0 引言

视频目标跟踪技术是计算机视觉领域的重要研究课题之一，目前已被应用于人员跟踪定位、智能交通系统、飞机跟踪监控、智能机器人等领域。将视频目标跟踪技术应用到煤矿井下，对提高煤矿自动化、信息化、智能化水平，减少煤矿井下作业人员具有重要的理论意义和实用价值[1-4]。煤矿井下环境特殊，如光照强度低且不均匀、采煤工作面煤尘浓度大、有喷雾等[5]，将现有视频目标跟踪方法直接应用到煤矿井下容易造成目标丢失，跟踪效果不理想[6-10]。

近年来，由于目标检测技术研究取得了重大突破，检测式视频目标跟踪方法的定位准确率也大幅提高。检测式视频目标跟踪将任务分解为跟踪、检测、学习3个部分。跟踪器提取目标特征，建立目标外观模型，用于帧间跟踪目标；检测器根据外观模型训练分类器，用于检测下一帧图像中目标的位置；学习器用于评估检测器并更新。在目标跟踪过程中，提取的特征越多，越有利于跟踪的准确性，但提取的特征过多会增加时间复杂度。为降低时间复杂度，可在跟踪部分采用压缩感知方法来减少特征计算时间，即采用极低的采样频率进行数据采样，并从采样数据中精确地恢复原始信号。在检测部分，分类器的选择至关重要，不同类型的分类器会对目标检测精度产生不同影响。根据分类器外观模型不同，跟踪算法可分为判别式[11-12]和生成式[13-14]。判别式跟踪算法提取具有判别性的目标特征，依据目标特征找到目标边界，将其从背景中分离出来；生成式跟踪算法依据当前帧建立目标模型，在下一帧图像中对图像相关区域进行搜索，寻找与目标模型最匹配的区域。在煤矿井下特殊环境中，利用背景信息进行图像跟踪，可有效提升跟踪的稳定性和精确度，因此宜采用判别式跟踪算法。

本文针对工作面采煤机跟踪问题，采用检测式视频目标跟踪方法对目标进行图像跟踪处理，提出了一种采煤机视频压缩感知跟踪方法。首先采用矩形滤波器对图像进行归一化处理，获取特征向量；然后依据压缩感知理论，对目标样本和背景样本的Haar-like特征向量进行压缩处理，并采用压缩后的特征向量训练朴素贝叶斯分类器；最后通过训练好的分类器对目标图像和背景图像进行区分，实现目标动态跟踪。

1 图像预处理

不同光照强度对于所处理图像有不同影响。为降低该影响，需要对图像进行归一化处理，即光照修正。归一化公式：

(1)

式中：(x，y)为图像像素坐标；I′(x,y)为归一化后的图像；I(x,y)为原始图像；μ为图像均值；c为常数，取为1；σ为图像标准差。

不同距离对所处理图像有不同影响。为降低该影响，采用1组不同尺度的矩形滤波器{h1,1(x,y)，h2,2(x,y),…,hm,n(x,y)}(m，n分别为矩形滤波器的宽度和高度)，对每个样本XA分别进行卷积处理，得到处理后的图像：

Xm,n=hm,n(x,y)⊗XA

(2)

归一化矩形滤波器形式：

(3)

将滤波处理后的图像依次展开成一个m×n维的列向量Xm,n，并将这些列向量首尾相连，得到原始样本XA的归一化特征向量X=(X1，X2，…，Xm)T，其维度为(mn)2。

2 图像特征提取

提取的特征选择Haar-like特征。对于Haar-like特征来说，识别物体需要扫描得到大量的样本窗口，并计算每一个样本窗口对应的子图像特征值，该过程会产生较大的计算量。同时，为了实现尺度不变性，计算量将进一步增大。大量的计算会降低分类器训练和检测的速度。为保证系统实时性，采用稀疏随机测量矩阵进行特征降维，然后采用积分图像法快速计算矩形的相应特征值。

