CN111127514B - 一种机器人对目标的跟踪方法及装置 - Google Patents
一种机器人对目标的跟踪方法及装置 Download PDFInfo
- Publication number
- CN111127514B CN111127514B CN201911292333.5A CN201911292333A CN111127514B CN 111127514 B CN111127514 B CN 111127514B CN 201911292333 A CN201911292333 A CN 201911292333A CN 111127514 B CN111127514 B CN 111127514B
- Authority
- CN
- China
- Prior art keywords
- tracked target
- tracking
- sampling
- image frame
- processing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000005070 sampling Methods 0.000 claims abstract description 106
- 238000001914 filtration Methods 0.000 claims description 62
- 238000000605 extraction Methods 0.000 claims description 41
- 230000006835 compression Effects 0.000 claims description 23
- 238000007906 compression Methods 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 20
- 230000004927 fusion Effects 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000007499 fusion processing Methods 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 description 6
- 239000003795 chemical substances by application Substances 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
Abstract
本发明公开了一种机器人对目标的跟踪方法及装置,其中,所述方法包括:获取被跟踪目标的图像帧序列,所述图像帧序列为按照采集时间t进行标记的图像帧;对所述图像帧序列中的被跟踪目标周围进行随机采样处理,获取被跟踪目标周围的采样结果;基于所述被跟踪目标周围的采样结果进行被跟踪目标的跟踪特征提取,获取被跟踪目标的跟踪特征;基于被跟踪目标的跟踪特征在朴素贝叶斯分类器进行被跟踪目标的跟踪;以及对朴素贝叶斯分类器进行参数更新。在本发明实施例中,可以实现机器人对目标的不间断实时跟踪,并且具有较高的跟踪效率及准确度。
Description
技术领域
本发明涉及机器人技术领域,尤其涉及一种机器人对目标的跟踪方法及装置。
背景技术
在智慧生产线上的机器人或者用于室内室外服务的机器人,均需要对相应的目标进行跟踪,从而完成相应的生产工作或者服务工作;现有的机器人一般采用多目摄像头以及复杂的目标跟踪算法来进行目标跟踪及定位,需要耗费大量的软硬件资源才能实现开始目标跟踪和定位,进而导致机器人的生产成本大幅度提升;如何低成本实现满足生产或者服务过程的对目标不间断跟踪,是现在急需解决的技术问题。
发明内容
本发明的目的在于克服现有技术的不足,本发明提供了一种机器人对目标的跟踪方法及装置,可以实现机器人对目标的不间断实时跟踪,并且具有较高的跟踪效率及准确度。
为了解决上述技术问题,本发明实施例提供了一种机器人对目标的跟踪方法,所述方法包括:
获取被跟踪目标的图像帧序列,所述图像帧序列为按照采集时间t进行标记的图像帧;
对所述图像帧序列中的被跟踪目标周围进行随机采样处理,获取被跟踪目标周围的采样结果;
基于所述被跟踪目标周围的采样结果进行被跟踪目标的跟踪特征提取,获取被跟踪目标的跟踪特征;
基于被跟踪目标的跟踪特征在朴素贝叶斯分类器进行被跟踪目标的跟踪;以及对朴素贝叶斯分类器进行参数更新。
