CN104966072A - 一种基于形状的无色标机器鱼位姿识别算法 - Google Patents

Abstract

本发明涉及一种无色标机器鱼位姿识别算法，包括如下步骤：步骤S1，对采集到一幅图像进行图像处理以显示机器鱼的二值化图像；步骤S2，将鱼头部分作为模板，以获取各幅图像中鱼头所在位置，并得到机器鱼的位姿；本发明通过提取机器鱼图像的蓝参量进行灰度化，鱼身和泳池灰度色差明显，灰度化效果好；将鱼头部分作为模板，利用HOG描述子描述模板的特征，描述效果准确；利用区域生长法进行特征匹配，提前缩小搜索区域，提高算法的速度，快速找到了搜索位置，利用基于最小惯性矩的对称轴拟合的方法获取姿态角。

Description

一种基于形状的无色标机器鱼位姿识别算法

技术领域

本发明涉及计算机视觉检测技术领域，尤其涉及一种基于形状的无色标机器鱼的位姿识别。

背景技术

中国机器人大赛的机器鱼全局视觉组比赛是一种具有观赏性、挑战性的项目，对它的研究很有理论价值和实践意义。机器鱼全局视觉组是中国机器人大赛的一个分支，控制方式为集控式。近几年比较热门的子项目有1VS1水球，2VS2水球，传球接力，带球接力，带球环周，带球避障等，是水中机器人竞赛项目中发展较快的项目之一。

目前，机器鱼全局视觉组采用的机器鱼已由有色标发展为无色标，因为无色标机器鱼无安神全身黑色，不能借助主色标、方向色标来计算位置、方向，所以无色标机器鱼的识别相对于有色标机器鱼的识别难度比较高，识别算法比较复杂，计算量较大。

因此，为了实现对无色标机器鱼进行有效识别，本发明采用一种基于形状的位姿识别算法对无色标机器鱼进行识别。

发明内容

本发明的目的是提供一种无色标机器鱼位姿识别算法，以实现在视觉系统中对无色标机器鱼位置和方向的确定。

为了解决上述技术问题，本发明提供了一种无色标机器鱼位姿识别算法，包括如下步骤：步骤S1，对采集到一幅图像进行图像处理以显示机器鱼；步骤S2，将鱼头部分作为模板，以获取各幅图像中鱼头所在位置，并得到机器鱼的位姿。

进一步，所述步骤S1中对采集到一幅图像进行图像处理以显示机器鱼的方法包括：步骤S11，对图像进行灰度化处理；步骤S12，对灰度化后的图像进行二值化分割；以及步骤S13，对二值化分割后的图像进行先腐蚀后膨胀的形态学处理，以显示机器鱼。

进一步，所述步骤S11中对图像进行灰度化处理，即对图像采用蓝色分量进行灰度化。

进一步，所述步骤S2中将鱼头部分作为模板以获取各幅图像中鱼头所在位置的步骤包括：步骤S21，选取鱼头作为模板，即记录鱼头的形状特征，作为模板特征；步骤S22，通过HOG描述子描述模板特征，再对每幅图像做模板匹配，搜索到每幅图像里的鱼头所在位置。

进一步，所述步骤S22中通过HOG描述子描述模板特征的方法包括：步骤221，确定模板像素点构成的区域形状；即在求解模板HOG特征向量时，确定模板像素点构成的区域形状，并将该区域形状定义为圆形HOG块；步骤S222，利用一阶微分计算图像梯度求解像素点梯度的模和方向；步骤S223，选取梯度模值本身的投影对梯度方向的加权投影进行统计；即对圆形HOG块的划分，其中，任一圆形HOG块由若干单元组成，且任何一个单元都由若干个像素点组成；在搜索区域内统计目标区域所有像素点梯度在特定梯度方向上的投影，对每个圆形HOG块里的单元个数进行单独统计，绘制以梯度方向为横轴的直方图，然后将这个梯度分布平均分成多个方向角度，个数为bin，每个方向角度范围对应一个直方柱，若看成向量，则其维数为bin*cellnum*blocknum，其中，cellnum为单元个数，blocknum为圆形HOG块个数；并选取梯度模值本身的投影对梯度方向的加权投影进行统计。

