[发明专利]一种适用于水下机器人目标抓取的连续跟踪方法

说明书

本发明涉及一种适用于水下机器人目标抓取的连续跟踪方法，属于视觉目标跟踪技术领域；包括核相关运动模型的建立；HOG特征提取；建立表观模型；模型的更新和迭代。本发明基于核相关滤波理论通过基样本的循环位移实现密集采样从而提取更加丰富的训练样本集合，通过提取HOG特征，建立跟踪目标的表观模型引入核函数从而解决非线性回归问题，提升计算效率，根据反馈结果判断是否需要重新初始化跟踪，提出一种基于系统置信度自判别机制，实现了对目标的连续跟踪。本发明不仅可以保证对水下目标的稳定跟踪，而且能够自行判断遮挡和误跟踪情况，从而重新识别跟踪，进而完成对水下目标的连续跟踪可靠抓取。

技术领域

本发明涉及一种适用于水下机器人目标抓取的连续跟踪方法，属于视觉目标跟踪技术领域。

背景技术

一直以来，诸如海参、扇贝、海胆等海生物捕捞作业通常由人力完成。受限于潜水时间、潜水深度、工况、捕捞成本，潜水人员易患职业病等客观条件，采用水下机器人可以降低捕捞成本并改善作业安全性。在过去的二十年里，计算机视觉领域发展迅速。跟踪方法从最早期的均值漂移算法、子空间算法等到稀疏表示理论，再到现在主流的相关滤波类算法和深度学习算法。发展至今，目标跟踪算法虽已经取得巨大进步，但仍然存在如运动模糊、遮挡等挑战。

视觉目标跟踪是计算机视觉领域的重要研究方向之一，也是水下机器人实现对目标自主抓取作业的关键环节，它融合了模式识别、图像处理、计算机等领域的先进技术和核心思想。水下机器人的目标跟踪是在目标识别的基础上，针对第一个帧的目标识别结果，对连续视频序列给出的所确定目标在下一帧中的精确位置坐标。只有通过对水下目标的连续稳定跟踪，才能保证水下机器人实现准确可靠抓取。然而水下目标跟踪经常会由于目标与周围环境的相似，手爪或机器人的其他部分对目标的遮挡导致跟踪和抓取失败。

专利文献“一种基于深度学习和单目视觉的水下跟踪方法(申请号：201910474803.3)”涉及到基于深度学习的水下机器人目标方法，但深度学习的跟踪速度较慢，而且水下机器人目标抓取控制需要快速和高频的跟踪反馈，尤其需要考虑在水下目标抓取时受到手爪等遮挡的情形，所以该专利不能支持水下机器人目标抓取的实施。专利文献“水下运动小目标的检测跟踪方法及系统(申请号：201910595413.1)”涉及到水下小目标的目标跟踪方法，但主要用于水下声纳对目标的检测，和视觉检测跟踪的实施方法有很大差别。专利文献“一种图像识别和跟踪系统(申请号：201710424070.3)”涉及到水下机器人的图像识别和目标跟踪系统，但主要对目标图像的多线索特征进行融合，分析与测试图像的相关性，这种方法对系统资源要求不高，时间复杂度较低，但测试的样本由于大量的重叠部分导致样本存在冗余，由此而增加的样本数量会带来计算量增大不能满足实时性需求。

发明内容

本发明的目的是为了解决现在水下目标跟踪经常会由于目标与周围环境的相似，手爪或机器人的其他部分对目标的遮挡导致跟踪和抓取失败的问题而提供一种适用于水下机器人目标抓取的连续跟踪方法。

本发明的目的是这样实现的，一种适用于水下机器人目标抓取的连续跟踪方法，具体包括以下步骤：

步骤1、核相关运动模型的建立；

核相关运动模型的建立需要基于相关滤波的KCF方法采用密集采样的方式提取更加丰富的训练样本集合；密集采样通过基样本的循环位移来实现，在采样过程中生成一个样本循环矩阵：

密集采样就是通过循环矩阵的特性将感兴趣区域进行循环位移，为滤波器提供训练样本；根据核函数定理，样本循环矩阵映射到核空间后依然保持循环特性；

步骤2、HOG特征提取；

步骤2.1、将样本区域分成若干区域，然后每个区域提取32维特征，即3×nOrients+5，其中nOrients＝9为梯度方向划分的盒子即bin个数，每个方向提取三个特征，包括两个对盒子敏感的，一个是不敏感的，另外4个特征表观纹理，最后一个为零，表示阶段特征；