可选的,所述获取被跟踪目标的图像帧序列,包括:
基于机器人上的图像采集设备对被跟踪目标进行实时视频图像采集,获取实时视频采集图像;
对所述实时视频采集图像按照采集的时间顺序进行帧拆分处理,获取图像帧序列;
其中,所述图像帧序列为按照采集时间t进行标记的图像帧。
可选的,所述对所述图像帧序列中的被跟踪目标周围进行随机采样处理,包括:
基于最邻近差值算法对所述图像帧序列中的被跟踪目标周围进行随机采样处理。
可选的,所述基于所述被跟踪目标周围的采样结果进行被跟踪目标的跟踪特征提取,获取被跟踪目标的跟踪特征,包括:
将所述被跟踪目标周围的采样结果通过多尺度滤波器进行滤波投影处理,获得多尺度图像特征;
基于独立的随机稀疏测量矩阵将所述多尺度图像特征进行降维处理,获取多尺度降维图像特征;
基于Haar-Like特征对所述多尺度降维图像特征进行特征压缩采样提取处理,获得被跟踪目标的跟踪特征。
可选的,所述基于Haar-Like特征对所述多尺度降维图像特征进行特征压缩采样提取处理,包括:
在基于Haar-Like特征对所述多尺度降维图像特征进行特征压缩采样提取处理时,利用boosting算法来缓解特征压缩采样提取处理时大量计算代理的计算负载。
可选的,所述对朴素贝叶斯分类器进行参数更新,包括:
基于卡尔曼滤波融合算法对所述被跟踪目标的图像帧序列进行滤波融合处理,及基于滤波融合结果对所述朴素贝叶斯分类器进行参数更新。
可选的,所述基于卡尔曼滤波融合算法对所述被跟踪目标的跟踪特征进行滤波融合处理,及基于滤波融合结果对所述朴素贝叶斯分类器进行参数更新,包括:
利用卡尔曼滤波器对在t-1时刻的图像帧序列的被跟踪目标的目标周围1/8圆周角扇形区域进行采样处理,获取采样处理结果;
采用多尺度空间滤波器以最大的滤波相应系数作为t时刻的图像帧序列中的被跟踪目标对所述采样处理结果进行滤波处理,获取滤波处理结果;;
对所述滤波处理结果基于Ostu算法进行被跟踪目标的轮廓提取处理,获取被跟踪目标的轮廓区域;
对被跟踪目标的轮廓区域进行正负样本采用处理,并利用朴素贝叶斯分类器分别提取正负样本采用结果的特征值并进行参数更新。
另外,本发明实施例还提供了一种机器人对目标的跟踪装置,所述装置包括:
获取模块:用于获取被跟踪目标的图像帧序列,所述图像帧序列为按照采集时间t进行标记的图像帧;
随机采样模块:用于对所述图像帧序列中的被跟踪目标周围进行随机采样处理,获取被跟踪目标周围的采样结果;
特征提取模块:用于基于所述被跟踪目标周围的采样结果进行被跟踪目标的跟踪特征提取,获取被跟踪目标的跟踪特征;
跟踪及更新模块:用于基于被跟踪目标的跟踪特征在朴素贝叶斯分类器进行被跟踪目标的跟踪;以及对朴素贝叶斯分类器进行参数更新。
在本发明实施例中,获取被跟踪目标的图像帧序列;对所述图像帧序列中的被跟踪目标周围进行随机采样处理,获取被跟踪目标周围的采样结果;基于所述被跟踪目标周围的采样结果进行被跟踪目标的跟踪特征提取,获取被跟踪目标的跟踪特征;基于被跟踪目标的跟踪特征在朴素贝叶斯分类器进行被跟踪目标的跟踪;以及对朴素贝叶斯分类器进行参数更新;可以实现机器人对目标的不间断实时跟踪,并且具有较高的跟踪效率及准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见的,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1是本发明实施例中的机器人对目标的跟踪方法的流程示意图;
图2是本发明实施例中的机器人对目标的跟踪装置的结构组成示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
实施例
请参阅图1,图1是本发明实施例中的机器人对目标的跟踪方法的流程示意图。
如图1所示,一种机器人对目标的跟踪方法,所述方法包括:
S11:获取被跟踪目标的图像帧序列,所述图像帧序列为按照采集时间t进行标记的图像帧;
在本发明具体实施过程中,所述获取被跟踪目标的图像帧序列,包括:基于机器人上的图像采集设备对被跟踪目标进行实时视频图像采集,获取实时视频采集图像;对所述实时视频采集图像按照采集的时间顺序进行帧拆分处理,获取图像帧序列;其中,所述图像帧序列为按照采集时间t进行标记的图像帧。