依据压缩感知理论，可通过采样尽可能少的观测信号来获取逼近原始信号所需的信息，从而实现对信号的降维处理。压缩感知中有2个重要的概念：随机投影和随机测量矩阵。一个位于高维的原始特征空间向量X∈Rn，利用矩阵P∈Rm×n将高维特征向量投影到低维压缩域，得到u=PX(u为低维压缩特征空间向量，u∈Rm,m≪n)，这一过程就是随机投影，矩阵P即随机测量矩阵。文献[11]指出，如果随机测量矩阵满足Johnson-Lindenstrauss准则，就可以把图像从压缩域中以最小错误重新构建，并提出一种稀疏随机测量矩阵，其第i行，第j列元素：

(4)

式中s=n/4。

积分图像法中的积分定义：

(5)

式中J(x,y)为图像在(x,y)处的积分值；G(x′,y′)为图像在(x′,y′)处的灰度值。

式(5)只需在初始计算原始图像积分时运算1次，在之后的跟踪过程中，通过行的累计和(式(6))来进行积分计算，如式(7)所示。

S(x,y)=S(x,y-1)+I(x,y)

(6)

J(x,y)=J(x-1,y)+S(x,y)

(7)

对原始图像进行积分运算的初始条件为S(x,-1)=0，J(-1,y)=0。每一行都是先计算S(x,y)，然后再每一列计算J(x,y)。

3 分类器构建及更新

在井下目标跟踪过程中，动态目标跟踪比静态目标跟踪更有利于提高跟踪可靠性。本文采用目标样本和背景样本的特征建立目标模型，并对分类器进行更新，实现动态跟踪。

在第k帧图像中目标所在区域范围内采集若干目标正样本图片，在目标所在区域外采集若干背景负样本图片，然后对样本图片进行特征提取，构建高维的多尺度图像特征向量，然后通过一个固定的稀疏随机测量矩阵对特征向量进行降维，采用降维后的特征向量构建目标模型，并训练分类器。在第k+1帧图像中，首先对跟踪到的目标进行采样，在目标周围采样若干个扫描窗口并提取其特征，通过相同的稀疏随机测量矩阵进行降维，最后采用第k帧图像训练好的分类器分类，将其中得分最多的扫描窗口作为跟踪到的目标位置，并更新分类器。

文献[15]指出，高维随机向量的随机投影几乎都是高斯分布的。选取正样本压缩后的第j个特征所服从高斯分布的均值方差以及负样本压缩后的第j个特征所服从高斯分布的均值方差来表示第k帧图像对应的目标模型

对每个样本XA(n维向量)，设其低维特征向量为u(m维向量，m≪n)。假设u中的各个元素是独立分布的，用a∈{0,1}代表样本标签，a=1表示正样本，a=0表示负样本，并假定正负样本的先验概率相等，即p(a=1)=p(a=0)。通过简单的朴素贝叶斯分类器对特征分类，得到分类器响应：

(8)

式中uj为样本图像的第j个特征。

假设分类器响应H(u)中的条件概率过在第k+1帧图像中目标周围采样若干正样本和负样本并进行提取特征，计算出所有样本的均值μ1和方差σ1，通过式(9)、式(10)对目标模型进行更新，实现动态跟踪。

(9)

(10)

式中：λ为学习因子，λ>0；为第k帧样本图像的第j个特征；

4 方法试验

采用井下采煤机视频，在配置为i5处理器、8 GB内存的计算机上对采煤机视频压缩感知跟踪方法进行了试验。试验过程中，该方法的平均处理速度达22 帧/s。

为测试该方法对目标移动、遮挡，环境照度不均匀、快速变化等问题的处理效果，选取工作面采煤机跟踪图像的若干帧进行分析，如图1所示。第8帧图像出现强烈反光，第13帧、第34帧图像中煤尘浓度大，第48帧图像中煤块脱落造成遮挡，第113帧、第134帧图像中采煤机移动到边界。从图1可看出，针对跟踪过程中遇到的目标移动、遮挡及环境影响等问题，提出的方法都可以对采煤机进行有效跟踪。

