动态环境下的目标状态预估方法技术

本发明专利技术涉及动态环境下的目标状态预估方法，对不同颜色空间在动态环境下，提取出识别效果最好的颜色空间，然后通过不断更新对下一帧中心点与下一帧图像阈值识别范围来达到自适应目标检测的效果，能有效地缩短阈值范围估计，最大化的识别出目标，并通过结合HSV与YCbCr颜色空间来对更新中心点进行修正与还原来提高算法的精确性，再根据卡尔曼滤波器和马尔科夫模型对目标的预判进行跟踪，克服复杂环境下的离散颜色特征和相似目标物体的干扰，缩小检测器搜索范围，提高目标局部遮挡时的跟踪精度，增强跟踪准确性。

Target state prediction method in dynamic environment

The present invention relates to a method to estimate the dynamic environment of the target state, different color space in the dynamic environment, extracted to identify the best color space, and then update the next frame of the center point and the next image recognition threshold range to achieve the adaptive target detection effect, can effectively reduce the threshold estimation the maximum, identify the target, and through the combination of HSV and YCbCr color space to update the center point correction and reduction to improve the accuracy of the algorithm, according to the Calman filter and Markoff model to predict target tracking, overcome discrete color features in complex environment and the interference of similar objects, narrow detector the scope of the search and improve the tracking accuracy of target partial occlusion, enhance the tracking accuracy.

