基于MSR-CNN的机器人多传感器目标跟踪方法技术

本发明专利技术设计基于MSR

【技术实现步骤摘要】
基于MSR-CNN的机器人多传感器目标跟踪方法


[0001]本专利技术涉及智能机器人，特别设计基于MSR-CNN的机器人多传感器目标跟踪方法。

技术介绍

[0002]目标跟踪技术在智能监控、无人驾驶等诸多领域得到了广泛的应用，但目标跟踪算法在复杂，环境下仍然面临着巨大的挑战。尤其是无人驾驶领域，目标跟踪计算显得尤为重要，误判将会给用户的人身安全和社会经济造成巨大的损害。
[0003]近年来，随着深度学习技术的不断进步，基于深度学习的目标跟踪技术得到极大的发展。Siam R-CNN网络采用了小尺寸的卷积核，被广泛的应用到人脸识别、目标跟踪技术等。但是Siam R-CNN技术也有许多不足之处，例如，实时性鲁棒性不足等，这些极大的限制了Siam R-CNN在目标跟踪
的发展。

技术实现思路

[0004]为了解决上述存在问题。本专利技术提出基于MSR-CNN的机器人多传感器目标跟踪方法，通过MSR-CNN算法利用多尺度数据图像做目标识别，并对多种数据源的采集图像进行处理，从而能够跟踪目标高效准确评估。为达此目的：本专利技术提出基于MSR-CNN的机器人多传感器目标跟踪方法，具体步骤如下：步骤1：机器人使用双目相机，采集多角度目标图像；步骤2：图像预处理，对双目相机采集的多角度图像数据进行多尺度降采样，建立多尺度数据集；步骤3：对多尺度图像进行显著性检测，通过PDFT算法的脉冲离散傅里叶变换公式获得多尺度显著性特征集；步骤4：把预处理输出的多尺度显著性特征集送入Siam R-CNN网络进行网络训练；步骤5：对不同尺度的数据源训练模型进行加权决策；步骤6：使用GA算法，GA对不同数据源的训练模型进行寻优处理，得到最优权值；步骤7：使用测试样本对训练出GA-Siam R-CNN进行性能测试；步骤8：使用最佳评估模型对目标跟踪。
[0005]作为本专利技术进一步改进，所述步骤2中双目相机采集的多角度图像数据进行多尺度降采样的尺度分别为
×
1、
×
4、
×
16，其中，
×
1代表原图像，
×
4代表图像缩小4倍，
×
16代表图像缩小16倍。
[0006]作为本专利技术进一步改进，所述步骤3中，脉冲离散傅里叶变换，公式为：
其中，X是数据集，DFT(
•
)是离散傅里叶变换函数，sign(
•
)代表取符号函数，DFT-1
(
•
)是逆离散傅里叶变换函数，abs(
•
)是取模值函数，wiener(
•
)是维纳滤波函数。
[0007]作为本专利技术进一步改进，所述步骤5中不同数据源的决策加权处理公式为：其中，y1、y2、y3分别是左相机采集图像所对应多尺度
×
1、
×
4、
×
16数据集在Siam R-CNN模型下的识别结果，w1、w2、w3分别是y1、y2、y3在最终决策的权值，y4、y5、y6分别是右相机采集图像所对应多尺度
×
1、
×
4、
×
16数据集在Siam R-CNN模型下的识别结果，w4、w5、w6分别是y4、y5、y6在最终决策的权值，权值均是非负数。
[0008]作为本专利技术进一步改进，所述步骤6中GA算法表示为：其中，M为数据集的显著性数据, SRCNN表示数据集训练的Siam R-CNN网络模型，GA(
•
)是GA算法函数。
[0009]本专利技术基于MSR-CNN的机器人多传感器目标跟踪方法，有益效果在于：1. 本专利技术通过MSR-CNN算法利用多尺度数据图像做目标识别，并对多种数据源的采集图像进行处理，从而能够跟踪目标高效准确评估；2.本专利技术利用多源数据源，使得目标判断更加精准；3. 本专利技术利用GA能够找到多源数据权值的最优值，增加了模型的准确度；4. 本专利技术提出了PDFT算法，该算法是一种以离散傅立叶变换为核心的显著检测算法，通过PDFT去作为核心，进行显著性检测算法，从而有效寻找出图像的显著性区域，增加算法的鲁棒性；5. 本专利技术提出了MSR-CNN算法，泛化能力强。
附图说明
[0010]图1是系统架构图。
具体实施方式
[0011]下面结合附图与具体实施方式对本专利技术作进一步详细描述：本专利技术提出基于MSR-CNN的机器人多传感器目标跟踪方法，通过相应算法利用多尺度
数据图像做目标识别，并对多种数据源的采集图像进行处理，从而能够跟踪目标高效准确评估。如图1是系统架构图。
[0012]首先，机器人使用双目相机，采集多角度目标图像，图像预处理主要对双目相机采集的多角度数据进行多尺度降采样，建立多尺度数据集，接着，对多尺度图像进行显著性检测，获得多尺度显著性特征集。
[0013]图像降采样的尺度分别为
×
1、
×
4、
×
16，其中，
×
1代表原图像，
×
代表图像缩小4倍，
×
16代表图像缩小16倍。
[0014]之后对多尺度图像进行显著性检测，通过PDFT算法的脉冲离散傅里叶变换公式获得多尺度显著性特征集，其中脉冲离散傅里叶变换，公式为：其中，X是数据集，DFT(
•
)是离散傅里叶变换函数，sign(
•
)代表取符号函数，DFT-1
(
•
)是逆离散傅里叶变换函数，abs(
•
)是取模值函数，wiener(
•
)是维纳滤波函数。
[0015] 然后，把预处理输出的多尺度显著性特征集送入Siam R-CNN网络进行网络训练；对不同尺度的数据源训练模型进行加权决策。
[0016]不同数据源的决策加权处理公式为：其中，y1、y2、y3分别是左相机采集图像所对应多尺度
×
1、
×
4、
×
16数据集在Siam R-CNN模型下的识别结果，w1、w2、w3分别是y1、y2、y3在最终决策的权值，y4、y5、y6分别是右相机采集图像所对应多尺度
×
1、
×
4、
×
16数据集在Siam R-CNN模型下的识别结果，w4、w5、w6分别是y4、y5、y6在最终决策的权值，权值均是非负数。
[0017]最后，使用GA算法对不同数据源的训练模型进行寻优处理，得到最优权值，使用测试样本对训练出GA-Siam R-CNN进行性能测试，最后，使用最佳评估模型对目标跟踪。
[0018]GA算法表示为：其中，M为数据集的显著性数据, SRCNN表示数据集训练的Siam R-CNN网络模型，GA(
•
)是GA算法函数。
[0019]以上所述，仅是本专利技术的较佳实施例而已，并非是对本专利技术作任何其他本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于MSR-CNN的机器人多传感器目标跟踪方法，具体步骤如下，其特征在于,步骤1：机器人使用双目相机，采集多角度目标图像；步骤2：图像预处理，对双目相机采集的多角度图像数据进行多尺度降采样，建立多尺度数据集；步骤3：对多尺度图像进行显著性检测，通过PDFT算法的脉冲离散傅里叶变换公式获得多尺度显著性特征集；步骤4：把预处理输出的多尺度显著性特征集送入Siam R-CNN网络进行网络训练；步骤5：对不同尺度的数据源训练模型进行加权决策；步骤6：使用GA算法对不同数据源的训练模型进行寻优处理，得到最优权值；步骤7：使用测试样本对训练出GA-Siam R-CNN进行性能测试；步骤8：使用最佳评估模型对目标跟踪。2.根据权利要求1所述的基于MSR-CNN的机器人多传感器目标跟踪方法，其特征在于；所述步骤2中双目相机采集的多角度图像数据进行多尺度降采样的尺度分别为
×
1、
×
4、
×
16，其中，
×
1代表原图像，
×
4代表图像缩小4倍，
×
16代表图像缩小16倍。3.根据权利要求1所述的基于MSR-CNN的机器人多传感器目标跟踪方法，其特征在于；所述步骤3中，脉冲离散傅里叶变换公式为：其中，X是数据集，DFT(
•
)是...

【专利技术属性】
技术研发人员：邓杨敏，
申请(专利权)人：江苏德劭信息科技有限公司，
类型：发明
国别省市：