[发明专利]面向移动机器人的连续图像动态目标自动分割方法及装置

说明书

本申请提供了一种面向移动机器人的连续图像动态目标自动分割方法及装置，所述方法包括：分离待处理的连续灰度图像中的动态特征点与静态背景特征点；基于预先训练的自适应网络推理系统计算各所述动态特征点之间的黏度，所述黏度用于表征两个动态特征点隶属于同一动态目标的可能性大小；基于设定的黏度阈值，以动态特征点作为节点构建黏度树，所述黏度树上的任一节点与其相连的节点对应的动态特征点之间的黏度大于黏度阈值；分别将每一颗黏度树中的所有节点对应的多个动态特征点作为一个动态目标，对所述灰度图像进行动态目标分割。本申请能够在无先验语义知识情况下，在未知环境和动态目标的场景中实现移动机器人对连续图像的实时精确分割。

技术领域

本申请属于图像处理技术领域，特别涉及一种面向移动机器人的连续图像动态目标自动分割方法及装置。

背景技术

图像动态目标分割是指确定图像中哪些动态特征点属于同一运动目标，哪些动态特征点属于另一运动目标，图像中同一运动目标的多个动态特征点的运动属性基本相同。面向移动机器人的连续图像动态目标自动分割技术是实现移动机器人自主导航能力的核心技术之一，基于特征点聚类的图像分割技术是其中的热门方向。移动机器人在工作过程中面临如下问题：环境未知，没有先验知识；环境可能会时刻发生变化；环境中的目标物信息未知。

目标分割技术主要分为两大类：对动态特征点进行聚类分割和借助语义信息进行目标分割。对动态特征点进行聚类分割通常依靠特征点的位置信息和运动状态信息来对场景中存在的运动目标进行分割，具有计算成本低的优点，但当环境中的目标数目过多，特征点分布过于密集时，聚类的难度会大大增加。尤其当分割目标的运动非常复杂时，单纯地依靠特征点的位置或者运动状态估计进行聚类并不能准确地得到环境中所有动态障碍物的信息。借助语义信息进行目标分割的方法由于语义识别要求更多的计算量和训练量，导致实时检测速率将会因为计算量增大而降低，同时漏检率可能会因为待分割目标未提前进行训练导致过高，尤其是在复杂且未知的工作环境下，难以保证场景中所有的待分割目标均被提前训练。申请号为201710278748.1的中国发明专利公开了一种基于深度学习图像分割技术的手眼伺服机器人抓取系统及方法，该专利指出手眼伺服机器人抓取系统使用深度学习方法进行语义特征提取，实现在线图片分割。但该专利仅适用于已知目标和环境。

现有技术均不能解决面向移动移动机器人未知作业场景的动态目标实时分割，为解决移动机器人在工作过程中面临的三个关键问题，提出一种面向移动机器人在未知工作场景下进行快速、精确的动态目标自动分割方法。

发明内容

为了解决上述技术问题至少之一，本申请提供了一种面向移动机器人的连续图像动态目标自动分割方法及装置，基于特征点间黏度，不需要借助语义信息即可实现对连续图像的动态目标分割。

本申请第一方面提供了一种面向移动机器人的连续图像动态目标自动分割方法，主要包括：

步骤S1、分离待处理的连续灰度图像中的动态特征点与静态背景特征点；

步骤S2、基于预先训练的自适应网络推理系统计算各所述动态特征点之间的黏度，所述黏度用于表征两个动态特征点隶属于同一动态目标的可能性大小，所述自适应网络推理系统被配置成根据两个动态特征点之间的距离与运动矢量差计算推理规则值，并将所述推理规则值作为黏度计算值与设定的黏度真值之间的差值最小为训练目标训练生成，在训练过程中，两个动态特征点隶属于同一动态目标时，设定的黏度真值为1，反之为0；

步骤S3、基于设定的黏度阈值，以动态特征点作为节点构建黏度树，所述黏度树上的任一节点与其相连的节点对应的动态特征点之间的黏度大于黏度阈值；

步骤S4、分别将每一颗黏度树中的所有节点对应的多个动态特征点作为一个动态目标，对所述灰度图像进行动态目标分割。

优选的是，步骤S1进一步包括：

步骤S11、对每一个特征点，确定其在两个相邻灰度图像帧中的实际光流矢量；