5 结语

针对采煤机工作环境中光照强度低且不均匀、煤尘浓度大等问题，提出了一种采煤机视频压缩感知跟踪方法。该方法采用矩形滤波器对图像进行归一化处理，获取特征向量，基于压缩感知理论对目标样本和背景样本的Haar-like特征向量进行压缩，采用朴素贝叶斯分类器对压缩后的特征向量进行识别。试验结果表明，该方法对采煤机移动、遮挡，环境照度不均匀、快速变化等具有较强的鲁棒性。

(a) 第8帧

(b) 第13帧

(c) 第34帧

(d) 第48帧

(e) 第113帧

(f) 第134帧

图1 采煤机跟踪结果若干帧图像
Fig.1 Several frames of shearer tracking result

参考文献(References)：

[1] 孙继平.2016年版《煤矿安全规程》监控与通信条款解析[J].工矿自动化,2016,42(5):1-8.

SUN Jiping.Explanations for part of monitoring and communication ofCoal Mine Safety Regulationsof 2016 Edition[J].Industry and Mine Automation, 2016,42(5):1-8.

[2] 孙继平.煤矿物联网特点与关键技术研究[J].煤炭学报,2011,36(1):167-171.

SUN Jiping.Research on characteristics and key technology in coal mine Internet of things[J].Journal of China Coal Society,2011,36(1):167-171.

[3] 孙继平,田子建.矿井图像监视系统与关键技术[J].煤炭科学技术,2014,42(1):65-68.

SUN Jiping,TIAN Zijian.Image monitoring system and key technology in underground mine[J].Coal Science and Technology,2014,42(1):65-68.

[4] 孙继平.煤矿信息化与自动化发展趋势[J].工矿自动化,2015,41(4):1-5.

SUN Jiping.Development trend of coal mine informatization and automation[J].Industry and Mine Automation,2015,41(4):1-5.

[5] 孙继平.煤矿事故分析与煤矿大数据和物联网[J].工矿自动化,2015,41(3):1-5.

SUN Jiping.Accident analysis and big data and Internet of things in coal mine[J].Industry and Mine Automation,2015,41(3):1-5.

[6] 孙继平,贾倪.矿井视频图像中人员目标匹配与跟踪方法[J].中国矿业大学学报,2015,44(3):540-548.

SUN Jiping,JIA Ni.Human target matching and tracking method in coal mine video[J].Journal of China University of Mining & Technology,2015,44(3):540-548.

[7] 孙继平,杜东璧.基于随机特征的矿井视频图像中的人员跟踪技术[J].煤炭科学技术,2015,43(11):91-94.

SUN Jiping,DU Dongbi.Tracing technology of personnel in mine video images based on random features[J].Coal Science and Technology,2015,43(11):91-94.

[8] 赵谦.煤矿井下动态目标视频监测图像处理研究[D].西安:西安科技大学,2014.

[9] 吴海雁,王天龙,张旭辉,等.基于Quest3D和PLC的采煤机远程监控系统[J].工矿自动化,2015,41(11):14-17.

WU Haiyan,WANG Tianlong,ZHANG Xuhui,et al.Remote monitoring system of shearer based on Quest3D and PLC[J].Industry and Mine Automation,2015,41(11):14-17.

[10] 陈迎宾.基于视频流的井下采煤机检测及跟踪算法[D].长春:吉林大学,2013.

[11] ZHANG K,ZHANG L,YANG M H.Real-time compressive tracking[C]//European Conference on Computer Vision,Florence,2012:864-877.

[12] AVIDAN S.Support vector tracking[J].IEEE Transactions on Pattern Analysis & Machine Intelligence,2004,26(8):1064-1072.

[13] ZHANG K H,ZHANG L,LIU Q,et al.Fast visual tracking via dense spatio-temporal context learning[C]//European Conference on Computer Vision,Zurich,2014:127-141.

[14] ROSS D A,LIM J,LIN R,et al.Incremental learning for robust visual tracking[J]. International Journal of Computer Vision,2007,77(1):125-141.

[15] DIACONIS P,FREEDMAN D.Asymptotics of graphical projection pursuit[J].Annals of Statistics,1984,12(3):793-815.