【技术实现步骤摘要】
动态环境下的目标状态预估方法
本专利技术涉及图像处理与模式识别
，尤其是涉及动态环境下的目标状态预估方法。
技术介绍
如何从一副图像里提取出我们感兴趣的物体，并在图像序列中始终标定目标位置是目标跟踪的主要课题，也更是图像处理中的一个经久不衰的话题。在该领域研究较早的，应用较为广泛的适用于图像目标提取的是图像分割技术，它是图像处理与分析领域中的一个经典问题，也是该领域的难点之一。图像分割其实就是一个划分问题，按照特定的划分准则将图像中的像素点进行过滤与划分，通常划分的结果要么是区分背景与提取物，要么是突出提取物，要么是消除噪声，通过划分将图像归到具有实际意义的区域，我们便可以提取出我们感兴趣的目标。在图像分割领域中，利用颜色直方图的分布概率来提取目标是一类较为简单和实用的方法，其易于实现、分割效果良好，时间复杂度低，在简单背景下跟踪结果更精准并自动调节搜索窗口大小，是目前应用于机器视觉及其它各类图像处理与模式识别中较为常用的分割方法之一，并已广泛应用于工业产品缺陷提取、医疗图像处理、指纹识别、红外目标检测等实际应用领域，如何能够不受检测器检测范围的限制和对移动速度过快的目标跟踪效果较差的影响，并且由于主要处理颜色直方图反投影形成的二值图像，以获取图像颜色的概率分布信息的处理算法更是众多图像处理领域研究者努力探索的问题。本文的研究是在FIRA机器人比赛，投篮比赛项目的基础上发展而来，FIRA(FederationofInternationalRobot-SoccerAssociation)是在韩国创立，比赛更是涉及人工智能各个领域，包括智能机器人系统、多智能体系统、图像处理和模式识别、多机器人协作、路径规划与决策以及传感器技术等，投篮比赛项目明确规定了机器人在依靠视觉的情况下识别球和篮筐，自行抓起球完成整个投篮比赛，并且从起点线到终点线均不能碰到障碍物。因此，图像处理在该比赛项目中尤为重要，处理的结果将直接影响到机器人的姿态与决策。在目标识别方法中，经典的目标识别方法有Otsu(类间方差法)，最大熵法，基本全局阈值法，迭代阈值分割法以及各种自适应阈值法，上述方法都是基于灰度图像的单通道分割方法，这种方法在目标和背景差别大、噪声低的情况下得到的分割效果不错，但是对于背景复杂和纹理特征较为丰富的目标跟踪效果就会比较差，很容易受背景中与目标相似的物体的干扰，最终导致目标识别和跟踪失败。
技术实现思路
本专利技术所要解决的技术问题是提供一种动态环境下的目标状态预估方法，该方法是基于颜色直方图的概率分布来最大限度地提取出目标，并且具备高度的噪声抵抗性。本专利技术所采用的技术方案是，动态环境下的目标状态预估方法，所述方法包括下列步骤：(1)、从摄像头采集第一帧RGB图像作为先验图像；(2)、将上述提取的RGB图像转换为HSV图像与YCbCr图像；(3)、在HSV图像和YCbCr图像上分别检测一个目标范围，采用迭代法分别在提取的目标范围内求取中心点，即得到HSV图像中心点和YCbCr图像中心点；(4)、根据步骤(3)中得到的两个中心点，求取两个中心点的偏移量以及中心点的上下限；(5)、确定下一帧图像的识别上界和识别下界；(6)、根据步骤(5)中预测的识别上界和识别下界，确定出下一帧图像的阈值选取准则；(7)、更新步骤(3)中的HSV图像中心点和YCbCr图像中心点，来获取新的HSV图像中心点和新的YCbCr图像中心点，更新步骤(6)中的识别上界和识别下界来获取新的识别上界和新的识别下界，从而达到自适应检测目标的目的；(8)、对新的HSV图像中心点和新的YCbCr图像中心点进行检测，即根据分割出像素点集合的直方图histnew，如果任意一个新的中心点符合要求，则将获得的新中心点、新的识别上界和新的识别下界作为当前中心点和边界范围，如果存在不符合要求的新的中心点，则对该不符合要求的新的中心点进行还原，同时对其边界也还原，既保持更新前的值和更新前的便捷范围；(9)、利用Kalman预测器得出状态预测值，即在动态图像序列中，每相邻帧之间的时间间隔较小，可以近似认为目标在相邻帧之间为匀速运动，根据检测器搜索区域大小和位置，得出卡尔曼滤波器状态估计的状态变量Xk和预测变量Zk；(10)、由马尔科夫模型得出目标方向，通过设定马尔科夫模型当前预测状态只和上一时刻状态及状态转移矩阵相关，则根据目标在t时刻的运动方向状态量和转移矩阵，由此预测t+1时刻的目标方向。在步骤(2)中，将RGB图像转换为YCbCr图像，其转换公式为：步骤(3)中，采用迭代法提取YCbCr图像的中心点的方法为：在第一帧图像中，以聚类的方式将初始障碍物大致范围聚出来或者用手动方式选取目标物体，若选取的目标区域为矩形，设定其矩形的宽为w，高为h，中心点为p(y,u,v)，其中y为y通道，u为cb通道，v为cr通道，srci,j(y,u,v)表示转换为ycbcr颜色空间的像素点，目标二值化为desti,j，i,j为像素坐标，可得出初始中心点p(y,u,v)为：更新点:如果更新的点满足迭代终止条件，则确定其为中心点，否则继续迭代，所述终止条件是更新的点的变化达到一定精度或者是达到迭代上限，由于迭代法自身具备收敛性，因此一定可以得出一个中心点。步骤(4)中，求取两个中心点的偏移量以及中心点的上下限的具体求取方法为：以直方图下界作为下界，中心点作为上界，利用迭代法来求出中心点下限；以中心点作为下界，直方图上界作为上界，同样利用迭代法来求出中心点上限；故可以得到中心点大致定位于中心点下限到中心点上限区间内。步骤(5)中，确定下一帧图像的识别上界和识别下界的具体过程为：以提取的中心点的最大值识别到的最大距离作为上界，中心点的最小值识别到的最大距离作为下界，以中心点的最大值到最小值的距离作为识别范围，故可分别确定识别下界和识别上界。步骤(5)中，确定的识别下界设为ξ，识别上界设为η，可以得出：ξ＝pdown(y,u,v)-(pup(y,u,v)-pdown(y,u,v))＝2*pdown(y,u,v)-pup(y,u,v)η＝pup(y,u,v)+pup(y,u,v)-pdown(y,u,v)＝2*pup(y,u,v)-pdown(y,u,v)，其中pdown(y,u,v)为步骤(4)中的中心点下限，pup(y,u,v)为步骤(4)中的中心点上限。步骤(6)中，下一帧图像的阈值选取准则表示为：步骤(7)中，设定当前图像通过中心点及边界分割出来的像素点集合为设定像素点的个数为num，前一中心点为pre(y，u，v),更新中心点为p'(y,u,v)，更新中心点的过程可以表示为：作为优先，步骤(8)中，对新中心点进行检测的过程如可以表示为：本专利技术的有益效果是：本文提出了一种在动态环境下结合HSV颜色空间和YCbCr颜色空间的上下自适应目标识别检测方法，能够最大限度的提取出目标，也能对噪声的抵抗性较强，并结合卡尔曼滤波器，建立目标当前状态的模型预估目标运动速度，对目标中心点所在区域预估，缩小检测器搜索范围，提高目标局部遮挡时的跟踪精度。针对纹理特征较为丰富的的目标检测问题，结合基于马尔科夫模型的方向预测器，实现颜色特征离散情况下的状态估计，能够增强检测器对相似目标的辨识能力，解决背景中本文档来自技高网...