具体的,在机器人的前段设置有相应的图像采集设备,该图像采集设备可以为单目摄像头或者多目摄像头设备;在图像采集设备采集到实时视频采集图像之后,对实时视频采集图像按照采集的时间顺序进行帧拆分处理,并进行冗余去除,主要是因为有些采集设备的曝光率太高,一秒内的帧数过多,因此需要去除部分帧,用于保证后续的处理效率;一般情况下,每秒保留25帧即可,通过对实时视频采集图像按照采集的时间顺序进行帧拆分处理,获取图像帧序列;其中,图像帧序列为按照采集时间t进行标记的图像帧。
S12:对所述图像帧序列中的被跟踪目标周围进行随机采样处理,获取被跟踪目标周围的采样结果;
在本发明具体实施过程中,所述对所述图像帧序列中的被跟踪目标周围进行随机采样处理,包括:基于最邻近差值算法对所述图像帧序列中的被跟踪目标周围进行随机采样处理。
具体的,最邻近插值算法是根据源图像和目标图像之间的相对位置来将目标图像上像素确定为相对源图像上相对位置的像素值,对于任意一幅源图像来说,假设放大后目标图像的宽为Dw高为Dh,任意目标像素点(Dx,Dy)在源图像上的位置为:
Sx=Dx*(Sh/Dh);
Sy=Dy*(Sw/Dw);
其中,(Sx,Sy)为对于的源图像上的像素点,Sw和Sh分别为源图像的宽度和高度;最邻近算法通过找到距离计算得到位置最近的像素作为最终像素值。
S13:基于所述被跟踪目标周围的采样结果进行被跟踪目标的跟踪特征提取,获取被跟踪目标的跟踪特征;
在本发明具体实施过程中,所述基于所述被跟踪目标周围的采样结果进行被跟踪目标的跟踪特征提取,获取被跟踪目标的跟踪特征,包括:将所述被跟踪目标周围的采样结果通过多尺度滤波器进行滤波投影处理,获得多尺度图像特征;基于独立的随机稀疏测量矩阵将所述多尺度图像特征进行降维处理,获取多尺度降维图像特征;基于Haar-Like特征对所述多尺度降维图像特征进行特征压缩采样提取处理,获得被跟踪目标的跟踪特征。
进一步的,所述基于Haar-Like特征对所述多尺度降维图像特征进行特征压缩采样提取处理,包括:在基于Haar-Like特征对所述多尺度降维图像特征进行特征压缩采样提取处理时,利用boosting算法来缓解特征压缩采样提取处理时大量计算代理的计算负载。
具体的,在得到被跟踪目标周围的采样结果,将得到的被跟踪目标周围的采样结果通过多尺度滤波器进行滤波投影处理,该投影处理是将图像特征投影为向量,从而得到多尺度图像特征,该多尺度图像特征是一个高维图像特征向量,向量的行数为m然后利用独立的随机稀疏测量矩阵与多尺度图像特征相乘进行降维处理,独立的随机稀疏测量矩阵为n*m的矩阵,并且n<<m,这样既可有效的降低维度,降低处理的复杂度;然后通过Haar-Like特征来对多尺度降维图像特征进行特征压缩采样提取处理,获得被跟踪目标的跟踪特征。
在通过Haar-Like特征对多尺度降维图像特征进行特征压缩采样提取处理时,是利用boosting算法来缓解特征压缩采样提取处理时大量计算代理的计算负载;这样可以有效的减少计算量,从而大大的提升计算效率,使得使用更少的机器人硬件或者软件资源既可以保障对目标跟踪是的跟踪效率。
S14:基于被跟踪目标的跟踪特征在朴素贝叶斯分类器进行被跟踪目标的跟踪;以及对朴素贝叶斯分类器进行参数更新。
在本发明具体实施过程中,所述对朴素贝叶斯分类器进行参数更新,包括:基于卡尔曼滤波融合算法对所述被跟踪目标的图像帧序列进行滤波融合处理,及基于滤波融合结果对所述朴素贝叶斯分类器进行参数更新。
进一步的,所述基于卡尔曼滤波融合算法对所述被跟踪目标的跟踪特征进行滤波融合处理,及基于滤波融合结果对所述朴素贝叶斯分类器进行参数更新,包括:利用卡尔曼滤波器对在t-1时刻的图像帧序列的被跟踪目标的目标周围1/8圆周角扇形区域进行采样处理,获取采样处理结果;采用多尺度空间滤波器以最大的滤波相应系数作为t时刻的图像帧序列中的被跟踪目标对所述采样处理结果进行滤波处理,获取滤波处理结果;对所述滤波处理结果基于Ostu算法进行被跟踪目标的轮廓提取处理,获取被跟踪目标的轮廓区域;对被跟踪目标的轮廓区域进行正负样本采用处理,并利用朴素贝叶斯分类器分别提取正负样本采用结果的特征值并进行参数更新。
具体的,卡尔曼滤波(Kalman filtering)是一种利用线性系统状态方程,通过系统输入输出观测数据,对系统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响,所以最优估计也可看作是滤波过程。
