CN104331903B - 一种基于水黾食物定位的移动目标渐进定位跟踪方法 - Google Patents
一种基于水黾食物定位的移动目标渐进定位跟踪方法 Download PDFInfo
- Publication number
- CN104331903B CN104331903B CN201410575824.1A CN201410575824A CN104331903B CN 104331903 B CN104331903 B CN 104331903B CN 201410575824 A CN201410575824 A CN 201410575824A CN 104331903 B CN104331903 B CN 104331903B
- Authority
- CN
- China
- Prior art keywords
- target
- tracking system
- tracking
- image
- foodstuff
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及一种基于水黾食物定位的移动目标渐进定位跟踪方法,引入了水黾捕食的思想来规划主跟踪设备的运动轨迹,实现了对移动目标进行准确跟踪,同时减小了跟踪时视频识别所需要处理大量数据的压力,提高跟踪检测的实时性和准确性。具有跟踪速度快、抗干扰能力强的优点。
Description
技术领域
本发明涉及一种智能移动目标渐进定位跟踪方法,可用于智能航空电子、国防军工、武器装备等***的对移动目标定位与跟踪,属于智能信息处理技术领域。
背景技术
水黾是一种在湖水、池塘、水田和湿地中常见的小型水生昆虫。水黾科昆虫成虫长八至十毫米,黑褐色,头部为三角形,稍长。体小型至大型,长形或椭圆形。口吻稍长,分为3节,第2节最长;触角丝状,4节,突出于头的前方。前胸延长,背面多为暗色而无光泽,无鲜明的花斑,前翅革质,无膜质部。身体腹面覆有一层极为细密的银白色短毛,外观呈银白色丝绒状,具有拒水作用。其躯干与宽黾蝽科类似。它们的躯干非常瘦长,躯干上被极细的毛,这些毛厌水。腹部具明显的侧接缘。
水黾科昆虫有3对足,前足较短,中、后足很长,向四周伸开,后足腿节多远伸过腹部末端。前足明显较短。跗节2节,端节的末端裂成2叶,一对爪着生在裂隙的基部。后面的一对腿可以用来控制滑动的方向,中间的一对腿则是驱动的腿,它们特别长。前面的一对腿比较短,只被用来捕猎。
水黾科昆虫单眼退化,一对位于两侧的复眼发达,视力非常好。黾蝽科几终生生活于水面,借助体下的拒水性毛和伸开的肢体等适应性性状,不致下沉或被水沾湿。在水面上划行主要依靠中足和后足的动作,前足在行动时举起,不用以划行,主要用于捕捉猎物。黾蝽以掉落在水上的其他昆虫、虫尸或其他动物的碎片等物为食。
通过长时间的对水黾捕食活动的观察,我们发现了一个有趣的现象:水黾是通过感受水面的波纹来判断猎物的方向和位置的,但水黾不是直接呈直线去接近猎物,而是经过一个曲线运动轨迹,渐进的对猎物进行靠近。当某个昆虫坠落水面时,会在水面激起粼粼波纹,水黾通过自己的3对足感受波纹变化,来判断猎物的方位。根据这一现象,我们设计出了基于水黾食物定位的移动目标渐进定位跟踪方法。
目标跟踪分为主动跟踪和被动跟踪。实现的是通过视频来对目标跟踪属于被动跟踪。与主动跟踪相比,视频目标跟踪测量具有精度高、隐蔽性好和直观性强的优点。
运动目标跟踪作为一门跨学科的前沿技术,融合了图像处理、模式识别、人工智能、自动控制等多种不同领域的理论知识。在军事制导、视觉导航、安全监控、智能交通、视频解码、医疗诊断、气象分析及天文观测等众多领域中有着广阔的应用前景,跟踪算法的研究具有重要的实际意义和理论价值。
运动目标跟踪就是在一段序列图像中的每幅图像中实时地找到所感兴趣的运动目标。在运动目标跟踪问题的研究上,总体来说有两种思路:一是不依赖于先验知识、直接从图像序列中检测到运动目标,并进行目标识别,最终跟踪感兴趣的运动目标;二是依赖于目标的先验知识,首先为运动目标建模,然后在图像序列中实时找到相匹配的运动目标。围绕这两种思路,产生了大量行之有效的运动检测与跟踪算法。
