预览加载中,请您耐心等待几秒...
1/10
2/10
3/10
4/10
5/10
6/10
7/10
8/10
9/10
10/10

亲,该文档总共20页,到这已经超出免费预览范围,如果喜欢就直接下载吧~

如果您无法下载资料,请参考说明:

1、部分资料下载需要金币,请确保您的账户上有足够的金币

2、已购买过的文档,再次下载不重复扣费

3、资料包下载后请先用软件解压,在使用对应软件打开

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114972132A(43)申请公布日2022.08.30(21)申请号202210598786.6G06T7/90(2017.01)(22)申请日2022.05.30G06V10/50(2022.01)G06V20/58(2022.01)(71)申请人浙江孔辉汽车科技有限公司G06N3/08(2006.01)地址313000浙江省湖州市吴兴区南太湖G06V10/62(2022.01)高新技术产业园区工业路18号-102(72)发明人赵添一郎张博宇董志圣李朝健(74)专利代理机构长春中科长光知识产权代理事务所(普通合伙)22218专利代理师高一明(51)Int.Cl.G06T5/20(2006.01)G06T7/246(2017.01)G06T7/277(2017.01)G06T7/73(2017.01)权利要求书4页说明书10页附图5页(54)发明名称智能AGV车实时跟踪方法及跟踪系统(57)摘要本发明提供一种智能AGV车实时跟踪方法及跟踪系统,采用改进的Camshift算法和改进的CSRT算法作为目标跟踪算法,在传统Camshift算法的基础上建立联合直方图,再引入滤波预测机制,算法运行速度快,且对目标形变等环境干扰具有一定的鲁棒性,改进的CSRT算法对于模型更新策略的调整可以避免相似背景的模型漂移问题,相关滤波的应用也可以排除光强变化的干扰,同时运行两种算法进行跟踪,利用算法可靠性评价响应状态,建立结果选择性更新机制获取目标位置。在一定程度上可以有效实现智能AGV车的实时跟踪需要。CN114972132ACN114972132A权利要求书1/4页1.一种智能AGV车实时跟踪系统,其特征在于,包括:主摄像头,用于拍摄获得第一图像;辅摄像头,用于拍摄获得第二图像;测距模块,用于基于所述第一图像与所述第二图像采用双目空间测距算法进行测距,获得跟踪目标与智能AGV车之间的直线距离L;滤波模块,用于采用高斯双边滤波算法对所述第一图像进行滤波处理;色彩转换模块,用于采用Camshift算法对所述第一图像中的跟踪目标进行直方图特征提取,并对所述直方图特征进行HSV色彩转换,获得所述跟踪目标的色度、饱和度和透明度;三维联合直方图跟踪模板建立模块,用于基于所述跟踪目标的色度,饱和度和透明度建立三维联合直方图跟踪模板;三维联合直方图建立模块,用于采用自适应加权策略调整所述跟踪目标的色度、饱和度和透明度的权重值,建立自适应的三维联合直方图;跟踪目标遇障判断模块,用于采用巴氏距离判断所述跟踪目标是否遇到障碍物;算法融合模块,用于当所述巴氏距离大于预设阈值时,引入卡尔曼滤波算法,并与所述Camshift算法进行线性拟合获得观测值与预测值,作为第一结果;目标特征跟踪模板建立模块,用于采用CSRT算法建立目标特征跟踪模板获得观测值与预测值,作为第二结果;其中,所述CSRT算法每隔m帧更新一次,m≥5;判断器,用于接收所述第一结果和所述第二结果,并采用算法可靠性来评价响应状态,建立结果选择更新机制,进行结果输出;转角计算模块,用于根据所述判断器的输出结果计算所述智能AGV车的转角;智能AGV车车速计算模块,用于根据所述直线距离L计算所述智能AGV车的车速;目标跟踪模块,用于根据所述智能AGV车的转角和车速对所述跟踪目标进行跟踪。2.如权利要求1所述的智能AGV车实时跟踪系统,其特征在于,所述测距模块包括:参数确定单元,用于确定所述双目空间测距算法中19个待学习的参数;参数学习单元,用于采用BP神经网络算法对19个参数进行学习,确定19个参数的值。3.如权利要求1所述的智能AGV车实时跟踪系统,其特征在于,所述三维联合直方图建立模块中的自适应加权策略为:所述跟踪目标的色度A的权重值λA=1/3;所述跟踪目标的透明度V的权重值其中,Va为跟踪目标的透明度V的平均值,α为透明度调整参数;所述跟踪目标的饱和度S的权重值λS=1‑λA‑λV。4.如权利要求1所述的智能AGV车实时跟踪系统,其特征在于,所述跟踪目标遇障判断模块中的巴氏距离d(H1,H)的计算公式如下:其中,H1为第i帧观测到的所述第一图像的直方图,H为第i帧建立的三维联合直方图;N为H1或H的像素值的总数;2CN114972132A权利要求书2/4页所述算法融合模块对所述卡尔曼滤波算法与所述Camshift算法进行线性拟合的公式如下:x(t)=βx(t|t‑1)+(1‑β)Y;x(t)为目标在t时刻的预测位置;x(t|t‑1)为所述卡尔曼滤波算法的预测位置;Y为所述Camshift算法的预测位置;β为比例因子,β近似等于1‑d(H1,H)。5.如权利要求1所述的智能AGV车实时跟踪系统,其特征在于,所述判断器采用的算法可靠性包括算法离