将在t-1时刻的图像帧序列输入对应的卡尔曼滤波器,依据相应的设定,从而使得t-1时刻的图像帧序列中的被跟踪目标的目标周围1/8圆周角扇形区域被进行采样处理,获取采样处理结果;然后设置多尺度空间滤波器为以最大的滤波相应系数作为t时刻的图像帧序列中的被跟踪目标来对采样处理结果进行相应的滤波处理,在利用Ostu算法对滤波处理结果进行被跟踪目标的轮廓提取处理,获取被跟踪目标的轮廓区域;然后需要对被跟踪目标的轮廓区域进行正负样本采样处理,然后利用朴素贝叶斯分类器分别提取正负样本采用结果的特征值并进行参数更新。
在本发明实施例中,获取被跟踪目标的图像帧序列;对所述图像帧序列中的被跟踪目标周围进行随机采样处理,获取被跟踪目标周围的采样结果;基于所述被跟踪目标周围的采样结果进行被跟踪目标的跟踪特征提取,获取被跟踪目标的跟踪特征;基于被跟踪目标的跟踪特征在朴素贝叶斯分类器进行被跟踪目标的跟踪;以及对朴素贝叶斯分类器进行参数更新;可以实现机器人对目标的不间断实时跟踪,并且具有较高的跟踪效率及准确度。
实施例
请参阅图2,图2是本发明实施例中的机器人对目标的跟踪装置的结构组成示意图。
如图2所示,一种机器人对目标的跟踪装置,所述装置包括:
获取模块21:用于获取被跟踪目标的图像帧序列,所述图像帧序列为按照采集时间t进行标记的图像帧;
在本发明具体实施过程中,所述获取被跟踪目标的图像帧序列,包括:基于机器人上的图像采集设备对被跟踪目标进行实时视频图像采集,获取实时视频采集图像;对所述实时视频采集图像按照采集的时间顺序进行帧拆分处理,获取图像帧序列;其中,所述图像帧序列为按照采集时间t进行标记的图像帧。
具体的,在机器人的前段设置有相应的图像采集设备,该图像采集设备可以为单目摄像头或者多目摄像头设备;在图像采集设备采集到实时视频采集图像之后,对实时视频采集图像按照采集的时间顺序进行帧拆分处理,并进行冗余去除,主要是因为有些采集设备的曝光率太高,一秒内的帧数过多,因此需要去除部分帧,用于保证后续的处理效率;一般情况下,每秒保留25帧即可,通过对实时视频采集图像按照采集的时间顺序进行帧拆分处理,获取图像帧序列;其中,图像帧序列为按照采集时间t进行标记的图像帧。
随机采样模块22:用于对所述图像帧序列中的被跟踪目标周围进行随机采样处理,获取被跟踪目标周围的采样结果;
在本发明具体实施过程中,所述对所述图像帧序列中的被跟踪目标周围进行随机采样处理,包括:基于最邻近差值算法对所述图像帧序列中的被跟踪目标周围进行随机采样处理。
具体的,最邻近插值算法是根据源图像和目标图像之间的相对位置来将目标图像上像素确定为相对源图像上相对位置的像素值,对于任意一幅源图像来说,假设放大后目标图像的宽为Dw高为Dh,任意目标像素点(Dx,Dy)在源图像上的位置为:
Sx=Dx*(Sh/Dh);
Sy=Dy*(Sw/Dw);
其中,(Sx,Sy)为对于的源图像上的像素点,Sw和Sh分别为源图像的宽度和高度;最邻近算法通过找到距离计算得到位置最近的像素作为最终像素值。
特征提取模块23:用于基于所述被跟踪目标周围的采样结果进行被跟踪目标的跟踪特征提取,获取被跟踪目标的跟踪特征;
在本发明具体实施过程中,所述基于所述被跟踪目标周围的采样结果进行被跟踪目标的跟踪特征提取,获取被跟踪目标的跟踪特征,包括:将所述被跟踪目标周围的采样结果通过多尺度滤波器进行滤波投影处理,获得多尺度图像特征;基于独立的随机稀疏测量矩阵将所述多尺度图像特征进行降维处理,获取多尺度降维图像特征;基于Haar-Like特征对所述多尺度降维图像特征进行特征压缩采样提取处理,获得被跟踪目标的跟踪特征。
进一步的,所述基于Haar-Like特征对所述多尺度降维图像特征进行特征压缩采样提取处理,包括:在基于Haar-Like特征对所述多尺度降维图像特征进行特征压缩采样提取处理时,利用boosting算法来缓解特征压缩采样提取处理时大量计算代理的计算负载。
具体的,在得到被跟踪目标周围的采样结果,将得到的被跟踪目标周围的采样结果通过多尺度滤波器进行滤波投影处理,该投影处理是将图像特征投影为向量,从而得到多尺度图像特征,该多尺度图像特征是一个高维图像特征向量,向量的行数为m然后利用独立的随机稀疏测量矩阵与多尺度图像特征相乘进行降维处理,独立的随机稀疏测量矩阵为n*m的矩阵,并且n<<m,这样既可有效的降低维度,降低处理的复杂度;然后通过Haar-Like特征来对多尺度降维图像特征进行特征压缩采样提取处理,获得被跟踪目标的跟踪特征。
在通过Haar-Like特征对多尺度降维图像特征进行特征压缩采样提取处理时,是利用boosting算法来缓解特征压缩采样提取处理时大量计算代理的计算负载;这样可以有效的减少计算量,从而大大的提升计算效率,使得使用更少的机器人硬件或者软件资源既可以保障对目标跟踪是的跟踪效率。
