[发明专利]基于MSR-CNN的机器人多传感器目标跟踪方法

说明书

本发明设计基于MSR‑CNN的机器人多传感器目标跟踪方法，目标跟踪技术在智能监控、无人驾驶等诸多领域得到了广泛的应用，但目标跟踪算法在复杂，环境下仍然面临着巨大的挑战。针对此问题本发明提出了基于MSR‑CNN的机器人多传感器目标跟踪方法，机器人利用双目相机采集图像，利用机器人采集的多角度信息，首先对双目相机采集图像进行多尺度分解，然后利用对多尺度分解图像进行图像显著性检测对图像关键位置进行分割。最后使用MSR‑CNN对图像目标进行识别，实现机器人目标跟踪的目的。

技术领域

本发明涉及智能机器人，特别设计基于MSR-CNN的机器人多传感器目标跟踪方法。

背景技术

目标跟踪技术在智能监控、无人驾驶等诸多领域得到了广泛的应用，但目标跟踪算法在复杂，环境下仍然面临着巨大的挑战。尤其是无人驾驶领域，目标跟踪计算显得尤为重要，误判将会给用户的人身安全和社会经济造成巨大的损害。

近年来，随着深度学习技术的不断进步，基于深度学习的目标跟踪技术得到极大的发展。Siam R-CNN网络采用了小尺寸的卷积核，被广泛的应用到人脸识别、目标跟踪技术等。但是Siam R-CNN技术也有许多不足之处，例如，实时性鲁棒性不足等，这些极大的限制了Siam R-CNN在目标跟踪技术领域的发展。

发明内容

为了解决上述存在问题。本发明提出基于MSR-CNN的机器人多传感器目标跟踪方法，通过MSR-CNN算法利用多尺度数据图像做目标识别，并对多种数据源的采集图像进行处理，从而能够跟踪目标高效准确评估。为达此目的：

本发明提出基于MSR-CNN的机器人多传感器目标跟踪方法，具体步骤如下：

步骤1：机器人使用双目相机，采集多角度目标图像；

步骤2：图像预处理，对双目相机采集的多角度目标图像数据进行多尺度降采样，建立多尺度数据集；

步骤3：对多尺度数据集进行显著性检测，通过PDFT算法的脉冲离散傅里叶变换公式获得多尺度显著性特征集；

步骤4：把预处理输出的多尺度显著性特征集送入Siam R-CNN网络进行网络训练；

步骤5：对不同尺度的数据源训练模型进行加权决策；

步骤6：使用GA算法，GA对不同尺度的数据源训练模型进行寻优处理，得到最优权值；

步骤7：使用测试样本对训练出GA-Siam R-CNN进行性能测试；

步骤8：使用最佳评估模型对目标跟踪。

作为本发明进一步改进，所述步骤2中对 双目相机采集的多角度目标图像数据进行多尺度降采样的尺度分别为×1、×4、×16，其中，×1代表原图像，×4代表图像缩小4倍，×16代表图像缩小16倍。

作为本发明进一步改进，所述步骤3中，脉冲离散傅里叶变换，公式为：

其中，X是数据集，DFT(•)是离散傅里叶变换函数，sign(•)代表取符号函数，DFT^-1(•)是逆离散傅里叶变换函数，abs(•)是取模值函数，wiener(•)是维纳滤波函数。

作为本发明进一步改进，所述步骤5中不同数据源的加权决策处理公式为：