进一步，所述步骤S22中对每幅图像做模板匹配以搜索到每幅图像里的鱼头所在位置的方法，即采用区域增长算法进行特定区域的目标搜索以快速锁定机器鱼所在的位置。

进一步，所述采用区域增长算法进行特定区域的目标搜索以快速锁定机器鱼所在的位置的方法包括：步骤S224，在开始搜索之前，初步确定一个矩形范围作为搜索区域；该矩形中点是上一帧图像中机器鱼的位置点，左上角和右下角沿x、y轴方向分别相对中点延伸若干个像素点，然后在这个搜索区域内进行基于区域增长的图像分割；步骤S225，通过二值化分割，得到黑色块的左右、上下边界坐标，再以此边界值构成一个矩形区域，最后在此矩形区域内进行圆形滚动圈取搜索与匹配的遍历，即该区域内的每一点都作为一个搜索圆形的圆心位置，求取每个圆形位置下，圆圈内的黑色像素点所构成的形状的方向角，将圆形整体旋转该方向角，然后求取其所对应的HOG特征向量并求解其与模板的相似度；步骤S226，选出相似度最高的圆形所在位置作为搜索的结果，即锁定机器鱼所在的位置。

进一步，所述步骤S224中区域增长的方法包括：步骤S2241，对要处理的整幅图像进行灰度值求解，其值域为0-255；步骤S2242，求解目标颜色灰度阈值，以该灰度阈值范围更新颜色库，作为后续增长判据；步骤S2243，以一定的步长对目标图像进行逐行逐列的种子点扫描搜索(以颜色库为准)；若搜到种子点，进入步骤S2244；反之，进入步骤S2246；步骤S2244，判断搜到的种子点4邻域内的像素点是否符合增长判据；若符合，合并该点且对该点灰度值赋予新值；反之，继续对其他邻域的像素点判断，直到4邻域都不符合增长判据为止，进入步骤S2246；步骤S2245，用新合并点更新种子点，进入步骤S2244；步骤S2246，最后得到被合并点构成的目标区域或搜索结束。

进一步，所述步骤S2中得到机器鱼的位姿的方法包括：步骤S23，利用重心法求解机器鱼在图像坐标系中的位置；以及步骤S24，利用基于最小惯性矩的对称轴拟合的方法获得机器鱼在图像坐标系中的方向。

进一步，所述步骤S24中利用基于最小惯性矩的对称轴拟合的方法获得机器鱼的方向的方法包括：步骤S241，求解出对称轴的直线方向角正切值，形成一个主方向轴，另一个次方向轴；步骤S242，结合机器鱼头部的形状，采用方向轴延伸法，即在两个方向轴上分别进行黑色像素的跨度值计算，比较两个跨度值，较大的一个所对应的方向轴即为主方向轴；步骤S243，所述主方向轴作为鱼头方向轴，且上在跨度的中点开始划分，且根据鱼胸鳍在中点处的上、下两个区域的黑色像素数量得出机器鱼在图像坐标系中的方向。

本发明的有益效果是，本发明通过通过提取机器鱼图像的蓝参量进行灰度化，鱼身和泳池灰度色差明显，灰度化效果好；将鱼头部分作为模板，利用HOG描述子描述模板的特征，描述效果准确；利用区域生长法进行特征匹配，提前缩小搜索区域，提高算法的速度，快速找到了搜索位置，并且利用基于最小惯性矩的对称轴拟合的方法获取姿态角。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1是本发明的无色标机器鱼位姿识别算法的总流程图；