跟踪及更新模块24:用于基于被跟踪目标的跟踪特征在朴素贝叶斯分类器进行被跟踪目标的跟踪;以及对朴素贝叶斯分类器进行参数更新。
在本发明具体实施过程中,所述对朴素贝叶斯分类器进行参数更新,包括:基于卡尔曼滤波融合算法对所述被跟踪目标的图像帧序列进行滤波融合处理,及基于滤波融合结果对所述朴素贝叶斯分类器进行参数更新。
进一步的,所述基于卡尔曼滤波融合算法对所述被跟踪目标的跟踪特征进行滤波融合处理,及基于滤波融合结果对所述朴素贝叶斯分类器进行参数更新,包括:利用卡尔曼滤波器对在t-1时刻的图像帧序列的被跟踪目标的目标周围1/8圆周角扇形区域进行采样处理,获取采样处理结果;采用多尺度空间滤波器以最大的滤波相应系数作为t时刻的图像帧序列中的被跟踪目标对所述采样处理结果进行滤波处理,获取滤波处理结果;对所述滤波处理结果基于Ostu算法进行被跟踪目标的轮廓提取处理,获取被跟踪目标的轮廓区域;对被跟踪目标的轮廓区域进行正负样本采用处理,并利用朴素贝叶斯分类器分别提取正负样本采用结果的特征值并进行参数更新。
具体的,卡尔曼滤波(Kalman filtering)是一种利用线性系统状态方程,通过系统输入输出观测数据,对系统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响,所以最优估计也可看作是滤波过程。
将在t-1时刻的图像帧序列输入对应的卡尔曼滤波器,依据相应的设定,从而使得t-1时刻的图像帧序列中的被跟踪目标的目标周围1/8圆周角扇形区域被进行采样处理,获取采样处理结果;然后设置多尺度空间滤波器为以最大的滤波相应系数作为t时刻的图像帧序列中的被跟踪目标来对采样处理结果进行相应的滤波处理,在利用Ostu算法对滤波处理结果进行被跟踪目标的轮廓提取处理,获取被跟踪目标的轮廓区域;然后需要对被跟踪目标的轮廓区域进行正负样本采样处理,然后利用朴素贝叶斯分类器分别提取正负样本采用结果的特征值并进行参数更新。
在本发明实施例中,获取被跟踪目标的图像帧序列;对所述图像帧序列中的被跟踪目标周围进行随机采样处理,获取被跟踪目标周围的采样结果;基于所述被跟踪目标周围的采样结果进行被跟踪目标的跟踪特征提取,获取被跟踪目标的跟踪特征;基于被跟踪目标的跟踪特征在朴素贝叶斯分类器进行被跟踪目标的跟踪;以及对朴素贝叶斯分类器进行参数更新;可以实现机器人对目标的不间断实时跟踪,并且具有较高的跟踪效率及准确度。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,ReadOnly Memory)、随机存取存储器(RAM,Random AccessMemory)、磁盘或光盘等。
另外,以上对本发明实施例所提供的一种机器人对目标的跟踪方法及装置进行了详细介绍,本文中应采用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (4)
1.一种机器人对目标的跟踪方法,其特征在于,所述方法包括:
获取被跟踪目标的图像帧序列,所述图像帧序列为按照采集时间t进行标记的图像帧;
对所述图像帧序列中的被跟踪目标周围进行随机采样处理,获取被跟踪目标周围的采样结果;
基于所述被跟踪目标周围的采样结果进行被跟踪目标的跟踪特征提取,获取被跟踪目标的跟踪特征;
基于被跟踪目标的跟踪特征在朴素贝叶斯分类器进行被跟踪目标的跟踪;以及对朴素贝叶斯分类器进行参数更新;
所述基于所述被跟踪目标周围的采样结果进行被跟踪目标的跟踪特征提取,获取被跟踪目标的跟踪特征,包括:
将所述被跟踪目标周围的采样结果通过多尺度滤波器进行滤波投影处理,获得多尺度图像特征;
基于独立的随机稀疏测量矩阵将所述多尺度图像特征进行降维处理,获取多尺度降维图像特征;
基于Haar-Like特征对所述多尺度降维图像特征进行特征压缩采样提取处理,获得被跟踪目标的跟踪特征;
所述基于Haar-Like特征对所述多尺度降维图像特征进行特征压缩采样提取处理,包括:
在基于Haar-Like特征对所述多尺度降维图像特征进行特征压缩采样提取处理时,利用boosting算法来缓解特征压缩采样提取处理时大量计算代理的计算负载;
所述对朴素贝叶斯分类器进行参数更新,包括:
基于卡尔曼滤波融合算法对所述被跟踪目标的图像帧序列进行滤波融合处理,及基于滤波融合结果对所述朴素贝叶斯分类器进行参数更新;
