一种基于嵌入卡尔曼滤波器的Camshift的机器鱼跟踪方法技术

本发明专利技术公开了一种基于嵌入卡尔曼滤波器的Camshift的机器鱼跟踪方法。使用本发明专利技术能够适应机器鱼的复杂水下环境，提高机器鱼快速运动跟踪的准确性，实时性好。本发明专利技术首先利用卡尔曼滤波器对运动目标在下一帧图像中可能出现的位置进行预测，然后采用Camshift在相对缩小的范围内进行搜索，可以有效的增强对快速运动目标跟踪的准确性；然后，利用Camshift获得的观测值对Kalman滤波器得到的观测值进行修正，进一步提高目标跟踪的准确性。对比已有技术，能够全面综合考虑目标跟踪算法的实时性和准确性，以达到机器鱼对目标实时准确跟踪的目的。

A robotic fish tracking method based on embedded Calman filter Camshift

The invention discloses a robot fish tracking method based on an embedded Calman filter Camshift. The invention can adapt to the complicated underwater environment of the robot fish and improve the accuracy of the rapid movement tracking of the robot fish, and has good real-time performance. The invention firstly by using Calman filter for moving object may appear in the next frame image position prediction, and then use Camshift to search in the range is relatively narrow, can enhance the fast motion of the target tracking accuracy effectively; and then use Camshift to obtain the observed values of observed values of the Kalman filter is modified to further improve the accuracy of target tracking. Compared with the existing techniques, the real-time and accuracy of the target tracking algorithm can be comprehensively considered to achieve the goal of real-time and accurate tracking of the robot fish.