图2是图像处理后显示的机器鱼；

图3是圆形区域block的划分示意图；

图4是机器鱼方向角示意图；

图5是机器鱼的两个方向轴示意图；

图6是同一主方向轴对应的两种位姿示意图；

图7是方向轴对应的正向朝向示意图；

图8是机器鱼识别后的仿真效果图；

图9是本发明的机器鱼位姿识别算法的实施流程图。

具体实施方式

现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。

本发明的无色标机器鱼位姿识别算法的思路是：首先对摄像头采集机器鱼的若干图像中的一幅图像进行图像处理，以识别出机器鱼影像；然后再进行机器鱼的定位与定向；由于机器鱼的运动是靠鱼尾的不停摆动完成的，鱼头部分是保持直立状态。因此可以将鱼头部分作为模板，然后记录其形状特征，作为模板特征。本发明选用HOG描述子来描述模板的特征，然后在实际的系统运行过程中对每幅图像做模板匹配，搜索到每幅图像里的鱼头所在位置，再通过一系列的判别运算，得到鱼头的位置和方向。

具体方法详见实施例中相关内容。

实施例1

如图1所示，本实施例提供了一种无色标机器鱼位姿识别算法，包括如下步骤：

步骤S1，对采集到一幅图像进行图像处理以显示机器鱼(具体为该机器鱼的二值化图像)。

步骤S2，将鱼头部分作为模板，以获取各幅图像中鱼头所在位置，并得到机器鱼的位姿。

进一步，所述步骤S1中对采集到一幅图像进行图像处理以显示机器鱼的方法包括：

步骤S11，对图像进行灰度化处理。

步骤S12，对灰度化后的图像进行二值化分割。

步骤S13，对二值化分割后的图像进行先腐蚀后膨胀的形态学处理，以显示机器鱼。

所述步骤S1的具体实施过程如下：

首先对机器鱼图像进行灰度化，由于一般的灰度化过程会造成灰度化后的图像中泳池和机器鱼鱼身灰度色非常相近，对后面的二值化分割有影响，所以本发明提取机器鱼图像的蓝色分量进行灰度化，以避免二值化分割造成的影响。并且由于机器鱼图像易受到光照不均匀、池壁的阴影、水波波纹的影响等方面的影响，导致机器鱼图像阈值很难取。由此，可以手动选取阈值，从而观察不同阈值下的图像分割状况，选取二值化效果最好的阈值，以实现精确分割。最后将二值化分割后的图像进行先腐蚀后膨胀的形态学处理，处理结果如图2所示。

进一步，所述步骤S2中将鱼头部分作为模板以获取各幅图像中鱼头所在位置的步骤包括：

步骤S21，选取鱼头作为模板，即记录鱼头的形状特征，作为模板特征；

步骤S22，通过HOG描述子描述模板特征，再对每幅图像做模板匹配，搜索到每幅图像里的鱼头所在位置。

具体的，如图3所示，所述步骤S22中通过HOG描述子描述模板特征的方法包括：

步骤221，确定模板像素点构成的区域形状；即在求解模板HOG特征向量时，确定模板像素点构成的区域形状，并将该区域形状定义为圆形HOG块；

步骤S222，利用一阶微分计算图像梯度求解像素点梯度的模和方向；

步骤S223，选取梯度模值本身的投影对梯度方向的加权投影进行统计；即对圆形HOG块的划分，其中，任一圆形HOG块由若干单元组成，且任何一个单元都由若干个像素点组成；在搜索区域内统计目标区域所有像素点梯度在特定梯度方向上的投影，对每个圆形HOG块里的单元个数进行单独统计，绘制以梯度方向为横轴的直方图，然后将这个梯度分布平均分成多个方向角度，个数为bin，每个方向角度范围对应一个直方柱，若看成向量，则其维数为bin*cellnum*blocknum，其中，cellnum为单元个数，blocknum为圆形HOG块个数；并选取梯度模值本身的投影对梯度方向的加权投影进行统计。