所述基于卡尔曼滤波融合算法对所述被跟踪目标的跟踪特征进行滤波融合处理,及基于滤波融合结果对所述朴素贝叶斯分类器进行参数更新,包括:
利用卡尔曼滤波器对在t-1时刻的图像帧序列的被跟踪目标的目标周围1/8圆周角扇形区域进行采样处理,获取采样处理结果;
采用多尺度空间滤波器以最大的滤波相应系数作为t时刻的图像帧序列中的被跟踪目标对所述采样处理结果进行滤波处理,获取滤波处理结果;
对所述滤波处理结果基于Ostu算法进行被跟踪目标的轮廓提取处理,获取被跟踪目标的轮廓区域;
对被跟踪目标的轮廓区域进行正负样本采用处理,并利用朴素贝叶斯分类器分别提取正负样本采用结果的特征值并进行参数更新。
2.根据权利要求1所述的机器人对目标的跟踪方法,其特征在于,所述获取被跟踪目标的图像帧序列,包括:
基于机器人上的图像采集设备对被跟踪目标进行实时视频图像采集,获取实时视频采集图像;
对所述实时视频采集图像按照采集的时间顺序进行帧拆分处理,获取图像帧序列;
其中,所述图像帧序列为按照采集时间t进行标记的图像帧。
3.根据权利要求1所述的机器人对目标的跟踪方法,其特征在于,所述对所述图像帧序列中的被跟踪目标周围进行随机采样处理,包括:
基于最邻近差值算法对所述图像帧序列中的被跟踪目标周围进行随机采样处理。
4.一种机器人对目标的跟踪装置,其特征在于,所述装置包括:
获取模块:用于获取被跟踪目标的图像帧序列,所述图像帧序列为按照采集时间t进行标记的图像帧;
随机采样模块:用于对所述图像帧序列中的被跟踪目标周围进行随机采样处理,获取被跟踪目标周围的采样结果;
特征提取模块:用于基于所述被跟踪目标周围的采样结果进行被跟踪目标的跟踪特征提取,获取被跟踪目标的跟踪特征;
跟踪及更新模块:用于基于被跟踪目标的跟踪特征在朴素贝叶斯分类器进行被跟踪目标的跟踪;以及对朴素贝叶斯分类器进行参数更新;
所述基于所述被跟踪目标周围的采样结果进行被跟踪目标的跟踪特征提取,获取被跟踪目标的跟踪特征,包括:
将所述被跟踪目标周围的采样结果通过多尺度滤波器进行滤波投影处理,获得多尺度图像特征;
基于独立的随机稀疏测量矩阵将所述多尺度图像特征进行降维处理,获取多尺度降维图像特征;
基于Haar-Like特征对所述多尺度降维图像特征进行特征压缩采样提取处理,获得被跟踪目标的跟踪特征;
所述基于Haar-Like特征对所述多尺度降维图像特征进行特征压缩采样提取处理,包括:
在基于Haar-Like特征对所述多尺度降维图像特征进行特征压缩采样提取处理时,利用boosting算法来缓解特征压缩采样提取处理时大量计算代理的计算负载;
所述对朴素贝叶斯分类器进行参数更新,包括:
基于卡尔曼滤波融合算法对所述被跟踪目标的图像帧序列进行滤波融合处理,及基于滤波融合结果对所述朴素贝叶斯分类器进行参数更新;
所述基于卡尔曼滤波融合算法对所述被跟踪目标的跟踪特征进行滤波融合处理,及基于滤波融合结果对所述朴素贝叶斯分类器进行参数更新,包括:
利用卡尔曼滤波器对在t-1时刻的图像帧序列的被跟踪目标的目标周围1/8圆周角扇形区域进行采样处理,获取采样处理结果;
采用多尺度空间滤波器以最大的滤波相应系数作为t时刻的图像帧序列中的被跟踪目标对所述采样处理结果进行滤波处理,获取滤波处理结果;
对所述滤波处理结果基于Ostu算法进行被跟踪目标的轮廓提取处理,获取被跟踪目标的轮廓区域;
对被跟踪目标的轮廓区域进行正负样本采用处理,并利用朴素贝叶斯分类器分别提取正负样本采用结果的特征值并进行参数更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911292333.5A CN111127514B (zh) | 2019-12-13 | 2019-12-13 | 一种机器人对目标的跟踪方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911292333.5A CN111127514B (zh) | 2019-12-13 | 2019-12-13 | 一种机器人对目标的跟踪方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111127514A CN111127514A (zh) | 2020-05-08 |
CN111127514B true CN111127514B (zh) | 2024-03-22 |
Family
ID=70499117
