[發明專利]一種基于均值飄移的機械臂實時跟蹤方法

在審

• 申請號: 201710567820.2
• 申請日: 2017-07-13
• 公開（公告）號: CN107507229A
• 公開（公告）日: 2017-12-22
• 發明（設計）人: 黃攀峰;齊志剛;劉正雄;孟中杰;張夷齋;張帆
• 申請（專利權）人: 西北工業大學
• 主分類號: G06T7/277
• 分類號: G06T7/277;G06K9/62;G06F17/18
• 代理公司: 西北工業大學專利中心61204
• 代理人: 王鮮凱

1.一種基于均值飄移的機械臂實時跟蹤方法，其特征在于步驟如下：

步驟1：計算第一幀圖像目標模型的特征參數，以目標模型在第一幀圖像的位置為初始化位置y₀，以目標模型為模型窗口T_in：

q^={q^u}u=1,....m]]>

q^u=CΣi=1nk(||xi*||2)δ[b(xi*)-u]]]>

為第u個特征的概率，k(x)是核函數，為像素直方圖參數，C為歸一化常數因子，n為追蹤目標的像素個數，δ(x)為克羅內克爾函數；

以作為跟蹤目標初始化常數，采用半監督P-N學習方法基于第一幀選擇的目標完成學習過程；

步驟2、目標檢測與追蹤：

(1)計算第二幀以后所有圖像中檢測目標的參數，以目標模型為模型窗口T_in；

p^(y)={p^u(y)}u=1,....m]]>

p^u(y)=ChΣi=1nhk(||y-xih||2)δ[b(xi*)-u]---(1)]]>

為檢測到目標的第u個特征概率，h為帶寬，n_h為檢測到目標的像素個數，C_h為歸一化常數因子；

(2)計算用來衡量目標特征的相似程度巴士系數

σ^(y)=ρ[p^(y),q^]=Σu=1mp^u(y)q^u---(2)]]>

為最大的對應對象所對應的位置最可能是跟蹤目標的位置；

(3)確定跟蹤到的目標是否是所要跟蹤的目標：

如果計算跟蹤目標與正的數據集相似度S_TM，以確認跟蹤目標的可信度；

所述巴氏系數閾值σ_BT取值為0.6-0.8；

所述正的數據集是：與目標的巴氏距離為0.6-1.0內的標記為正的數據集，否則為負的數據集；

(4)符合計算兩個窗口中目標模型的相似度NCC(T₁,T₂)

NCC(T1,T2)=1MtNt-1Σx=1MtNt(T1(x)-μ1)(T2(x)-μ2)σ1σ2---(3)]]>

上式

其中：P(i)為像素值，M_tN_t為圖像窗口的大小，μ₁,μ₂,σ₁,σ₂分別代表兩個子窗口圖像的平均值和標準差T₁(x)；

兩個圖像窗口的距離為：

d(T1,T2)=1-12(NCC(T1,T2)+1)---(4)]]>

參考輸入模型窗口為T_in則檢測到的數據模型與正數據集和負數據集的距離為：

d+=minTi∈T+d(Tin,Ti)d-=minTi∈T-d(Tin,Ti)---(5)]]>

T⁺,T^-分別為正數據集與負數據集，則：

STM=P+=d+d-+d+---(6)]]>

如果S_TM≥σ_LTM，檢測的目標作為跟蹤目標，并用于在線學習；

否則根據卡爾曼濾波估計目標位置，由下式得

xk|k-1=Fxk-1|k-1zk|k-1=Hxk|k-1Pk|k-1=FPk-1|k-1FT+QkKk=Pk|k-1HT(HPk|k-1HT+Rk)-1Pk|k=(I-KkH)Pk|k-1xk|k=xk|k-1+Kk(zk-zk|k-1)---(7)]]>

上式x_k＝[p_k.x p_k.y v_k.x v_k.y](為估計的目標位置和速度)I是識別矩陣，0是零矩陣p_k.x p_k.y v_k.x v_k.y分別是目標在第k幀圖片中軸x、軸y的位置和速度；H＝[I_2×2 0_2×2]Δ_t為每一秒的反向幀，Q_k為誤差協方差，P為概率密度函數，k|k-1代表當前幀相對于上一幀的參數，k|k代表當前幀參數。即x_k|k為目標位置；

(5)如果檢測器檢測目標位置和計算目標區域參數：

xk=Fxk-1+wkzk=Hxk+vkxk|k-1=Fxk-1|k-1---(8)]]>

w_k,v_k都代表均值為0的高斯噪聲；

目標區域參數為：

zk|k-1=Hxk|k-1z~k|k-1=zk-zk|k-1=Hx~k|k-1+vkE(z~k|k-1z~k|k-1T|zk)=E[(Hx~k|k-1+vk)(Hx~k|k-1T+vk)T]=HE[(x~k|k-1)(x~k|k-1T)]HT+E(vkvkT)=HPk|k-1HT+Rk---(9)]]>

為期望，E(a|b)是在b的條件下成立的期望，Z^k為時間為k時的有效測量，p_k|k-1是當前的協方差，R_k是測量噪音的協方差；

(6)同時根據預測的位置x_k|k-1利用(4)-(7)式計算預測目標是否與正數據集中的目標相同，如果S_TM≥σ_TM，則利用公式(8)估計目標的位置和尺寸，然后利用下式更新目標模型：

p[z_k|z^k]＝N[z_k|z_k|k-1,HP_k|k-1H^T+R_k] (10)

在目標檢測與追蹤過程中，一直循環執行本步驟。