【技术实现步骤摘要】
一种基于嵌入卡尔曼滤波器的Camshift的机器鱼跟踪方法
本专利技术涉及智能控制
，具体涉及一种基于嵌入卡尔曼滤波器的Camshift的机器鱼跟踪方法。
技术介绍
随着对海洋资源开发的不断深入，仿生机器鱼协作控制系统引起关注，而作为仿生机器鱼协作控制系统的重要组成部分视觉子系统，是决策子系统的唯一信息来源，视觉跟踪算法决定了目标跟踪的快速准确性和实时性。机器视觉最早出现于1975年由Winston编辑的论文集中。英国的Marr教授于1973年在麻省理工学院(MIT)，创建了一个新的视觉理论研究小组，在1977年，提出了一种新的计算机视觉理论—Marr视觉理论，该理论在20世纪80年代成为计算机视觉研究领域的一个十分重要的理论框架。陆续用于高级视频安全监控技术，如校园监控、交通监控、道路行人统计系统，另外视觉跟踪技术在导弹成像制导、超声波和核磁序列图像的自动分析、人机交互、虚拟现实、机器人视觉导航等方面有广泛重要应用。每种机器视觉系统集成了很多，比如静止背景和运动背景下的实时目标探测与跟踪、目标的分类识别、目标姿势估计、摄像机的自主控制、视频图像处理系统、人体步法分析等等。国内以中科院自动化所模式识别国家重点实验室为代表的很多高校和研究机构也在机器视觉领域取得了不错的科研成果。但无论是国内还是国外，在机器视觉领域的研究重点都基本在于对所获得图像信息的前期处理(去噪、增强、目标检测等)和在复杂环境中对多个视频运动目标进行稳定、快速和准确地跟踪。其难点在于现在的视觉任务多是由2D图像恢复3D场景，而由于成像过程中存在投影、遮挡、各种场景因素的混合、畸变等，要想通过高度结构化的表示获得3D模型的客观描述是很困难的，这些始终是当前机器视觉研究领域中需要不断提升机器视觉算法改进效果的问题。在机器视觉领域，跟踪算法的主要工作是在连续的视频序列中找到表示目标区域或目标特征的图像结构的连续对应。Camshift算法(ContinuouslyApativeMean-Shift)是一种运动跟踪算法，主要通过视频图像中运动物体的颜色信息来达到跟踪的目的，能够依据所跟踪目标在运动过程中的形状变化自适应调整搜索窗口的大小，采用目标的颜色作为跟踪特征，在目标发生旋转，被部分遮挡时也具有一定的鲁棒性，简单易实现、计算量小、实时性好，是计算局部最优解的一个实用的算法。但在复杂背景和目标突然快速运动情况下可能出现跟踪目标出现误差较大甚至跟踪失败的问题。
技术实现思路
有鉴于此，本专利技术提供了一种基于嵌入卡尔曼滤波器的Camshift的机器鱼跟踪方法，能够适应机器鱼的复杂水下环境，提高机器鱼快速运动跟踪的准确性，实时性好。本专利技术的基于嵌入卡尔曼滤波器的Camshift机器鱼跟踪方法，包括如下步骤：步骤1，在进行目标跟踪前，通过人机交互方式，用鼠标手动在跟踪画面上选取跟踪区域；步骤2，构建卡尔曼滤波器并初始化；其中，目标状态向量x＝[μx,μy,vx,vy]T，其中，μx,μy分别代表被跟踪目标的质心在视频图像的直角坐标系Oxy中的x、y轴上的坐标分量，vx,vy分别表示目标在x、y轴上的速度分量，即每两帧目标运动位置在x方向与y方向的差值，上标T表示转置；目标观测向量y＝[μx,μy]T；系统状态转移矩阵Δt为相邻两帧的时间差；系统观测矩阵系统的过程噪声协方差矩阵Q和观测噪声的协方差矩阵R分别为：其中，e为自然对数；初始时刻Kalman滤波均方误差矩阵P0为：步骤3，利用步骤2构建的卡尔曼滤波器预测当前k时刻的目标状态向量xk和目标观测向量yk；步骤4，以步骤3卡尔曼滤波器预测的目标状态向量xk中的位置为搜索区域的中心，利用Camshift算法获得当前k时刻的目标位置信息，将其作为Camshift观测向量yk_c；步骤5，根据公式Kk＝P'kCT·(CP'kCT+R)-1计算出当前k时刻的卡尔曼滤波器增益系数Kk，其中，P'k＝APk-1AT+Q，Pk-1为k-1时刻Kalman滤波均方误差矩阵；将Kk、步骤3卡尔曼滤波器预测的目标观测向量yk以及步骤4得到的Camshift观测向量yk_c，代入状态修正方程x′k＝xk+Kk(yk_c-yk)，得到修正后的状态向量x′k；并根据Pk＝(1-KkC)P'k更新卡尔曼滤波均方误差矩阵Pk；步骤6，将步骤5得到的修正后的状态向量x′k作为当前帧的目标状态值，读取下一帧图像，执行步骤3～步骤6。进一步的，所述步骤3中，将状态转移矩阵A和上一时刻目标状态向量xk-1代入系统状态方程xk＝Axk-1+vk-1中，预测当前k时刻目标状态向量xk，其中，vk-1为系统过程噪声向量；将预测状态向量xk代入系统观测方程yk＝Cxk+wk中，预测当前k时刻目标观测向量yk，其中，wk为观测噪声向量。进一步的，所述步骤4中，以步骤3卡尔曼滤波器预测的目标状态向量xk中的位置作为当前k时刻的搜索区域的中心，依据上一帧图像目标区域的H分量直方图，在当前候选目标区域内，依据Meanshift准则，寻找最佳匹配位置，得到目标质心点，将其作为Camshift观测向量yk_c。有益效果：本专利技术首先利用卡尔曼滤波器对运动目标在下一帧图像中可能出现的位置进行预测，然后采用Camshift在相对缩小的范围内进行搜索，可以有效的增强对快速运动目标跟踪的准确性；然后，利用Camshift获得的观测值对Kalman滤波器得到的观测值进行修正，进一步提高目标跟踪的准确性。对比已有技术，能够全面综合考虑目标跟踪算法的实时性和准确性，以达到机器鱼对目标实时准确跟踪的目的。附图说明图1为本专利技术流程图。具体实施方式下面结合附图并举实施例，对本专利技术进行详细描述。本专利技术提供了一种基于嵌入卡尔曼滤波器的Camshift机器鱼跟踪方法，采用基于HSV颜色空间的H分量直方图作为匹配标准，在执行对帧图像进行Meanshift算法查找当前目标位置这个步骤之前，加入了卡尔曼滤波器，利用前一帧的目标最优位置来完成对本帧图像中目标位置的大体预测，然后使MeanShift算法在这个预测位置的邻域内匹配寻找目标点，以这个目标点作为观测值对卡尔曼滤波器的预测进行修正得到目标位置最优估计，之后将得到的目标位置最优估计继续迭代进行下一次位置预测。卡尔曼滤波器只需要知道前一时刻的状态向量和当前时刻的观测值，就可以推测出下一时刻的状态估计值，它采用递归的滤波计算方法，对初始化要求简单且计算量小，从而使得在用Camshift算法跟踪机器鱼时更具有方向性，从而在保证实时特点的同时有效提高对机动机器鱼的跟踪精度。本专利技术流程如图1所示，主要包括2部分：第I部分：构建卡尔曼滤波器，利用前一帧图像中的目标位置信息和当前的观测值，进行目标位置预测，并得到Kalman目标位置观测值；第II部分：利用Camshift算法在卡尔曼滤波预测的目标区域内进行目标跟踪定位，得到Camshift目标位置观测值；第III部分，根据Kalman目标位置观测值和Camshift目标位置观测值之差，对Kalman目标位置预测值进行修正，得到最终的目标位置。具体包括如下步骤：步骤1，在进行目标跟踪前，通过人机交互方式，用鼠标手动在跟踪画面上选取跟踪区域；步骤2，构建卡尔曼滤波器并初始化；本专利技术提出四维向本文档来自技高网...

