[发明专利]一种基于特征融合粒子滤波的仿生机器鱼视觉跟踪方法

摘要

本发明公开了一种基于特征融合粒子滤波的仿生机器鱼视觉跟踪方法。使用本发明能够有效提高跟踪算法对光照变化的适应性，提高目标跟踪算法的鲁棒性，且精度高，能应用于水下环境比较复杂的环境。本发明综合考虑机器鱼的颜色特征和运动情况，将机器鱼的运动信息和边缘信息相结合，通过颜色和运动边缘双特征的融合来构建粒子滤波的观测模型，并通过观测模型来对系统运动模型预测的目标估计结果进行修正，有效降低系统的误差，提高视觉子系统的鲁棒性。

主权项

一种基于特征融合粒子滤波的仿生机器鱼视觉跟踪方法，其特征在于，包括如下步骤：步骤1，初始化：利用矩形框手动选定跟踪目标，提取目标的HSV颜色直方图、运动边缘直方图，组成目标模板；选取目标模板中的粒子数量为N，粒子权重为步骤2，粒子状态估计：k时刻第i个粒子状态估计为：xki-x‾k-1=A1(rk-1i-x‾k-1)+A2(xk-2i-x‾k-1)+Bwk-1,k=2,3,...]]>其中，分别表示第i个粒子在k‑2、k‑1、k时刻的状态，表示k‑1时刻所有粒子的状态估计值的均值；wk‑1为k‑1时刻系统随机过程噪声；A1、A2、B为常量；步骤3，构建以k时刻第i个粒子状态估计的位置为中心的、与目标模板相同大小的候选区域；i＝1,2，…，N；提取当前帧所有N个候选区域的HSV颜色直方图和运动边缘直方图；步骤4，修改粒子权重值：步骤4.1，采用式(1)计算基于颜色直方图的第i个粒子的权值更新值：ξ_clourki=ξ_clourk-1i×pk,clouri=ξ_clourk-1i×12πσe-(d_clourki)22σ2---(1)]]>其中，分别为第k‑1、k帧基于颜色直方图的第i个粒子的权值更新值，为颜色信息的观测似然函数；σ为高斯方差；为第i个粒子对应的候选区域与目标模板颜色特征的Bhattacharyya距离，为颜色特征的Bhattacharyya系数，q＝(q(u))u＝1,2,...,NN为目标模板的颜色直方图，为第k帧第i个粒子对应的候选区域的颜色直方图；NN为颜色直方图的颜色子空间数；步骤4.2，采用式(2)计算基于运动边缘直方图的第i个粒子的权值更新值：ξ_diffedgeki=ξ_diffedgek-1i×pk,diffedgei=ξ_diffedgek-1i×12πσ1e-(d_diffedgeki)22σ12---(2)]]>其中分别为第k‑1、k帧基于运动边缘直方图的第i个粒子的权值更新值，为运动边缘信息的观测似然函数；σ1为高斯方差，为第i个粒子对应的候选区域与目标模板运动边缘特征的Bhattacharyya距离，其中为运动边缘特征的Bhattacharyya系数，γ1＝(γ1(u))u＝1,2,...,MM为目标模板的运动边缘直方图，为第k帧第i个粒子对应的候选区域的运动边缘直方图；MM为运动边缘直方图的幅度或方向子空间数；步骤4.3，采用式(3)进行特征融合的粒子权重更新：ξ_finalki=ξ_finalk-1i×p_finalki---(3)]]>其中，分别为第k‑1、k帧的特征融合的第i个粒子的权重更新值；为联合似然函数：p_finalki=η1×pk,clouri+η2×pk,diffedgei]]>其中，η1,η2为归一化权值，其中d1_min,d2_min分别为颜色特征和运动边缘特征中所有候选区域和目标模板之间的最小Bhattacharyya距离；归一化粒子权重ξ_fianlki=ξ_finalkiΣi=1Nξ_finalki]]>步骤5，利用步骤4获得的粒子权重得到k时刻目标的状态估计为：xk=Σi=1Nxkiξ_finalki]]>步骤6，目标模板更新：设定一个Bhattacharyya系数的阈值，若当前帧所有候选区域的颜色特征和运动边缘特征的Bhattacharyya系数中的最大值小于设定的阈值，进行目标模板更新，按照步骤1的方法建立新的目标模板；然后按照下式进行目标模板更新：M_opt＝β×M_old+(1‑β)×M_now其中，M_opt为更新后的目标模板，M_old为更新前的目标模板，M_now为新建的目标模板，β表示更新前的目标模板在更新后的目标模板中所占的比例；步骤7，重采样粒子：计算粒子退化程度Neff，并与设定阈值Nth比较，如果Neff＜Nth，则重采样粒子，并令新的粒子具有相等的权重值否则，不重采样粒子；步骤8：读取下一张图像，重复执行步骤2～8。