[发明专利]一种复杂背景下的动态目标识别追踪方法

说明书

一种复杂背景下的动态目标识别追踪方法，属于空间在轨服务领域。包括步骤：利用深度相机采集动态目标运动区域视频数据，将视频数据分离成按时间顺序存储的图像数据和语音数据，利用改进的动态目标检测方法来处理图像数据，并用最小矩形框标注出此帧图像的候选边界框区域；利用标注出的边界框区域进行动态目标的特征提取、图像分割、类别确定和边界框回归修正；利用检测到的动态目标的类别以及深度相机测定出的位置、深度数据来获取目标的质心，将每次获取到的质心连成一条运动轨迹，利用运动轨迹预测动态目标运动状态，实现机械臂实时抓取动态目标。本发明计算量小，运算速度快，机械臂抓取动态目标实时性好、成功率高。

技术领域

本发明涉及空间在轨服务领域，具体涉及一种复杂背景下的动态目标识别追踪方法。

背景技术

随着空间在轨服务的快速发展，空间机械臂技术成为了实施在轨服务与维护任务的关键技术之一，利用机械臂对空间非合作目标，特别是运动目标的抓捕目前仍然存在巨大的挑战。为保障航天器在复杂空间环境中的轨道上可以稳定高效的运行，需要空间机械臂能够实现航天器的在轨组装、添加燃料以及失效航天器的捕获、回收、维修、更新模块等操作。

由于航天器所在的空间背景环境复杂且需检测区域广阔，因此需要简化背景模型，通过目标检测法提取出运动物体所在区域来缩小待识别区域以达到更高的识别率。动态目标检测算法主要包括帧差法、背景减除法和光流法。帧差法具有算法简单、更新速度快、计算量小的优点，但也存在着诸多问题，如：对环境噪声较为敏感；阈值的选择过低不足以抑制图像中的噪声；阈值的选择过高则忽略了图像中一些有用的变化，目标内部易产生空洞，无法完整地提取运动目标。背景减除法具有算法复杂度小、提取目标完整、检测目标没有空洞的优点，但也存在着适用场景局限、建立一个良好的背景模型需要花费很大计算量和存储量的开销、处理光照过强的运动物体视频效果弱的问题；光流场法具有不需要预先知道场景的任何信息就能够检测到运动目标的优点，但也存在着不适用于实时系统、易受光照变化影响、对于电脑性能要求较高的问题。综上所述，以上三种方法都具有会影响到检测结果准确性的缺点。

突破这一瓶颈问题的一种思路是将三帧差分法和自适应更新背景的背景减除法相结合，预先选取一帧作为背景帧，运用帧间差分法对相邻三帧图像进行差分处理，区分出背景点和变化的区域，再运用背景减除法来判定变化的区域是否为背景区域，若为背景区域则更新背景模型，若为运动区域，则用最大矩形框标注出运动区域。当视频数据中某一动态干扰物体停止运动时，会很快被三帧差分法检测出、过滤掉并更新到背景图像模型中，将此改进方法提取出的候选区域送入卷积神经网络进行识别分割的计算量小，运算速度也会有很大程度的提升。

传统的目标识别算法存在着耗时耗力且识别效果不佳等缺陷，而基于深度学习的目标识别算法具有特征自主学习的优势，通过逐层特征变换，将样本在原空间的特征表示变换到一个新的特征空间，从而使分类或预测更加容易。基于深度学习的目标识别算法主要基于两种思路：第一种是两步走思路，先产生候选区域然后再进行CNN分类，如：R-CNN、Fast R-CNN、Faster R-CNN算法；第二种是一步走思路，直接对输入图像应用算法并输出类别和相应的定位，如：SSD算法、YOLO算法。Faster R-CNN算法在物体识别中已达到非常好的性能，Mask R-CNN算法在Faster R-CNN算法的基础上进行改进，通过实例分割可以得到像素级别的检测结果，使检测到的动态目标更加精确。

传统的目标跟踪算法包括光流法、均值漂移法、粒子滤波和基于在线机器学习的方法，而基于在线机器学习的方法又可以划分为基于生成式的方法和基于判别式的方法。随着相关滤波框架和深度学习框架的出现，基于分类和回归模型的判别式算法成为了目前目标跟踪领域的主流方法。

发明内容

本发明解决的技术问题是：针对复杂背景下利用卷积神经网络进行动态目标识别追踪方法计算量大、运算速度慢的问题，提出一种复杂背景下的动态目标识别追踪方法，实现机械臂在复杂背景下可以实时、高效、快速的抓取动态目标。