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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。