【技术保护点】
动态环境下的目标状态预估方法，其特征在于，所述方法包括下列步骤：(1)、从摄像头采集第一帧RGB图像作为先验图像；(2)、将上述提取的RGB图像转换为HSV图像与YCbCr图像；(3)、在HSV图像和YCbCr图像上分别检测一个目标范围，采用迭代法分别在提取的目标范围内求取中心点，即得到HSV图像中心点和YCbCr图像中心点；(4)、根据步骤(3)中得到的两个中心点，求取两个中心点的偏移量以及中心点的上下限；(5)、确定下一帧图像的识别上界和识别下界；(6)、根据步骤(5)中预测的识别上界和识别下界，确定出下一帧图像的阈值选取准则；(7)、更新步骤(3)中的HSV图像中心点和YCbCr图像中心点，来获取新的HSV图像中心点和新的YCbCr图像中心点，更新步骤(6)中的识别上界和识别下界来获取新的识别上界和新的识别下界，从而达到自适应检测目标的目的；(8)、对新的HSV图像中心点和新的YCbCr图像中心点进行检测，即根据分割出像素点集合的直方图histnew，如果任意一个新的中心点符合要求，则将获得的新中心点、新的识别上界和新的识别下界作为当前中心点和边界范围，如果存在不符合要求的新的中心点，则对该不符合要求的新的中心点进行还原，同时对其边界也还原，既保持更新前的值和更新前的便捷范围；(9)、利用Kalman预测器得出状态预测值，即在动态图像序列中，每相邻帧之间的时间间隔较小，可以近似认为目标在相邻帧之间为匀速运动，根据检测器搜索区域大小和位置，得出卡尔曼滤波器状态估计的状态变量Xk和预测变量Zk；(10)、由马尔科夫模型得出目标方向，通过设定马尔科夫模型当前预测状态只和上一时刻状态及状态转移矩阵相关，则根据目标在t时刻的运动方向状态量和转移矩阵，由此预测t+1时刻的目标方向。...

【技术特征摘要】
1.动态环境下的目标状态预估方法，其特征在于，所述方法包括下列步骤：(1)、从摄像头采集第一帧RGB图像作为先验图像；(2)、将上述提取的RGB图像转换为HSV图像与YCbCr图像；(3)、在HSV图像和YCbCr图像上分别检测一个目标范围，采用迭代法分别在提取的目标范围内求取中心点，即得到HSV图像中心点和YCbCr图像中心点；(4)、根据步骤(3)中得到的两个中心点，求取两个中心点的偏移量以及中心点的上下限；(5)、确定下一帧图像的识别上界和识别下界；(6)、根据步骤(5)中预测的识别上界和识别下界，确定出下一帧图像的阈值选取准则；(7)、更新步骤(3)中的HSV图像中心点和YCbCr图像中心点，来获取新的HSV图像中心点和新的YCbCr图像中心点，更新步骤(6)中的识别上界和识别下界来获取新的识别上界和新的识别下界，从而达到自适应检测目标的目的；(8)、对新的HSV图像中心点和新的YCbCr图像中心点进行检测，即根据分割出像素点集合的直方图histnew，如果任意一个新的中心点符合要求，则将获得的新中心点、新的识别上界和新的识别下界作为当前中心点和边界范围，如果存在不符合要求的新的中心点，则对该不符合要求的新的中心点进行还原，同时对其边界也还原，既保持更新前的值和更新前的便捷范围；(9)、利用Kalman预测器得出状态预测值，即在动态图像序列中，每相邻帧之间的时间间隔较小，可以近似认为目标在相邻帧之间为匀速运动，根据检测器搜索区域大小和位置，得出卡尔曼滤波器状态估计的状态变量Xk和预测变量Zk；(10)、由马尔科夫模型得出目标方向，通过设定马尔科夫模型当前预测状态只和上一时刻状态及状态转移矩阵相关，则根据目标在t时刻的运动方向状态量和转移矩阵，由此预测t+1时刻的目标方向。2.根据权利要求1所述的动态环境下的目标状态预估方法，其特征在于，步骤(2)中，将RGB图像转换为YCbCr图像，其转换公式为：。3.根据权利要求1所述的动态环境下的目标状态预估方法，其特征在于，步骤(3)中，采用迭代法提取YCbCr图像的中心点的方法为：在第一帧图像中，以聚类的方式将初始障碍物大致范围聚出来或者用手动方式选取目标物体，若选取的目标区域为矩形，设定其矩形的宽为w，高为h，中心点为p(y,u,v)，其中y为y通道，u为c...

【专利技术属性】
技术研发人员：李迅，李宁，邓慧敏，刘仁军，汪利庆，
申请(专利权)人：武汉工程大学，
类型：发明
国别省市：湖北,42