【技术保护点】
一种基于嵌入卡尔曼滤波器的Camshift机器鱼跟踪方法，其特征在于，包括如下步骤：步骤1，在进行目标跟踪前，通过人机交互方式，用鼠标手动在跟踪画面上选取跟踪区域；步骤2，构建卡尔曼滤波器并初始化；其中，目标状态向量x＝[μx,μy,vx,vy]

【技术特征摘要】
1.一种基于嵌入卡尔曼滤波器的Camshift机器鱼跟踪方法，其特征在于，包括如下步骤：步骤1，在进行目标跟踪前，通过人机交互方式，用鼠标手动在跟踪画面上选取跟踪区域；步骤2，构建卡尔曼滤波器并初始化；其中，目标状态向量x＝[μx,μy,vx,vy]T，其中，μx,μy分别代表被跟踪目标的质心在视频图像的直角坐标系Oxy中的x、y轴上的坐标分量，vx,vy分别表示目标在x、y轴上的速度分量，即每两帧目标运动位置在x方向与y方向的差值，上标T表示转置；目标观测向量y＝[μx,μy]T；系统状态转移矩阵Δt为相邻两帧的时间差；系统观测矩阵系统的过程噪声协方差矩阵Q和观测噪声的协方差矩阵R分别为：其中，e为自然对数；初始时刻Kalman滤波均方误差矩阵P0为：步骤3，利用步骤2构建的卡尔曼滤波器预测当前k时刻的目标状态向量xk和目标观测向量yk；步骤4，以步骤3卡尔曼滤波器预测的目标状态向量xk中的位置为搜索区域的中心，利用Camshift算法获得当前k时刻的目标位置信息，将其作为Camshift观测向量yk_c；步骤5，根据公式Kk＝P'kCT·(CP'kCT+R)-1计算出当前k时刻的卡尔曼滤波器增益系数Kk，其中，P'k＝APk-1AT+Q，Pk-1为k-1时刻Kalma...

【专利技术属性】
技术研发人员：郭树理，韩丽娜，袁振兵，王稀宾，崔伟群，王春喜，司全金，李铁岭，刘源，黄剑武，王彬华，郭芙苏，曲大成，
申请(专利权)人：北京理工大学，中国人民解放军总医院，中国计量科学研究院，
类型：发明
国别省市：北京,11