本步骤S22中通过HOG描述子描述模板特征的方法的具体实施过程如下：

确定模板像素点构成的区域形状：在求解模板HOG特征向量的时候，首先要确定模板像素点构成的区域形状，由于圆形具有直径长度不变性，因此选择圆形作为区域形状。

利用一阶微分计算图像梯度：对于像素点(x，y)，其梯度的模和方向分别如下：

$M(x,y)=\sqrt{G_x{(x,y)}^2+G_y{(x,y)}^2}---\left(1\right)$

θ＝arctan(G_y(x,y)/G_x(x,y))   (2)

基于梯度模值的方向权重投影：这里进行圆形HOG块的划分，如图4所示，首先定义任何一个块(block)都是由若干单元(cell)组成，任何一个单元都由若干个像素点(pixel)组成。

这一部分主要是在搜索区域内统计目标区域所有像素点梯度，在特定梯度方向上的投影。对每个block里的cell单独进行统计，绘制以梯度方向为横轴的直方图。然后将这个梯度分布平均分成多个方向角度，个数为bin，每个方向角度范围都会对应一个直方柱。如果看成向量，则其维数为bin*cellnum*blocknum，并选取梯度模值本身的投影对梯度方向的加权投影进行统计。

所述步骤S22中对每幅图像做模板匹配以搜索到每幅图像里的鱼头所在位置的方法，即采用区域增长算法进行特定区域的目标搜索以快速锁定机器鱼所在的位置。

所述采用区域增长算法进行特定区域的目标搜索以快速锁定机器鱼所在的位置的方法包括：

步骤S224，在开始搜索之前，初步确定一个矩形范围作为搜索区域；该矩形中点是上一帧图像中机器鱼的位置点，左上角和右下角沿x、y轴方向分别相对中点延伸若干个像素点，然后在这个搜索区域内进行基于区域增长的图像分割。其中，像素点设置为大于等于150个。

步骤S225，通过二值化分割，得到黑色块的左右、上下边界坐标，再以此边界值构成一个矩形区域，最后在此矩形区域内进行圆形滚动圈取搜索与匹配的遍历(该区域内的每一点都作为一个搜索圆形的圆心位置)，求取每个圆形位置下，圆圈内的黑色像素点所构成的形状的方向角，将圆形整体旋转该方向角，然后求取其所对应的HOG特征向量histogram，注意histogram[0]＝1，并求解其与模板的相似度：

$comparability=\frac{\mathrm{\Σ}(Histogram\[i\]\·histogram\[i\])}{\sqrt{\mathrm{\Σ}{(Histogram\[i\])}^2}\·\sqrt{\mathrm{\Σ}{(histogram\[i\])}^2}}---\left(3\right)$

步骤S226，选出相似度最高的圆形所在位置作为搜索的结果，即锁定机器鱼所在的位置。

其中，所述步骤S224中区域增长的方法包括：

步骤S2241，对要处理的整幅图像进行灰度值求解，其值域为0-255；

步骤S2242，求解目标颜色灰度阈值，以该灰度阈值范围更新颜色库，作为后续增长判据；

步骤S2243，以一定的步长对目标图像进行逐行逐列的种子点扫描搜索(以颜色库为准)；若搜到种子点，进入步骤S2244；反之，进入步骤S2246；

步骤S2244，判断搜到的种子点4邻域内的像素点是否符合增长判据；若符合，合并该点且对该点灰度值赋予新值(通常大于255，这个值是目标区域的颜色特有的)；反之，继续对其他邻域的像素点判断，直到4邻域都不符合增长判据为止，进入步骤S2246；

步骤S2245，用新合并点更新种子点，进入步骤S2244；

步骤S2246，最后得到被合并点构成的目标区域或搜索结束。

具体的，所述步骤S2中得到机器鱼的位姿的方法包括：

步骤S23，利用重心法求解机器鱼在图像坐标系中的位置；以及

步骤S24，利用基于最小惯性矩的对称轴拟合的方法获得机器鱼在图像坐标系中的方向。

其中，所述步骤S23中利用重心法求解机器鱼在图像坐标系中的位置的具体实施步骤包括：

对上述得到的圆内的鱼身像素坐标的x值与y值分别累加，并将圆内的黑色像素数进行累加，最后利用重心法求解圆内鱼身的重心即为机器鱼在图像坐标系下的位置。

用公式表示如下：

$\underset{i=1}{\overset{n}{\Σ}}x=x1+x2+......xi---\left(4\right)$

$\underset{i=1}{\overset{n}{\Σ}}y=y1+y2+......yi---\left(5\right)$

$\stackrel{\‾}{x}=\underset{i=1}{\overset{n}{\Σ}}x/n---\left(6\right)$

$\stackrel{\‾}{y}=\underset{i=1}{\overset{n}{\Σ}}y/n---\left(7\right)$

以及所述步骤S24中利用基于最小惯性矩的对称轴拟合的方法获得机器鱼的方向的方法包括：

步骤S241，求解出对称轴的直线方向角正切值，形成一个主方向轴，另一个次方向轴；

步骤S242，结合机器鱼头部的形状，采用方向轴延伸法，即在两个方向轴上分别进行黑色像素的跨度值计算，比较两个跨度值，较大的一个所对应的方向轴即为主方向轴；

步骤S243，所述主方向轴作为鱼头方向轴，且上在跨度的中点开始划分，且根据鱼胸鳍在中点处的上、下两个区域的黑色像素数量得出机器鱼在图像坐标系中的方向。

本步骤S24中利用基于最小惯性矩的对称轴拟合的方法获得机器鱼的方向的具体实施方式包括：

通过一个区域内进行直线拟合，以计算出机器鱼的方向(即机器鱼在图像坐标系中的方向)，这个区域就是鱼头所在区域，并不包括鱼尾部分。

默认情况下每个像素点的面积为相同的微元：假设机器鱼某个时刻的位姿如图4所示：在黑色像素色块的中心建立如图所示的局部坐标系O-uv，图中O-xy为平行于世界坐标系并且以黑色块中心O点为原点的局部坐标系，θ为在该坐标系下机器鱼的方向角。

在坐标系O-uv中对惯性矩进行定义并离散化为：

$I_u=\underset{i=1}{\overset{n}{\Σ}}{v}^2,I_v=\underset{i=1}{\overset{n}{\Σ}}{u}^2---\left(8\right)$

机器鱼的对称轴即为要确定最小惯性矩所对应的轴。过黑色块中心O点做直线y＝kx，由上式可知，该惯性矩即为在坐标系O-xy下各点到直线y＝kx距离的平方和。所以，求该惯性矩的最小值即为求解点到直线距离平方和的最小值。

最小二乘法拟合直线确定直线的方向角的正切值算法：

设：

$a=\underset{i=1}{\overset{n}{\Σ}}{x_i}^2-{\left(\underset{i=1}{\overset{n}{\Σ}}{x}_i\right)}^2/n=\underset{i=1}{\overset{n}{\Σ}}{x_i}^2-\stackrel{\‾}{x}\·\underset{i=1}{\overset{n}{\Σ}}{x}_i---\left(9\right)$

$b=2\left(\underset{i=1}{\overset{n}{\Σ}}\right(x_i\·y_i)-\underset{i=1}{\overset{n}{\Σ}}{x}_i\·\underset{i=1}{\overset{n}{\Σ}}{y}_i/n)=2(\underset{i=1}{\overset{n}{\Σ}}(x_i\·y_i)-\stackrel{\‾}{x}\·\underset{i=1}{\overset{n}{\Σ}}{y}_i)---\left(10\right)$