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911292333.5A Active CN111127514B (zh) | 2019-12-13 | 2019-12-13 | 一种机器人对目标的跟踪方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111127514B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111680568B (zh) * | 2020-05-12 | 2023-10-24 | 顺德职业技术学院 | 基于工业机器人的生产线上多目标跟踪识别方法及装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103632382A (zh) * | 2013-12-19 | 2014-03-12 | 中国矿业大学(北京) | 一种基于压缩感知的实时多尺度目标跟踪方法 |
CN105096345A (zh) * | 2015-09-15 | 2015-11-25 | 电子科技大学 | 一种基于动态测量矩阵的目标跟踪方法及系统 |
CN106097393A (zh) * | 2016-06-17 | 2016-11-09 | 浙江工业大学 | 一种基于多尺度与自适应更新的目标跟踪方法 |
CN106204644A (zh) * | 2016-07-01 | 2016-12-07 | 屈桢深 | 一种基于视频的目标长期跟踪方法 |
CN106686029A (zh) * | 2015-11-09 | 2017-05-17 | 中国移动通信集团公司 | 一种生理信号压缩传输、重建方法及装置 |
CN107220991A (zh) * | 2017-05-12 | 2017-09-29 | 深圳市美好幸福生活安全系统有限公司 | 一种基于压缩感知的实时目标跟踪算法 |
CN108921880A (zh) * | 2018-06-11 | 2018-11-30 | 西安电子科技大学 | 一种基于多个单跟踪器的视觉多目标跟踪方法 |
CN109784145A (zh) * | 2018-12-05 | 2019-05-21 | 北京华捷艾米科技有限公司 | 基于深度图的目标检测方法及存储介质 |
CN109859242A (zh) * | 2019-01-16 | 2019-06-07 | 重庆邮电大学 | 一种预测自适应学习的目标跟踪方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6030617B2 (ja) * | 2014-10-15 | 2016-11-24 | 株式会社ソニー・インタラクティブエンタテインメント | 画像処理装置および画像処理方法 |
-
2019
- 2019-12-13 CN CN201911292333.5A patent/CN111127514B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103632382A (zh) * | 2013-12-19 | 2014-03-12 | 中国矿业大学(北京) | 一种基于压缩感知的实时多尺度目标跟踪方法 |
CN105096345A (zh) * | 2015-09-15 | 2015-11-25 | 电子科技大学 | 一种基于动态测量矩阵的目标跟踪方法及系统 |
CN106686029A (zh) * | 2015-11-09 | 2017-05-17 | 中国移动通信集团公司 | 一种生理信号压缩传输、重建方法及装置 |
CN106097393A (zh) * | 2016-06-17 | 2016-11-09 | 浙江工业大学 | 一种基于多尺度与自适应更新的目标跟踪方法 |
CN106204644A (zh) * | 2016-07-01 | 2016-12-07 | 屈桢深 | 一种基于视频的目标长期跟踪方法 |
CN107220991A (zh) * | 2017-05-12 | 2017-09-29 | 深圳市美好幸福生活安全系统有限公司 | 一种基于压缩感知的实时目标跟踪算法 |
CN108921880A (zh) * | 2018-06-11 | 2018-11-30 | 西安电子科技大学 | 一种基于多个单跟踪器的视觉多目标跟踪方法 |
