一种基于视觉的水下集群邻居跟踪测量方法

摘要

本发明提出的一种基于视觉的水下集群邻居测量方法，基于Meanshift的跟踪算法，采用目标颜色概率密度分布图作为目标搜索的特征，通过不断迭代使得算法收敛于目标真实位置，从而实现对目标的跟踪功能，并使用相似三角形目标测距和正切函数目标测角对水下邻居进行定位。这种算法的计算量较小，实时性较好，对外界环境干扰不敏感。

说明书

技术领域

本发明为一种基于视觉的水下集群邻居跟踪测量方法，主要应用于视觉信息受限的水下自主航行器。

背景技术

近年来，自主水下航行器(autonomous underwater vehicle,AUV)随着国家海洋战略的实施而备受关注，而AUV集群属于“人工智能+海洋无人系统”深度融合的一项基础性、创新型技术，吸引了众多研究者的目光。使多AUV像自然界的狼群、蜂群、鱼群完成觅食、筑巢、御敌、迁徙等复杂的群体运动一样相互协作，利用感知和行动能力非常有限的独立个体，通过遵循一些简单的行为规则，共同完成复杂任务是水下无人集群系统协同控制研究的核心问题。

简单集群的形成要求：1.个体沿着邻居运动的方向运动；2.个体实时感知邻居状态；3.保持邻居靠近；4.避免与邻居碰撞。因此，在AUV集群中，单个AUV必须拥有获取邻居个体的相对位置信息的并进行跟踪的能力，进而组成集群协作完成水下复杂任务。传统AUV通常使用声学传感器对周围环境进行感知，其获取到的信息有限、采样周期长，易受地磁场和其它传感器干扰，且其能耗较大，成本较高，并不适合成为AUV集群的主要感知手段。而研究表明，鱼群在集群游动时，是利用视觉来感知邻居的状态，从而形成强大而灵活的自组织集群行为，受此启发，使用视觉感知成为了AUV集群的主要研究方向。随着高性能水下摄像头在AUV上的成功应用，视觉感知成为了AUV新的感知手段，其在采样周期，获取信息量，成本，能耗等方面均要优于声学感知，非常适用于在近距离、高精度的工作任务中使用。因此，基于视觉感知的集群控制方法已经成为当前水下无人系统集群控制研究的前沿和热点。

现有的较为主流目标跟踪算法有区域与区域匹配的跟踪算法、基于主动轮廓的跟踪算法、基于光流法的跟踪算法、基于特征点的跟踪算法。区域与区域匹配的跟踪算法通过对检测区域与目标模板的匹配来实现目标跟踪，这种方法的约束条件苛刻，要求目标形状变化不大。基于主动轮廓的跟踪算法适合于单目标检测，但由于能量函数的非凸性，存在模型收敛于局部极小值的风险，且抗噪性较差。基于光流法的跟踪算法的稳定性和可靠性较好，但跟踪效果一般。基于特征点的跟踪算法在目标发生旋转或被遮挡时难以保证跟踪的准确性。

发明内容

基于Meanshift的跟踪算法采用目标颜色概率密度分布图作为目标搜索的特征，通过不断迭代使得算法收敛于目标真实位置，从而实现对目标的跟踪功能，这种算法的计算量较小，实时性较好，对外界环境干扰不敏感，这些特点使得基于Meanshift的跟踪算法非常适合于特殊的水下工作工作环境。因此，为满足水下AUV集群的需要，本发明基于Meanshift方法面向AUV集群提出了一种水下目标跟踪方法，并使用相似三角形目标测距和正切函数目标测角对水下邻居进行定位。

本发明的技术方案为：

所述一种基于视觉的水下集群邻居跟踪测量方法，包括以下步骤：

步骤1：获取目标的视频帧图像序列，对运动目标的视频帧进行计数，保存当前帧为I

步骤2：将I

步骤3：建立均值漂移模型，统计I

步骤4：获取图像I

步骤5：依据步骤4得到的匹配特征点对，得到尺度变化因子，对步骤3中得到的I

步骤6：在不断交替保存的I

进一步的，步骤1中，N取10。

进一步的，步骤2中，设V

其中T

R'＝R/255

G'＝G/255

B'＝B/255

C

C

Δ＝C

v＝C

进一步的，步骤3中，根据目标的颜色归一化直方图，利用相似度量在图像I

将I

进一步的，步骤3中，均值漂移算法的具体过程为：

步骤3.1：利用图像I

步骤3.2：统计并计算BhatTacharyya系数：

q

步骤3.3：对图像I

步骤3.4：结合Meanshift向量计算图像上对应区域的形心和质心，得到新的目标位置y

式中：g＝-k′(x)，k(x)为轮廓函数；

步骤3.5：更新颜色分布直方图并计算BhatTacharyya系数，判断其与原始值的大小，如果小于原始值，则以y

步骤3.6：判断|y

进一步的，步骤4的具体过程为：用sift算法构建尺度空间，获得图像I

进一步的，步骤5中，利用仿射变换模型拟合I

进一步的，步骤6中，在对已识别目标的跟踪过程中，利用相似三角形原理来计算观测者自身到目标个体间距离，利用直角三角形正切函数计算目标中心点与观测者搭载的摄像头传感器之间的正向夹角，计算公式如下:

f＝(d·w)/width

d＝(f·width)/w

其中，f为观测者摄像头的焦距，width为所识别目标的实际宽度，d为摄像头与目标位置之间的距离，w为采集到的图像的像素宽度。

有益效果

本发明提出的一种基于视觉的水下集群邻居测量方法，基于Meanshift的跟踪算法，采用目标颜色概率密度分布图作为目标搜索的特征，通过不断迭代使得算法收敛于目标真实位置，从而实现对目标的跟踪功能，算法的计算量较小，实时性较好，对外界环境干扰不敏感。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1：本发明的流程图。

图2：基于相似三角形原理的测距示意图。

图3：不同光照条件下测量效果。

图4：实验环境示意图。

图5：机器鱼视觉邻居感知单目标跟踪结果轨迹。

图6：机器鱼视觉邻居感知多目标跟踪结果轨迹。

图7：机器鱼视觉邻居测量实验效果图。

具体实施方式

下面详细描述本发明的实施例，所述实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

本发明实施例以自主仿生机器鱼Robolab-Edu为测试平台，对水下集群邻居测量方法进行了验证：

机器鱼(下位机)和PC端(上位机)通过路由器进行WIFI通信，使得PC端可以远程登录机器鱼的Nanopi-S2，对其视觉感知软件系统进行二次开发。在实验环境下(如图4)，通过水池上方架设的摄像头实时捕获到观测机器鱼和邻居机器鱼的运动，并传输至PC端来跟踪并绘制出它们的运动轨迹。

将Robolab-Edu自主仿生机器鱼放入实验水池中，设置邻居机器鱼的运动速度约为0.05m/s，观测机器鱼的运动速度约为0.08m/s，稍快于前者以便完成跟踪任务。对所获取视频序列中的目标(邻居机器鱼)进行检测与识别，选定要跟踪的目标邻居，得到初始目标框(ROI)的位置信息，截取初始目标框图像区域。

为了验证观测机器鱼是否能够实时跟踪邻居机器鱼，本发明以观测机器鱼为验证平台，利用提出的算法，在室内实验水池中对单个邻居机器鱼进行视觉感知，实现目标跟踪与测量，验证算法在机器鱼平台上运行的可行性和实时性。具体步骤为：

步骤1：获取目标的视频帧图像序列，对运动目标的视频帧进行计数，保存当前帧为I

步骤2：将I

设V

其中T

R'＝R/255

G'＝G/255

B'＝B/255

C

C

Δ＝C

v＝C

步骤3：建立均值漂移模型，统计I

均值漂移算法的具体过程为：

定义用于相似性度量的BhatTacharyya系数：

式中q

步骤3.1：利用图像I

步骤3.2：统计并计算BhatTacharyya系数：

步骤3.3：对图像I

步骤3.4：结合Meanshift向量计算图像上对应区域的形心和质心，得到新的目标位置y

式中：g＝-k′(x)，k(x)为轮廓函数；

步骤3.5：更新颜色分布直方图并计算BhatTacharyya系数，判断其与原始值的大小，如果小于原始值，则以y

步骤3.6：判断|y

步骤4：用sift算法构建尺度空间，获得图像I

步骤5：利用仿射变换模型拟合I

步骤6：在不断交替保存的I

在对已识别目标的跟踪过程中，如图2所示，利用相似三角形原理来计算观测者自身到目标个体间距离，利用直角三角形正切函数计算目标中心点与观测者搭载的摄像头传感器之间的正向夹角，计算公式如下:

f＝(d·w)/width

d＝(f·width)/w

其中，f为观测者摄像头的焦距，width为所识别目标的实际宽度，d为摄像头与目标位置之间的距离，w为采集到的图像的像素宽度。

测量效果如图3所示，(a)-(d)为不同情况下的结果，(a)光照条件良好；(b)邻居旋转；(c)邻居旋转，光照不均匀；(d)邻居旋转，背景复杂。利用以上方法即可实现对邻居个体的跟踪测量

机器鱼视觉邻居感知单目标跟踪结果轨迹如图5，机器鱼视觉邻居感知多目标跟踪结果轨迹图6。

利用相似三角形的目标测距和基于直角三角形正切函数的目标测角原理来计算观察者与邻居机器鱼之间的相对距离与角度。测量效果如图7。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。