$c=\underset{i=1}{\overset{n}{\Σ}}{y_i}^2-{\left(\underset{i=1}{\overset{n}{\Σ}}{y}_i\right)}^2/n=\underset{i=1}{\overset{n}{\Σ}}{y_i}^2-\stackrel{\‾}{y}\·\underset{i=1}{\overset{n}{\Σ}}{y}_i---\left(11\right)$

m＝b/(a-c)   (12)

则直线的方向角正切值为：

$k_1=(-1+\sqrt{1+m^2})/m,k_2=(-1-\sqrt{1+m^2})/m---\left(13\right)$

求得直线的方向角为：

θ＝arctan(k₁)或arctan(k₂)   (14)

因此，两个k值互为负倒数，在几何上的意义就是两条直线互相垂直，形成一个主方向轴，一个次方向轴，如图5所示。结合机器鱼头部的形状特点，可采用“方向轴延伸法”确定：在两个方向轴上分别进行黑色像素的跨度值计算，比较两个跨度值，较大的一个所对应的方向轴即为主方向轴。

以上步骤求解出的是鱼头对称轴的方向，而对于一个固定方向的对称轴，机器鱼可以有两种朝向，这两个朝向之间的夹角为180°，如图6所示。下面将对这两个朝向进行区分，以求得机器鱼的真正朝向。

在鱼头方向轴上，从跨度的中点开始划分，由于两个胸鳍的原因，则中点上、下两个区域的黑色像素数量是明显不同的。利用这个则可以区分两个方向，即若上边黑色像素数量明显多于下边，则要在原来求解基础上再加上180°，这样就求解出了机器鱼的方向，最终识别出的机器鱼正方向如图7所示。

经过上述识别步骤，最终得到图1所示的机器鱼的位置坐标为(297，340)像素，位姿角在图像坐标系中为331.682°。

并且，可以进一步在标定后，转换实际物理坐标系下的坐标值和位姿角。识别后的仿真图像如图8所示，由图可以看出，机器鱼的头部区域及方向角均被很好地识别出来。综上，整个识别算法的流程可以表示如图9所示。

以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (10)

1.一种无色标机器鱼位姿识别算法，其特征在于，包括如下步骤：

步骤S1，对采集到一幅图像进行图像处理以显示机器鱼；

步骤S2，将鱼头部分作为模板，以获取各幅图像中鱼头所在位置，并得到机器鱼的位姿。

2.根据权利要求1所述的无色标机器鱼位姿识别算法，其特征在于，

所述步骤S1中对采集到一幅图像进行图像处理以显示机器鱼的方法包括：

步骤S11，对图像进行灰度化处理；

步骤S12，对灰度化后的图像进行二值化分割；以及

步骤S13，对二值化分割后的图像进行先腐蚀后膨胀的形态学处理，以显示机器鱼。

3.根据权利要求2所述的无色标机器鱼位姿识别算法，其特征在于，

所述步骤S11中对图像进行灰度化处理，即对图像采用蓝色分量进行灰度化。

4.根据权利要求3所述的无色标机器鱼位姿识别算法，其特征在于，所述步骤S2中将鱼头部分作为模板以获取各幅图像中鱼头所在位置的步骤包括：

步骤S21，选取鱼头作为模板，即记录鱼头的形状特征，作为模板特征；

步骤S22，通过HOG描述子描述模板特征，再对每幅图像做模板匹配，搜索到每幅图像里的鱼头所在位置。

5.根据权利要求4所述的无色标机器鱼位姿识别算法，其特征在于，所述步骤S22中通过HOG描述子描述模板特征的方法包括：

步骤221，确定模板像素点构成的区域形状；即在求解模板HOG特征向量时，确定模板像素点构成的区域形状，并将该区域形状定义为圆形HOG块；

步骤S222，利用一阶微分计算图像梯度求解像素点梯度的模和方向；

步骤S223，选取梯度模值本身的投影对梯度方向的加权投影进行统计；即对圆形HOG块的划分，其中，任一圆形HOG块由若干单元组成，且任何一个单元都由若干个像素点组成；在搜索区域内统计目标区域所有像素点梯度在特定梯度方向上的投影，对每个圆形HOG块里的单元个数进行单独统计，绘制以梯度方向为横轴的直方图，然后将这个梯度分布平均分成多个方向角度，个数为bin，每个方向角度范围对应一个直方柱，若看成向量，则其维数为bin*cellnum*blocknum，其中，cellnum为单元个数，blocknum为圆形HOG块个数；并选取梯度模值本身的投影对梯度方向的加权投影进行统计。