但迄今为止,运动检测与跟踪算法的鲁棒性、准确性和实时性的统一仍是尚未解决好。现有的跟踪算法对视频识别有着较强的依赖性,在跟踪前需要通过算法计算出目标的方向和距离,有时甚至还需要对目标的运动轨迹进行预判,这样就会大大减少了跟踪检测的实时性,在一定程度上影响运动检测的准确性和鲁棒性。
发明内容
本发明技术解决方案:克服上述现有技术的不足,提供一种基于水黾食物定位的移动目标渐进定位跟踪方法,通过不依赖于先验知识、直接从图像序列中检测到运动目标的方法,进行目标识别,直接跟踪感兴趣的运动目标,借鉴水黾捕食的方法,对目标进行渐近定位跟踪。
本发明是通过以下技术方案实现的,包括以下步骤:
步骤一,当跟踪***进入跟踪状态时,跟踪设备开始进行巡逻搜索,同时开始对摄像头获取的图像进行识别。
步骤二,***读取到一帧图像之后,会将获取到的图像数据由RGB模式转化为HSL模式,以减小光照条件对目标识别产生的影响。
步骤三,图像转化为HSL模式后,对图像信息边缘检测,将我们感兴趣的目标区域跟背景区域进行分离。
步骤四,感兴趣的目标区域分离出来之后,将目标区域从彩色图像转变为灰度图像。
步骤五,将灰度图像转化为二值图像,进行图像分割。找出二值图像中的连通区域,提取出需要的特征图像信息。
步骤六,将提取到的特征图像信息进行归一化处理,然后按照模版匹配的方法,识别出目标信息。
步骤七,若***检测到被跟踪目标出现在了视野中,***会记录被跟踪目标中心位置相对于***视野中心所处的相对位置,然后快速直线行驶一段距离。具体的距离与跟踪***的视距和自身的速度相关,通常为跟踪***与目标之间距离的三分之一长度。
步骤八,当***快速直线行驶一段距离停止之后,摄像头开始获取新的一帧图像,并判断目标是否仍在***视野中。若目标还在***视野中,则会继续执行步骤七,若被跟踪的目标离开了,则跟踪***会向之前记录的相对位置方向进行偏转,被跟踪目标再次进入跟踪***的扫描视野时,***会继续步骤七的操作。
步骤九,不断重复步骤七至步骤八的过程,最后直到跟踪***与被跟踪的目标相遇。
与现有技术相比,本发明具有如下有益效果:
(1)将水黾捕食的思想引入移动目标定位跟踪方法中,使得跟踪设备的运动轨迹变得灵活多样,不宜被***。
(2)视频识别的算法简洁高效,舍弃了多余的图像分析过程,可以显著增加跟踪检测的实时性。
(3)图像识别时结合RGB模式和HSL模式图像数据,能够显著减少光照条件对目标识别成功率的干扰。
(4)跟踪过程采用渐进的方式,在跟踪***运动的过程中不断对被跟踪目标的位置进行修正,可以极大提高跟踪***对被跟踪目标跟踪结果的准确性。
附图说明
图1为本发明实现流程图;
图2为水黾捕食过程的示意图,箭头所示为水黾的运动轨迹;
图3为跟踪***第一次发现被跟踪目标时运动过程的示意图,两条虚线所形成的夹角为视频捕获设备的视角,箭头所示为跟踪***的运动轨迹;
图4为跟踪***第一次运动结束后,再次寻找目标的示意图,两条虚线所形成的夹角为视频捕获设备的视角,箭头所示为跟踪***的运动轨迹;
图5为跟踪***渐进靠近目标整个运动过程的示意图,两条虚线所形成的夹角为视频捕获设备的视角,箭头所示为跟踪***的运动轨迹。
具体实施方式
以下结合附图对本发明的方法进一步描述:本实施例在以发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
本发明引入了水黾捕食的思想来规划主跟踪设备的运动轨迹,实现了对移动目标进行准确跟踪,同时减小了跟踪时视频识别所需要处理大量数据的压力,提高跟踪检测的实时性和准确性。具有跟踪速度快、抗干扰能力强的优点。
如图2所示为水黾发现猎物后的运动轨迹。当水黾感受到水面波纹的变化后,通过分析波纹到达水黾不同足的先后顺序,就能够判断出猎物的大致方向。接着,水黾会向判断的大致方向快速且呈直线地移动一段距离,这时水黾会停下来继续根据水面的波纹矫正猎物方向,然后再快速且直线地移动一段距离,直到最终找到猎物。