CN109784145A (zh) * | 2018-12-05 | 2019-05-21 | 北京华捷艾米科技有限公司 | 基于深度图的目标检测方法及存储介质 |
CN109859242A (zh) * | 2019-01-16 | 2019-06-07 | 重庆邮电大学 | 一种预测自适应学习的目标跟踪方法 |
Non-Patent Citations (1)
Title |
---|
基于压缩感知理论的实时目标跟踪算法研究及系统实现;刘阳;金晓康;王朦;任D梵;;软件;第37卷(第08期);第20-26页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111127514A (zh) | 2020-05-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9536147B2 (en) | Optical flow tracking method and apparatus | |
JP6030617B2 (ja) | 画像処理装置および画像処理方法 | |
Bleiweiss et al. | Fusing time-of-flight depth and color for real-time segmentation and tracking | |
CN102456225B (zh) | 一种运动目标检测与跟踪方法和系统 | |
CN111091503B (zh) | 基于深度学习的图像去失焦模糊方法 | |
US11037308B2 (en) | Intelligent method for viewing surveillance videos with improved efficiency | |
CN107025660B (zh) | 一种确定双目动态视觉传感器图像视差的方法和装置 | |
JP2010152819A (ja) | 画像処理装置および方法並びにプログラム | |
US20120320162A1 (en) | Video object localization method using multiple cameras | |
CN104796582B (zh) | 基于随机喷射retinex的视频图像去噪与增强方法及装置 | |
JP2009093644A (ja) | コンピュータによって実施されるシーン内を移動している物体の3d位置を追跡する方法 | |
US11303793B2 (en) | System and method for high-resolution, high-speed, and noise-robust imaging | |
US20140161313A1 (en) | Tracking device | |
CN111127514B (zh) | 一种机器人对目标的跟踪方法及装置 | |
WO2021056501A1 (zh) | 提取特征点的方法、可移动平台及存储介质 | |
CN113065506B (zh) | 一种人体姿态识别方法及系统 | |
CN113724335B (zh) | 一种基于单目相机的三维目标定位方法及系统 | |
Zhang et al. | An optical flow based moving objects detection algorithm for the UAV | |
Ahmed et al. | An observation of vision based underwater object detection and tracking | |
US11044399B2 (en) | Video surveillance system | |
US20140055644A1 (en) | Apparatus and method for extracting object | |
CN117132503A (zh) | 一种图像局部高亮区域修复方法、系统、设备及存储介质 | |
CN116051736A (zh) | 一种三维重建方法、装置、边缘设备和存储介质 | |
JPH09284702A (ja) | シーン変化フレーム検出方法および装置 | |
CN112381842B (zh) | 一种显微全景图像聚焦映射面的获取方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |