本發(fā)明涉及圖像識(shí)別。更具體地，本發(fā)明涉及一種機(jī)器人目標(biāo)智能識(shí)別方法。

背景技術(shù)：

1、隨著人工智能和機(jī)器人技術(shù)的快速發(fā)展，機(jī)器人目標(biāo)識(shí)別技術(shù)已成為智能制造、自動(dòng)駕駛、智慧安防及軍事偵察等領(lǐng)域的核心技術(shù)之一。

2、在機(jī)器人偵察任務(wù)中，由于機(jī)器人在不斷移動(dòng)，導(dǎo)致搭載相機(jī)所拍攝的偵察視頻存在清晰度下降的問題，這對(duì)目標(biāo)的準(zhǔn)確識(shí)別造成了顯著影響。因此，對(duì)偵察視頻進(jìn)行圖像增強(qiáng)處理，提升視頻清晰度，對(duì)提高目標(biāo)識(shí)別準(zhǔn)確率具有重要意義。

3、當(dāng)前，直方圖均衡化算法因其簡(jiǎn)單的實(shí)現(xiàn)方式和良好的增強(qiáng)效果而被廣泛應(yīng)用于圖像增強(qiáng)領(lǐng)域。例如，授權(quán)公告號(hào)為cn114882346b、cn114092793b的中國(guó)專利文件均采用了直方圖均衡化算法對(duì)機(jī)器人攝像頭采集的圖像進(jìn)行增強(qiáng)。

4、然而，直方圖均衡化算法在處理過程中存在明顯的局限性：對(duì)于出現(xiàn)頻率較高的灰度特征，其增強(qiáng)效果顯著；但對(duì)于頻率較小的灰度特征，則可能被過度壓縮甚至完全丟失。在偵察視頻中，由于待識(shí)別目標(biāo)通常較小，其對(duì)應(yīng)的灰度特征往往具有較低的出現(xiàn)頻率。若直接對(duì)視頻各幀進(jìn)行直方圖均衡化處理，可能導(dǎo)致這些關(guān)鍵目標(biāo)信息被吞噬，反而降低目標(biāo)識(shí)別的準(zhǔn)確性。

技術(shù)實(shí)現(xiàn)思路

1、為解決上述頻率較小的灰度特征可能被過度壓縮甚至完全丟失，從而降低目標(biāo)識(shí)別的準(zhǔn)確性的技術(shù)問題，本發(fā)明提供了一種機(jī)器人目標(biāo)智能識(shí)別方法，包括：

2、在機(jī)器人偵查的過程中，通過機(jī)器人上搭載的相機(jī)實(shí)時(shí)采集偵查視頻；根據(jù)機(jī)器人在每一時(shí)刻的移動(dòng)速度以及方向，對(duì)視頻的不同幀之間的像素點(diǎn)進(jìn)行匹配，根據(jù)匹配結(jié)果進(jìn)行混合高斯背景建模，將視頻中像素點(diǎn)分為前景像素點(diǎn)以及背景像素點(diǎn)，得到背景像素點(diǎn)的第一混合高斯模型；對(duì)各幀之間前景像素點(diǎn)構(gòu)成的前景區(qū)域進(jìn)行角點(diǎn)匹配，獲取不同幀之間前景像素點(diǎn)的對(duì)應(yīng)關(guān)系，根據(jù)前景像素點(diǎn)的對(duì)應(yīng)關(guān)系進(jìn)行混合高斯模型擬合，得到各前景像素點(diǎn)的第二混合高斯模型；根據(jù)第一混合高斯模型以及第二混合高斯模型分別確定背景像素點(diǎn)以及前景像素點(diǎn)的增強(qiáng)概率；對(duì)于視頻中任意一幀，根據(jù)該幀中各像素點(diǎn)的增強(qiáng)概率確定該幀中各灰度值的修正頻率，根據(jù)各灰度值的修正頻率對(duì)該幀進(jìn)行直方圖均衡化，得到該幀的增強(qiáng)圖像；根據(jù)各幀的增強(qiáng)圖像進(jìn)行目標(biāo)識(shí)別。

3、本發(fā)明通過實(shí)時(shí)采集偵查視頻并利用機(jī)器人的運(yùn)動(dòng)信息進(jìn)行幀間像素匹配，能夠有效建立場(chǎng)景背景模型。基于混合高斯背景建模方法，將視頻像素點(diǎn)精確劃分為前景與背景兩類，并建立背景像素點(diǎn)的第一混合高斯模型，不僅實(shí)現(xiàn)了場(chǎng)景背景的精確提取，還為后續(xù)的目標(biāo)檢測(cè)奠定了基礎(chǔ)。本發(fā)明通過對(duì)前景區(qū)域進(jìn)行角點(diǎn)匹配，獲取不同幀間前景像素點(diǎn)的對(duì)應(yīng)關(guān)系，并基于此建立前景像素點(diǎn)的第二混合高斯模型，有助于準(zhǔn)確捕捉運(yùn)動(dòng)目標(biāo)的特征信息，提高前景檢測(cè)的準(zhǔn)確性。本發(fā)明基于背景像素點(diǎn)的第一混合高斯模型、前景像素點(diǎn)的第二混合高斯模型分別計(jì)算背景像素點(diǎn)和前景像素點(diǎn)的增強(qiáng)概率，基于各像素點(diǎn)的增強(qiáng)概率修正各灰度值的頻率，使得連續(xù)多幀中的穩(wěn)定灰度特征在各幀中頻率增大，避免了連續(xù)多幀中的穩(wěn)定灰度特征頻率過小導(dǎo)致增強(qiáng)時(shí)被過度壓縮甚至完全丟失，有效提高了視頻中小目標(biāo)的對(duì)比度和細(xì)節(jié)表現(xiàn)力，使得目標(biāo)特征更加突出，基于增強(qiáng)后的圖像進(jìn)行目標(biāo)識(shí)別，提高了目標(biāo)檢測(cè)與識(shí)別的準(zhǔn)確率，為機(jī)器人偵查任務(wù)提供了強(qiáng)有力的技術(shù)支持。

4、優(yōu)選的，所述根據(jù)機(jī)器人在每一時(shí)刻的移動(dòng)速度以及方向，對(duì)視頻的不同幀之間的像素點(diǎn)進(jìn)行匹配，包括：對(duì)于視頻中相鄰的任意兩幀，根據(jù)機(jī)器人在對(duì)應(yīng)時(shí)刻的移動(dòng)速度、方向以及兩幀之間的時(shí)間間隔，確定前一幀中各像素點(diǎn)在后一幀中對(duì)應(yīng)的像素點(diǎn)。

5、優(yōu)選的，所述根據(jù)匹配結(jié)果進(jìn)行混合高斯背景建模，將視頻中像素點(diǎn)分為前景像素點(diǎn)以及背景像素點(diǎn)，得到背景像素點(diǎn)的第一混合高斯模型，包括：將各幀中對(duì)應(yīng)的像素點(diǎn)構(gòu)成一個(gè)像素點(diǎn)序列，對(duì)各像素點(diǎn)序列分別進(jìn)行混合高斯背景建模，得到各像素點(diǎn)序列的混合高斯模型，并將各像素點(diǎn)序列中的像素點(diǎn)分為前景像素點(diǎn)以及背景像素點(diǎn)；將各像素點(diǎn)序列的混合高斯模型作為該像素點(diǎn)序列中各背景像素點(diǎn)對(duì)應(yīng)的第一混合高斯模型。

6、本發(fā)明通過對(duì)像素點(diǎn)序列進(jìn)行混合高斯背景建模，利用混合高斯模型來反映各幀中對(duì)應(yīng)像素點(diǎn)的灰度統(tǒng)計(jì)特征，基于灰度統(tǒng)計(jì)特征不但能夠區(qū)分前景像素點(diǎn)與背景像素點(diǎn)，還為后續(xù)獲取背景像素點(diǎn)的增強(qiáng)概率提供了數(shù)學(xué)基礎(chǔ)。

7、優(yōu)選的，所述前景區(qū)域的獲取方法為：對(duì)每一幀中的前景像素點(diǎn)進(jìn)行連通域分析，將包含前景像素點(diǎn)數(shù)量大于預(yù)設(shè)的數(shù)量閾值的連通域作為前景區(qū)域。

8、本發(fā)明對(duì)連通域包含的前景像素點(diǎn)數(shù)量進(jìn)行判斷，排除了噪聲的干擾，獲得的前景區(qū)域更加準(zhǔn)確。

9、優(yōu)選的，所述根據(jù)前景像素點(diǎn)的對(duì)應(yīng)關(guān)系進(jìn)行混合高斯模型擬合，得到各前景像素點(diǎn)的第二混合高斯模型，包括：將各幀中對(duì)應(yīng)的前景像素點(diǎn)構(gòu)成一個(gè)前景像素點(diǎn)序列；對(duì)各前景像素點(diǎn)序列分別進(jìn)行混合高斯擬合，得到各前景像素點(diǎn)序列的混合高斯模型，將各前景像素點(diǎn)序列的混合高斯模型作為該前景像素點(diǎn)序列中前景像素點(diǎn)對(duì)應(yīng)的第二混合高斯模型。

10、本發(fā)明通過對(duì)前景像素點(diǎn)序列進(jìn)行混合高斯擬合，利用混合高斯模型來反映各幀中表示同一運(yùn)動(dòng)特征的前景像素點(diǎn)的灰度統(tǒng)計(jì)特征，為后續(xù)獲取前景像素點(diǎn)的增強(qiáng)概率提供了數(shù)學(xué)基礎(chǔ)。

11、優(yōu)選的，所述背景像素點(diǎn)以及前景像素點(diǎn)的增強(qiáng)概率滿足表達(dá)式：；其中，表示目標(biāo)幀中第個(gè)像素點(diǎn)的增強(qiáng)概率；表示目標(biāo)幀中前景像素點(diǎn)構(gòu)成的集合；表示目標(biāo)幀中第個(gè)像素點(diǎn)，當(dāng)?shù)趥€(gè)像素點(diǎn)為前景像素點(diǎn)時(shí)，、表示目標(biāo)幀中第個(gè)像素點(diǎn)在其第二混合高斯模型中各子高斯模型下概率密度最大的子高斯模型的權(quán)重以及對(duì)應(yīng)的概率密度；為預(yù)設(shè)的前景參數(shù)；當(dāng)?shù)趥€(gè)像素點(diǎn)為背景像素點(diǎn)時(shí)，、表示目標(biāo)幀中第個(gè)像素點(diǎn)在其第一混合高斯模型中各子高斯模型下概率密度最大的子高斯模型的權(quán)重以及對(duì)應(yīng)的概率密度。

12、本發(fā)明利用子高斯模型的權(quán)重和概率密度來表征像素點(diǎn)在連續(xù)多幀中的灰度統(tǒng)計(jì)特性，對(duì)于連續(xù)多幀中的穩(wěn)定灰度特征賦予較大的增強(qiáng)概率，避免連續(xù)多幀中的穩(wěn)定灰度特征在單幀中的頻率較小導(dǎo)致增強(qiáng)時(shí)被過度壓縮甚至完全丟失，有效提高了增強(qiáng)結(jié)果的可靠性和穩(wěn)定性；本發(fā)明考慮到了前景與背景區(qū)域的不同特征需求，可以根據(jù)具體應(yīng)用場(chǎng)景調(diào)整前景與背景的增強(qiáng)程度比例，能夠確保增強(qiáng)效果的協(xié)調(diào)性，提高圖像的整體質(zhì)量和視覺感知效果，后續(xù)的目標(biāo)識(shí)別提供了更高質(zhì)量的數(shù)據(jù)基礎(chǔ)。

13、優(yōu)選的，所述根據(jù)該幀中各像素點(diǎn)的增強(qiáng)概率確定該幀中各灰度值的修正頻率，包括：根據(jù)各像素點(diǎn)的增強(qiáng)概率確定該幀中各灰度值的增強(qiáng)閾值；響應(yīng)于灰度值的頻率小于灰度值的增強(qiáng)閾值，將灰度值的增強(qiáng)閾值歸一化后的結(jié)果作為灰度值的修正頻率；響應(yīng)于灰度值的頻率不小于灰度值的增強(qiáng)閾值，將灰度值的頻率歸一化后的結(jié)果作為灰度值的修正頻率。

14、本發(fā)明根據(jù)灰度值的增強(qiáng)閾值對(duì)灰度值的頻率進(jìn)行修正，既使得連續(xù)多幀中的穩(wěn)定灰度特征能夠重點(diǎn)增強(qiáng)，避免該灰度特征在單幀中的頻率較小導(dǎo)致增強(qiáng)時(shí)被過度壓縮或者丟失，又確保了各幀中的主要灰度特征能夠重點(diǎn)增強(qiáng)，使得目標(biāo)特征更加突出，為后續(xù)目標(biāo)識(shí)別提供了基礎(chǔ)。

15、優(yōu)選的，所述根據(jù)各像素點(diǎn)的增強(qiáng)概率確定該幀中各灰度值的增強(qiáng)閾值，包括：對(duì)于任意一幀中任意一種灰度值，將該灰度值在該幀中對(duì)應(yīng)的所有像素點(diǎn)的增強(qiáng)概率的均值作為該灰度值的增強(qiáng)閾值。

16、優(yōu)選的，所述角點(diǎn)匹配采用的為sift特征匹配算法。

17、優(yōu)選的，所述根據(jù)各幀的增強(qiáng)圖像進(jìn)行目標(biāo)識(shí)別，包括：將各幀的增強(qiáng)圖像輸入到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)中，輸出識(shí)別結(jié)果。

18、本發(fā)明的有益效果在于：本發(fā)明實(shí)現(xiàn)了場(chǎng)景背景的精確提取，為后續(xù)的目標(biāo)檢測(cè)奠定了基礎(chǔ)。本發(fā)明準(zhǔn)確捕捉了運(yùn)動(dòng)目標(biāo)的特征信息，提高前景檢測(cè)的準(zhǔn)確性。本發(fā)明避免了連續(xù)多幀中的穩(wěn)定灰度特征頻率過小導(dǎo)致增強(qiáng)時(shí)被過度壓縮甚至完全丟失，有效提高了視頻中小目標(biāo)的對(duì)比度和細(xì)節(jié)表現(xiàn)力，使得目標(biāo)特征更加突出，提高了目標(biāo)檢測(cè)與識(shí)別的準(zhǔn)確率，為機(jī)器人偵查任務(wù)提供了強(qiáng)有力的技術(shù)支持。