图3至图5为通过视频识别技术来实现基于水黾食物定位的移动目标渐进定位跟踪方法的图示。虚线所示夹角为视频获取设备摄像头的视角。当目标进入主跟踪设备的视野后,跟踪设备会快速向前直线移动一段距离然后停止,这时视频捕获设备会读取下一帧图像,判断目标是否还在视野中。若目标仍在视野中,则跟踪设备会继续向前快速移动一段距离,若目标离开了视野,跟踪设备会原地旋转或巡逻查找目标。当目标再一次进入视野后,跟踪设备将沿着矫正后的方向,继续快速直线前进一段距离,即为跟踪***与目标之间距离的三分之一长度。按照这种方法,跟踪设备不断对目标进行跟踪,直到最终触碰到目标。
实施例
为了更好的对实施例进行描述,在实施例中,本发明设定的被跟踪目标的特征为:一个矩形的蓝色背景牌子,蓝色背景中有用于区分目标的字母和数字。跟踪***为一个可以自由移动的小型汽车模型,上面安装有用于获取图像数据的小型摄像头,主控板能够处理摄像头获取到的图像数据,以及驱动小车移动。
本发明实施例包括以下步骤:
步骤一,跟踪***启动后,小车开始按照预先设定好的运动轨迹自主巡逻查找目标。
步骤二,主控板在小车运动的同时,不断分析摄像头捕获的图像信息。主控板读取一帧图像信息后,为了减少图像识别过程中,光照强度对识别结果的影响,需要将数据从RGB格式转换为HSL格式,具体转换方法为:
定义三个变量maxVal、minVal和difVal。MaxVal等于每个像素点RGB值中的最大值,minVal等于每个像素点RGB值中的最小值,difVal=maxVal-minVal。如果maxVal等于minVal则H等于0,若R是最大值,且G大于等于B,则H=40×(G-B)/difVal,若G小于B,则H=40×(G-B)/difVal+240。若G为最大值,H=40×(B-R)/difVal+80,若B为最大值,则H=40×(R-G)/difVal+160。最后判断H是否超出了0至240的边界。
步骤三,根据步骤二获得的一帧图像中每个像素点的H值,通过边缘检测,找出符合目标特征的蓝色矩形区域。
步骤四,获得符合目标特征的蓝色矩形区域后,需要对这部分特征区域进行图像分割。首先需要把彩色RGB图像转化为灰度图像,具体的转化公式为:
X=R×0.3+G×0.59+B×0.11
步骤五,将这部分特征区域转化后的灰度图像转化为二值图。根据实际实验情况采集的数据,确定一个用于区分二值图边界的阈值。灰度值大于阈值的取0(白色),灰度值小于阈值的取1(黑色)。
步骤六,获得特征区域二值图像后,逐行扫描所有白色像素点的位置,然后根据每个相邻白色像素点的位置,划分出每个连通区域,这样一个连通的区域就是一个字符。
步骤七,识别连通区域的字符。在识别字符时,需要先通过双线性插值法对图像进行归一化处理。如果选择一个坐标***使得四个已知点坐标分别为(0,0)、(0,1)、(1,0)和(1,1),双线性插值的公式可简化为:
f(x,y)=f(0,0)(1-x)(1-y)+f(0,1)(1-x)y+f(1,1)xy+f(1,0)x(1-y);其中x和y分别为需要进行插值转化的输入点坐标。
步骤八,匹配识别字符。对分割出来的字符进行识别的方法有很多,由于这里定义的目标只有数字和字母,所以本发明实施例采用了模版匹配法。将分割出来的字符图像与模版图像相减,差值最小的便是与之匹配的模版,从而能够识别出字符。
步骤九,按照步骤八识别完所有的字符后,判断是否为跟踪目标,如果不是跟踪目标,则继续搜寻目标,如果是跟踪目标,则会记录当前目标位于小车视野中的相对位置(目标距视野中心左方还是右方),然后小车会向前直线行走一段距离。
步骤十,小车运动停止后,会判断目标是否仍在视野中。若仍在视野中,将会继续向前直线行走一段距离,若不在视野中,小车将会向步骤八中记录的目标方向旋转扫描目标。
步骤十一,不断重复步骤二至步骤十的过程,最后直到小车与被跟踪的目标相遇。
提供以上实施例仅仅是为了描述本发明的目的,而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改,均应涵盖在本发明的范围之内。
Claims (2)
1.一种基于水黾食物定位的移动目标渐进定位跟踪方法,其特征在于,包括下列步骤:
步骤一,当跟踪***进入跟踪状态时,跟踪设备开始进行巡逻搜索,同时开始对摄像头获取的图像进行识别;
步骤二,跟踪***读取到一帧图像之后,会将获取到的图像数据由RGB模式转化为HSL模式,以减小光照条件对目标识别产生的影响;
步骤三,图像转化为HSL模式后,对图像信息边缘检测,将感兴趣的目标区域跟背景区域进行分离;
步骤四,感兴趣的目标区域分离出来之后,将目标区域从彩色图像转变为灰度图像;
步骤五,将灰度图像转化为二值图像,进行图像分割,找出二值图像中的连通区域,提取出需要的特征图像信息;
步骤六,将提取到的特征图像信息进行归一化处理,然后按照模版匹配的方法,识别出目标信息;
步骤七,若跟踪***检测到被跟踪目标出现在了视野中,会记录被跟踪目标中心位置相对于跟踪***视野中心所处的相对位置,然后快速直线行驶一段距离;
步骤八,当跟踪***快速直线行驶一段距离停止之后,摄像头开始获取新的一帧图像,并判断目标是否仍在***视野中;若目标还在跟踪***视野中,则会继续执行步骤七,若被跟踪的目标离开了,则跟踪***会向之前记录的相对位置方向进行偏转,被跟踪目标再次进入跟踪***的扫描视野时,跟踪***会继续步骤七的操作;
步骤九,不断重复步骤七至步骤八的过程,最后直到跟踪***与被跟踪的目标相遇。
2.根据权利要求1所述的一种基于水黾食物定位的移动目标渐进定位跟踪方法,其特征在于:所述步骤七的一段距离为跟踪***与目标之间距离的三分之一长度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410575824.1A CN104331903B (zh) | 2014-10-25 | 2014-10-25 | 一种基于水黾食物定位的移动目标渐进定位跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410575824.1A CN104331903B (zh) | 2014-10-25 | 2014-10-25 | 一种基于水黾食物定位的移动目标渐进定位跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104331903A CN104331903A (zh) | 2015-02-04 |
CN104331903B true CN104331903B (zh) | 2017-03-29 |
Family
ID=52406623
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410575824.1A Active CN104331903B (zh) | 2014-10-25 | 2014-10-25 | 一种基于水黾食物定位的移动目标渐进定位跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104331903B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108652678B (zh) * | 2018-03-13 | 2024-05-17 | 上海科勒电子科技有限公司 | 一种自动跟踪尿液的方法及装置 |
CN110287911A (zh) * | 2019-06-28 | 2019-09-27 | 广东工业大学 | 一种***的内容识别方法、装置、设备及存储介质 |
CN113284166A (zh) * | 2021-04-15 | 2021-08-20 | 阳光暖果(北京)科技发展有限公司 | 一种基于深度级联神经网络的高速人脸跟踪方法及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101127122A (zh) * | 2007-09-13 | 2008-02-20 | 复旦大学 | 一种内容自适应渐进式遮挡分析目标跟踪算法 |
CN101587591A (zh) * | 2009-05-27 | 2009-11-25 | 北京航空航天大学 | 基于双参数阈值分割的视觉精确跟踪技术 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0818561D0 (en) * | 2008-10-09 | 2008-11-19 | Isis Innovation | Visual tracking of objects in images, and segmentation of images |
