目标跟踪机器人算法研究

机器人目标跟踪算法研究

【摘要】先介绍均值漂移和卡尔曼跟踪算法,后介绍对于此算法的改进步骤及算法

【关键词】均值漂移算法、卡尔曼滤波、匹配度、阈值、目标颜色

1、结合均值漂移与卡尔曼滤波的跟踪算法

均值漂移算法适用于非线性运动目标跟踪,具有快速有效的特点;Kalman滤波器可以准确地预测运动目标的位置和速度。因此将两种算法相结合,采用均值漂移算法的同时考虑目标的运动方向和速度信息。该算法对场景中存在的诸如遮挡、光照变化等因素的影响不敏感。

k时刻运动目标的位置Ⅳt由(3.19)式计算得到:

K,K 1 (1 )y1,k K X

K,K I是k时刻采用Kalman滤波预测的目标位置,y1,K是k时 其中,X

刻采用均值漂移算法得到的目标位置, 是比例因子,取值范围在0到l之间。根据干扰的不同情况, 取不同的权值。

本文采用Bhattacharyya系数来判断遮挡、光照变化等因素的影响。如果匹配度较大,Bhattacharyya系数的数值较大,表明目标受场景变化影响较小,均值漂移算法可以较好地实现跟踪,这时 取较小的值。如果匹配度小于设定的阈值,表明发生严重遮挡或者光照条件发生突变,若周围存在与目标颜色相近的干扰物,均值漂移算法收敛于局部最大值,容易造成目标丢失。因此,增大Kalman滤波结果的比例,即 取较大的值,直接利用Kalman预测值进行跟踪,不更新Kalman滤波器,并在预测位置计算匹配度。当预测位置的匹配度大于上述阈值时,减小 的值,均值漂移算法可以实现较好地跟踪。

如果目标受到相似颜色物体的遮挡,此时Bhattacharyya系数不会明显减小。因此还需加另一约束条件。在跟踪目标窗口外的邻域设置一个矩形框,实时统计该矩形框内目标点的剩余个数n1以及运动点的总个数n2。当n2 n1 n1/2时,表明目标受到严重干扰。如果干扰点的颜色值大多分布在目标颜色的集中区域,说明出现相似颜色目标干扰。结合目标的运动规律, 取较大的值,即增大Kalman滤波结果的比例,直接利用预测值跟踪,不

Word文档免费下载Word文档免费下载:目标跟踪机器人算法研究 (共2页,当前第1页)

你可能喜欢

  • 三维重构
  • 轮式移动机器人
  • 算法设计
  • 行人检测
  • 视觉机器人
  • 机器人视觉伺服控制
  • 机器视觉系统
  • CDN技术

目标跟踪机器人算法研究相关文档

最新文档

返回顶部