6.根据权利要求5所述的无色标机器鱼位姿识别算法，其特征在于，所述步骤S22中对每幅图像做模板匹配以搜索到每幅图像里的鱼头所在位置的方法，即采用区域增长算法进行特定区域的目标搜索以快速锁定机器鱼所在的位置。

7.根据权利要求6所述的无色标机器鱼位姿识别算法，其特征在于，所述采用区域增长算法进行特定区域的目标搜索以快速锁定机器鱼所在的位置的方法包括：

步骤S224，在开始搜索之前，初步确定一个矩形范围作为搜索区域；该矩形中点是上一帧图像中机器鱼的位置点，左上角和右下角沿x、y轴方向分别相对中点延伸若干个像素点，然后在这个搜索区域内进行基于区域增长的图像分割；

步骤S225，通过二值化分割，得到黑色块的左右、上下边界坐标，再以此边界值构成一个矩形区域，最后在此矩形区域内进行圆形滚动圈取搜索与匹配的遍历，即该区域内的每一点都作为一个搜索圆形的圆心位置，求取每个圆形位置下，圆圈内的黑色像素点所构成的形状的方向角，将圆形整体旋转该方向角，然后求取其所对应的HOG特征向量并求解其与模板的相似度；

步骤S226，选出相似度最高的圆形所在位置作为搜索的结果，即锁定机器鱼所在的位置。

8.根据权利要求7所述的无色标机器鱼位姿识别算法，其特征在于，所述步骤S224中区域增长的方法包括：

步骤S2241，对要处理的整幅图像进行灰度值求解，其值域为0-255；

步骤S2242，求解目标颜色灰度阈值，以该灰度阈值范围更新颜色库，作为后续增长判据；

步骤S2243，以一定的步长对目标图像进行逐行逐列的种子点扫描搜索(以颜色库为准)；若搜到种子点，进入步骤S2244；反之，进入步骤S2246；

步骤S2244，判断搜到的种子点4邻域内的像素点是否符合增长判据；若符合，合并该点且对该点灰度值赋予新值；反之，继续对其他邻域的像素点判断，直到4邻域都不符合增长判据为止，进入步骤S2246；

步骤S2245，用新合并点更新种子点，进入步骤S2244；

步骤S2246，最后得到被合并点构成的目标区域或搜索结束。

9.根据权利要求8所述的无色标机器鱼位姿识别算法，其特征在于，所述步骤S2中得到机器鱼的位姿的方法包括：

步骤S23，利用重心法求解机器鱼在图像坐标系中的位置；以及

步骤S24，利用基于最小惯性矩的对称轴拟合的方法获得机器鱼在图像坐标系中的方向。

10.根据权利要求9所述的无色标机器鱼位姿识别算法，其特征在于，所述步骤S24中利用基于最小惯性矩的对称轴拟合的方法获得机器鱼的方向的方法包括：

步骤S241，求解出对称轴的直线方向角正切值，形成一个主方向轴，另一个次方向轴；

步骤S242，结合机器鱼头部的形状，采用方向轴延伸法，即在两个方向轴上分别进行黑色像素的跨度值计算，比较两个跨度值，较大的一个所对应的方向轴即为主方向轴；

步骤S243，所述主方向轴作为鱼头方向轴，且上在跨度的中点开始划分，且根据鱼胸鳍在中点处的上、下两个区域的黑色像素数量得出机器鱼在图像坐标系中的方向。