和26.94%，因此本文設(shè)計(jì)的方法在實(shí)際應(yīng)用中跟蹤效果最好，值得推廣。

3 結(jié)語

本文對工廠區(qū)域內(nèi)人員軌跡的魯棒性跟蹤優(yōu)化方法進(jìn)行深入研究。針對現(xiàn)有研究的不足和實(shí)際應(yīng)用的需求，提出了一種全新的軌跡跟蹤優(yōu)化方法。試驗(yàn)結(jié)果表明，本文方法在提高軌跡跟蹤的準(zhǔn)確性和魯棒性方面具有顯著優(yōu)勢，為工廠的安全生產(chǎn)和運(yùn)營管理提供了有力支持，為相關(guān)領(lǐng)域的發(fā)展提供一定的理論和實(shí)踐支持。

參考文獻(xiàn)

[1]徐智超，文曉燕，張雷.融入模糊補(bǔ)償?shù)臋C(jī)械臂軌跡跟蹤預(yù)測控制[J].組合機(jī)床與自動化加工技術(shù)，2023（9）：72-76，81.

[2]張炳力，佘亞飛.基于深度強(qiáng)化學(xué)習(xí)的軌跡跟蹤橫向控制研究[J].合肥工業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2023，46（7）：865-872.

[3]陳濤，朱華中，劉安東，等.帶有時(shí)變輸出約束的機(jī)械臂自適應(yīng)軌跡跟蹤控制[J].小型微型計(jì)算機(jī)系統(tǒng)，2023，44（7）：1428-1433.

[4]閔超，詹煒，張?jiān)?，?基于匈牙利算法和LSTM網(wǎng)絡(luò)的儲糧害蟲軌跡跟蹤及行為研究[J].中國糧油學(xué)報(bào)，2023，38（3）：28-34.

[5]張鐵，曹亞超，鄒焱飚，等.具有線性位置解的3-CRU并聯(lián)人員軌跡跟蹤[J].華中科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2023，51（6）：16-22.

[6]聶振邦，于海斌.基于參考軌跡的移動人員避碰決策及軌跡跟蹤方法[J].計(jì)算機(jī)集成制造系統(tǒng)，2023，29（9）：2879-2889.