-
2014
- 2014-10-25 CN CN201410575824.1A patent/CN104331903B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101127122A (zh) * | 2007-09-13 | 2008-02-20 | 复旦大学 | 一种内容自适应渐进式遮挡分析目标跟踪算法 |
CN101587591A (zh) * | 2009-05-27 | 2009-11-25 | 北京航空航天大学 | 基于双参数阈值分割的视觉精确跟踪技术 |
Also Published As
Publication number | Publication date |
---|---|
CN104331903A (zh) | 2015-02-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103077521B (zh) | 一种用于视频监控的感兴趣区域提取方法 | |
CN109635875A (zh) | 一种基于深度学习的端到端网口检测方法 | |
CN103646249B (zh) | 一种温室智能移动机器人视觉导航路径识别方法 | |
CN101216885A (zh) | 一种基于视频的行人人脸检测与跟踪算法 | |
CN104361353A (zh) | 一种感兴趣区域的定位方法在仪表监控识别中的应用 | |
CN108427942A (zh) | 一种基于深度学习的手掌检测与关键点定位方法 | |
CN103714322A (zh) | 一种实时手势识别方法及装置 | |
CN104331903B (zh) | 一种基于水黾食物定位的移动目标渐进定位跟踪方法 | |
CN103310194A (zh) | 视频中基于头顶像素点梯度方向的行人头肩部检测方法 | |
CN106981075A (zh) | 仿人运动拟态的人体骨骼点参数采集装置及其识别方法 | |
CN103325126A (zh) | 一种在尺度变化和遮挡情况下的视频目标跟踪方法 | |
CN112381870B (zh) | 一种基于双目视觉的船舶识别与航速测量***及方法 | |
CN110021029B (zh) | 一种适用于rgbd-slam的实时动态配准方法及存储介质 | |
CN103778645A (zh) | 一种基于图像的圆形目标实时跟踪方法 | |
CN109191429A (zh) | 一种基于机器视觉的3d打印喷嘴检测方法 | |
CN105046721A (zh) | 基于Grabcut及LBP跟踪质心矫正模型的Camshift算法 | |
CN103440629A (zh) | 激光标记自动跟踪的视频引伸计的数字图像处理方法 | |
Guo et al. | Chinese traffic police gesture recognition in complex scene | |
CN103456012B (zh) | 基于最大稳定曲率区域的视觉人手检测跟踪方法及*** | |
Dewi et al. | Object detection without color feature: Case study Autonomous Robot | |
CN109658441A (zh) | 基于深度信息的前景检测方法及装置 | |
CN103680148B (zh) | 一种出租车识别方法 | |
CN107248166B (zh) | 动态环境下的目标状态预估方法 | |
Rasmussen et al. | Trail following with omnidirectional vision | |
CN110223315A (zh) | 一种基于单摄像头运动目标跟踪定位方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |