首页 / 专利库 / 视听技术与设备 / 均值漂移过程 / 一种基于均值飘移的机械臂实时跟踪方法

一种基于均值飘移的机械臂实时跟踪方法

阅读:1012发布:2020-07-04

专利汇可以提供一种基于均值飘移的机械臂实时跟踪方法专利检索,专利查询,专利分析的服务。并且本 发明 涉及一种基于均值飘移的 机械臂 实时 跟踪 方法,由均值漂移 算法 、检测器和卡尔曼滤波组成,通过均值算法来实现对目标的跟踪,跟踪是否成功是由巴氏参数决定,如果巴氏参数小于设定的值,则判断目标跟踪失败,同时目标的 位置 和大小由探测器再次初始化,同时在线学习过程更新跟踪目标模型,增加跟踪目标的鲁棒性;为了实现实时跟踪目标,检测目标区域由卡尔曼滤波和概率论确定,减少了搜索检测的时间,卡尔曼滤波不仅可以估计目标位置,而且当目标完全被遮挡时可以预测目标位置。本发明方法是高效的在解决古典均值漂移方法缺点时,从而增加目标追踪的鲁棒性、实时性和智能性。,下面是一种基于均值飘移的机械臂实时跟踪方法专利的具体信息内容。

1.一种基于均值飘移的机械臂实时跟踪方法,其特征在于步骤如下:
步骤1:计算第一图像目标模型的特征参数,以目标模型在第一帧图像的位置为初始化位置y0,以目标模型为模型窗口Tin:
为第u个特征的概率,k(x)是核函数, 为像素直方图参数,C为归一化常数因子,n为追踪目标的像素个数,δ(x)为克罗内克尔函数;
以 作为跟踪目标初始化常数,采用半监督P-N学习方法基于第一帧选择的目标完成学习过程;
步骤2、目标检测与追踪:
(1)计算第二帧以后所有图像中检测目标的参数,以目标模型为模型窗口Tin;
为检测到目标的第u个特征概率,h为带宽,nh为检测到目标的像素个数,Ch为归一化常数因子;
(2)计算用来衡量目标特征的相似程度巴士系数
为最大的对应对象所对应的位置最可能是跟踪目标的位置;
(3)确定跟踪到的目标是否是所要跟踪的目标:
如果 计算跟踪目标与正的数据集相似度STM,以确认跟踪目标的可信度;
所述巴氏系数阈值σBT取值为0.6-0.8;
所述正的数据集是:与目标的巴氏距离为0.6-1.0内的标记为正的数据集,否则为负的数据集;
(4)符合 计算两个窗口中目标模型的相似度NCC(T1,T2)
上式
其中:P(i)为像素值,MtNt为图像窗口的大小,μ1,μ2,σ1,σ2分别代表两个子窗口图像的平均值和标准差T1(x);
两个图像窗口的距离为:
参考输入模型窗口为Tin则检测到的数据模型与正数据集和负数据集的距离为:
T+,T-分别为正数据集与负数据集,则:
如果STM≥σLTM,检测的目标作为跟踪目标,并用于在线学习;
否则根据卡尔曼滤波估计目标位置,由下式得
上式xk=[pk.x pk.y vk.x vk.y](为估计的目标位置和速度) I是识别
矩阵,0是零矩阵pk.x pk.y vk.x vk.y分别是目标在第k帧图片中轴x、轴y的位置和速度;H=[I2×2 02×2]Δt为每一秒的反向帧,Qk为误差协方差,P为概率密度函数,k|k-1代表当前帧相对于上一帧的参数,k|k代表当前帧参数。即xk|k为目标位置;
(5)如果 检测器检测目标位置和计算目标区域参数:
wk,vk都代表均值为0的高斯噪声;
目标区域参数为:
为期望,E(a|b)是在b的条件下成立的期望,Zk为时间为k时的有效测量,pk|k-1是当前的协方差,Rk是测量噪音的协方差;
(6)同时根据预测的位置xk|k-1利用(4)-(7)式计算预测目标是否与正数据集中的目标相同,如果STM≥σTM,则利用公式(8)估计目标的位置和尺寸,然后利用下式更新目标模型:
p[zk|zk]=N[zk|zk|k-1,HPk|k-1HT+Rk]   (10)
在目标检测与追踪过程中,一直循环执行本步骤。

说明书全文

一种基于均值飘移的机械臂实时跟踪方法

技术领域

[0001] 本发明属于机械臂实时跟踪方法,涉及一种基于均值飘移的机械臂实时跟踪方法。

背景技术

[0002] 随着航天在轨服务的不断发展,机械臂对目标的跟踪、抓捕和维修越来越频繁,在其中将会遇见许多问题,其中包括跟踪和维护目标的大小和形状在改变以及目标遮挡问题的发生;由于随着硬件计算性能的不断提高,计算机视觉在应用方面得到更好的发展,并得到大家越来越多的重视,从而视觉追踪应用在许多领域,其中包括监控、人机交互和无人驾驶等应用领域。但是视觉追踪同时也存在许多问题,其中包括追踪目标的遮挡、形状的改变和大小的改变。在各种视觉追踪算法中,均值漂移跟踪算法不仅易于实现而且降低了计算时间成本,因此该算法被广泛的应用在无人驾驶和移动机器人领域中。均值漂移算法基于无参数密度估计方法,以颜色直方图代表目标模型,该方法对部分遮挡和旋转有一定的鲁棒性,但是对于复杂背景、噪音、尺寸估计、全部遮挡和光照改变问题是无法解决的。为了解决这些问题,高计算量和复杂度的方法被提出,然而这些方法对实时追踪的要求是无法实现的,之后离线亚空间窗口模型、在线学习亚空间窗口模型等相继被提出,之后,TLD(tracking,learning,and detection)方法被提出,这种方法在定位方面具有良好的特性,然而这些方法不能很好解决目标被遮挡的问题,并且这些方法由于计算复杂不能满足实时追踪的需求。在众多的视觉追踪算法中,均值漂移算法由于它的简单、计算速度快和易于实现的特点而得到广泛的运用,但是均值漂移算法受到复杂背景和目标大小变化影响比较严重,因此本方法基于在线学习和卡尔曼滤波的均值飘移的实时跟踪算法解决了这些问题,与其他算法相比具有较大的优越性。

发明内容

[0003] 要解决的技术问题
[0004] 为了避免现有技术的不足之处,本发明提出一种基于均值飘移的机械臂实时跟踪方法,解决由于机械臂与目标的相对运动,目标在相机视场中的形状和大小将不断发生变化以及目标部分或者全部被遮挡,此时机械臂将对目标的跟踪无法进行下去的问题。
[0005] 技术方案
[0006] 一种基于均值飘移的机械臂实时跟踪方法,其特征在于步骤如下:
[0007] 步骤1:计算第一图像目标模型的特征参数,以目标模型在第一帧图像的位置为初始化位置y0,以目标模型为模型窗口Tin:
[0008]
[0009]
[0010] 为第u个特征的概率,k(x)是核函数, 为像素直方图参数,C为归一化常数因子,n为追踪目标的像素个数,δ(x)为克罗内克尔函数;
[0011] 以 作为跟踪目标初始化常数,采用半监督P-N学习方法基于第一帧选择的目标完成学习过程;
[0012] 步骤2、目标检测与追踪:
[0013] (1)计算第二帧以后所有图像中检测目标的参数,以目标模型为模型窗口Tin;
[0014]
[0015]
[0016] 为检测到目标的第u个特征概率,h为带宽,nh为检测到目标的像素个数,Ch为归一化常数因子;
[0017] (2)计算用来衡量目标特征的相似程度巴士系数
[0018]
[0019] 为最大的对应对象所对应的位置最可能是跟踪目标的位置;
[0020] (3)确定跟踪到的目标是否是所要跟踪的目标:
[0021] 如果 计算跟踪目标与正的数据集相似度STM,以确认跟踪目标的可信度;
[0022] 所述巴氏系数阈值σBT取值为0.6-0.8;
[0023] 所述正的数据集是:与目标的巴氏距离为0.6-1.0内的标记为正的数据集,否则为负的数据集;
[0024] (4)符合 计算两个窗口中目标模型的相似度NCC(T1,T2)
[0025]
[0026] 上式
[0027] 其中:P(i)为像素值,MtNt为图像窗口的大小,μ1,μ2,σ1,σ2分别代表两个子窗口图像的平均值和标准差T1(x);
[0028] 两个图像窗口的距离为:
[0029]
[0030] 参考输入模型窗口为Tin则检测到的数据模型与正数据集和负数据集的距离为:
[0031]
[0032] T+,T-分别为正数据集与负数据集,则:
[0033]
[0034] 如果STM≥σLTM,检测的目标作为跟踪目标,并用于在线学习;
[0035] 否则根据卡尔曼滤波估计目标位置,由下式得
[0036]
[0037] 上式xk=[pk.x pk.y vk.x vk.y](为估计的目标位置和速度) I是识别矩阵,0是零矩阵pk.x pk.y vk.x vk.y分别是目标在第k帧图片中轴x、轴y的位置和速度;H=[I2×2 02×2]Δt为每一秒的反向帧,Qk为误差协方差,P为概率密度函数,k|k-1代表当前帧相对于上一帧的参数,k|k代表当前帧参数。即xk|k为目标位置;
[0038] (5)如果 检测器检测目标位置和计算目标区域参数:
[0039]
[0040] wk,vk都代表均值为0的高斯噪声;
[0041] 目标区域参数为:
[0042]
[0043] 为期望,E(a|b)是在b的条件下成立的期望,Zk为时间为k时的有效测量,pk|k-1是当前的协方差,Rk是测量噪音的协方差;
[0044] (6)同时根据预测的位置xk|k-1利用(4)-(7)式计算预测目标是否与正数据集中的目标相同,如果STM≥σTM,则利用公式(8)估计目标的位置和尺寸,然后利用下式更新目标模型:
[0045] p[zk|zk]=N[zk|zk|k-1,HPk|k-1HT+Rk]  (10)
[0046] 在目标检测与追踪过程中,一直循环执行本步骤。
[0047] 有益效果
[0048] 本发明提出的一种基于均值飘移的机械臂实时跟踪方法,基于在线学习和卡尔曼滤波的均值飘移的实时跟踪算法,并在机械臂跟踪目标上的应用。本算法是由均值漂移算法、检测器和卡尔曼滤波组成,通过均值算法来实现对目标的跟踪,跟踪是否成功是由巴氏参数决定,如果巴氏参数小于设定的值,则判断目标跟踪失败,同时目标的位置和大小由探测器再次初始化,同时在线学习过程更新跟踪目标模型,增加跟踪目标的鲁棒性;为了实现实时跟踪目标,检测目标区域由卡尔曼滤波和概率论确定,减少了搜索检测的时间,卡尔曼滤波不仅可以估计目标位置,而且当目标完全被遮挡时可以预测目标位置。本发明方法是高效的在解决古典均值漂移方法缺点时,从而增加目标追踪的鲁棒性、实时性和智能性。
[0049] 有益效果:
[0050] 1)解决了跟踪目标被部分遮挡或者全部遮挡问题;
[0051] 2)提高了跟踪算法计算效率,达到了实时跟踪的要求;
[0052] 3)提高了跟踪算法的鲁棒性;
[0053] 4)解决跟踪目标大小与形状改变带来的影响;
[0054] 5)提高了在复杂背景下跟踪目标的准确率。附图说明
[0055] 图1:本方法流程图

具体实施方式

[0056] 现结合实施例、附图对本发明作进一步描述:
[0057] 具体实现步骤如下:
[0058] 步骤一:初始化
[0059] (1)通过第一帧图像计算目标模型的通过公式(1),初始化位置,即包含目标[0060] 窗口的中心像素坐标位置y0
[0061]
[0062]
[0063] 为第u个特征的概率,k(x)是核函数, 为像素直方图参数,C为归一化常数因子,n为追踪目标的像素个数,δ(x)为克罗内克尔函数。
[0064] (2)把 作为跟踪目标初始化常数。
[0065] (3)基于第一帧选择的目标完成学习过程(半监督P-N学习方法)。
[0066] 步骤二:目标检测与追踪
[0067] (2)根据以后每帧图像计算其中检测目标窗口的参数。
[0068]
[0069]
[0070] 检测到目标的第u个特征概率,h为带宽,nh为检测到目标的像素个数,Ch为归一化常数因子。
[0071] (2)计算巴士系数 (用来衡量目标特征的相似程度)。
[0072]
[0073] 最大的对应对象所对应的位置最可能是跟踪目标的位置。
[0074] (3)确定跟踪到的目标是否是所要跟踪的目标,即跟踪是否成功。
[0075] 如果 (σBT为根据实际情况设定的巴氏系数阈值可在()范围取)计算跟踪目标与正的数据集相似度STM来再次确定跟踪目标的可信度(正的数据集是与目标的巴氏距离在(0.6-1.0)范围内的对象统一标记为正的数据集,否则为负的数据集)。
[0076] 本文用NCC(T1,T2)来表示两个窗口中物体的相似度:
[0077]
[0078] 上式 (P(i)为像素值)
[0079] MtNt为图像窗口的大小,μ1,μ2,σ1,σ2分别代表两个子窗口图像的平均值和标准差,T1(x)。
[0080] 两个图像窗口的距离为:
[0081]
[0082] 参考输入模型窗口为Tin则检测到的数据模型与正数据集和负数据集(已有的数据集)的距离为:
[0083]
[0084] T+,T-分别为正数据集与负数据集,则
[0085]
[0086] 如果(STM≥σLTM)(σLTM为巴氏系数阈值,取值范围一般在(0.6-0.8)),检测的目标可以作为跟踪目标,并用于在线学习。
[0087] 否则根据卡尔曼滤波估计目标位置,由下式得
[0088]
[0089] 上式xk=[pk.x pk.y vk.x vk.y](为估计的目标位置和速度) I是识别矩阵,0是零矩阵pk.x pk.y vk.x vk.y分别是目标在第k帧图片中轴x、轴y的位置和速度;H=[I2×2 02×2]Δt为每一秒的反向帧,Qk为误差协方差,P为概率密度函数,k|k-1代表当前帧相对于上一帧的参数,k|k代表当前帧参数。即xk|k为目标位置。
[0090] (5)如果 检测器检测目标位置和计算目标区域参数,方法如下式所示[0091]
[0092] wk,vk都代表均值为0的高斯噪声。
[0093] 目标区域参数为
[0094]
[0095] E(a|b)是在b的条件下成立的期望,Zk为时间为k时的有效测量,pk|k-1是当前的协方差,Rk是测量噪音的协方差,当期望 越大时可能检测的区域为目标的可能性越大。同时根据预测的位置xk|k-1利用(4)-(7)式计算预测目标是否与正数据集中的目标相同,如果((STM≥σTM)),则利用公式(8)估计目标的位置和尺寸,然后利用下式更新目标模型
[0096] p[zk|zk]=N[zk|zk|k-1,HPk|k-1HT+Rk]  (11)
[0097] 否则利用公式(9)重新预测目标位置。
[0098] (7)继续执行步骤二。
高效检索全球专利

专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。

我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。

申请试用

分析报告

专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。

申请试用

QQ群二维码
意见反馈