技術(shù)特征：

1.一種基于特征融合粒子濾波的仿生機(jī)器魚視覺跟蹤方法，其特征在于，包括如下步驟：

步驟1，初始化：利用矩形框手動(dòng)選定跟蹤目標(biāo)，提取目標(biāo)的HSV顏色直方圖、運(yùn)動(dòng)邊緣直方圖，組成目標(biāo)模板；選取目標(biāo)模板中的粒子數(shù)量為N，粒子權(quán)重為

步驟2，粒子狀態(tài)估計(jì)：

k時(shí)刻第i個(gè)粒子狀態(tài)估計(jì)為：

$x_k^i-{\stackrel{\‾}{x}}_{k-1}=A_1(r_{k-1}^i-{\stackrel{\‾}{x}}_{k-1})+A_2(x_{k-2}^i-{\stackrel{\‾}{x}}_{k-1})+{\mathrm{Bw}}_{k-1},k=2,3,...$

其中，分別表示第i個(gè)粒子在k-2、k-1、k時(shí)刻的狀態(tài)，表示k-1時(shí)刻所有粒子的狀態(tài)估計(jì)值的均值；w_k-1為k-1時(shí)刻系統(tǒng)隨機(jī)過程噪聲；A₁、A₂、B為常量；

步驟3，構(gòu)建以k時(shí)刻第i個(gè)粒子狀態(tài)估計(jì)的位置為中心的、與目標(biāo)模板相同大小的候選區(qū)域；i＝1,2，…，N；提取當(dāng)前幀所有N個(gè)候選區(qū)域的HSV顏色直方圖和運(yùn)動(dòng)邊緣直方圖；

步驟4，修改粒子權(quán)重值：

步驟4.1，采用式(1)計(jì)算基于顏色直方圖的第i個(gè)粒子的權(quán)值更新值：

$\mathrm{\ξ}\_{\mathrm{clour}}_k^i=\mathrm{\ξ}\_{\mathrm{clour}}_{k-1}^i\×p_{k,clour}^i=\mathrm{\ξ}\_{\mathrm{clour}}_{k-1}^i\×\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}{e}^{-\frac{{(d\_{\mathrm{clour}}_k^i)}^2}{2{\mathrm{\σ}}^2}}---\left(1\right)$

其中，分別為第k-1、k幀基于顏色直方圖的第i個(gè)粒子的權(quán)值更新值，為顏色信息的觀測似然函數(shù)；σ為高斯方差；為第i個(gè)粒子對(duì)應(yīng)的候選區(qū)域與目標(biāo)模板顏色特征的Bhattacharyya距離，為顏色特征的Bhattacharyya系數(shù)，q＝(q_(u))_{u＝1,2,...,NN}為目標(biāo)模板的顏色直方圖，為第k幀第i個(gè)粒子對(duì)應(yīng)的候選區(qū)域的顏色直方圖；NN為顏色直方圖的顏色子空間數(shù)；

步驟4.2，采用式(2)計(jì)算基于運(yùn)動(dòng)邊緣直方圖的第i個(gè)粒子的權(quán)值更新值：

$\mathrm{\ξ}\_{\mathrm{diffedge}}_k^i=\mathrm{\ξ}\_{\mathrm{diffedge}}_{k-1}^i\×p_{k,diffedge}^i=\mathrm{\ξ}\_{\mathrm{diffedge}}_{k-1}^i\×\frac{1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_1}{e}^{-\frac{{(d\_{\mathrm{diffedge}}_k^i)}^2}{2{{\mathrm{\σ}}_1}^2}}---\left(2\right)$

其中分別為第k-1、k幀基于運(yùn)動(dòng)邊緣直方圖的第i個(gè)粒子的權(quán)值更新值，為運(yùn)動(dòng)邊緣信息的觀測似然函數(shù)；σ₁為高斯方差，為第i個(gè)粒子對(duì)應(yīng)的候選區(qū)域與目標(biāo)模板運(yùn)動(dòng)邊緣特征的Bhattacharyya距離，其中為運(yùn)動(dòng)邊緣特征的Bhattacharyya系數(shù)，γ₁＝(γ_1(u))_{u＝1,2,...,MM}為目標(biāo)模板的運(yùn)動(dòng)邊緣直方圖，為第k幀第i個(gè)粒子對(duì)應(yīng)的候選區(qū)域的運(yùn)動(dòng)邊緣直方圖；MM為運(yùn)動(dòng)邊緣直方圖的幅度或方向子空間數(shù)；

步驟4.3，采用式(3)進(jìn)行特征融合的粒子權(quán)重更新：

$\mathrm{\ξ}\_{\mathrm{final}}_k^i=\mathrm{\ξ}\_{\mathrm{final}}_{k-1}^i\×p\_{\mathrm{final}}_k^i---\left(3\right)$

其中，分別為第k-1、k幀的特征融合的第i個(gè)粒子的權(quán)重更新值；為聯(lián)合似然函數(shù)：

$p\_{\mathrm{final}}_k^i={\mathrm{\η}}_1\×p_{k,clour}^i+{\mathrm{\η}}_2\×p_{k,diffedge}^i$

其中，η₁,η₂為歸一化權(quán)值，其中d_{1_min},d_{2_min}分別為顏色特征和運(yùn)動(dòng)邊緣特征中所有候選區(qū)域和目標(biāo)模板之間的最小Bhattacharyya距離；

歸一化粒子權(quán)重

$\mathrm{\ξ}\_{\mathrm{fianl}}_k^i=\frac{\mathrm{\ξ}\_{\mathrm{final}}_k^i}{\underset{i=1}{\overset{N}{\Σ}}\mathrm{\ξ}\_{\mathrm{final}}_k^i}$

步驟5，利用步驟4獲得的粒子權(quán)重得到k時(shí)刻目標(biāo)的狀態(tài)估計(jì)為：

$x_k=\underset{i=1}{\overset{N}{\Σ}}{x}_k^i\mathrm{\ξ}\_{\mathrm{final}}_k^i$

步驟6，目標(biāo)模板更新：

設(shè)定一個(gè)Bhattacharyya系數(shù)的閾值，若當(dāng)前幀所有候選區(qū)域的顏色特征和運(yùn)動(dòng)邊緣特征的Bhattacharyya系數(shù)中的最大值小于設(shè)定的閾值，進(jìn)行目標(biāo)模板更新，按照步驟1的方法建立新的目標(biāo)模板；然后按照下式進(jìn)行目標(biāo)模板更新：

M_opt＝β×M_old+(1-β)×M_now

其中，M_opt為更新后的目標(biāo)模板，M_old為更新前的目標(biāo)模板，M_now為新建的目標(biāo)模板，β表示更新前的目標(biāo)模板在更新后的目標(biāo)模板中所占的比例；

步驟7，重采樣粒子：

計(jì)算粒子退化程度N_eff，并與設(shè)定閾值N_th比較，如果N_eff＜N_th，則重采樣粒子，并令新的粒子具有相等的權(quán)重值否則，不重采樣粒子；

步驟8：讀取下一張圖像，重復(fù)執(zhí)行步驟2～8。

2.如權(quán)利要求1所述的基于特征融合粒子濾波的仿生機(jī)器魚視覺跟蹤方法，其特征在于，所述目標(biāo)的HSV顏色直方圖的提取方法如下：

從攝像頭采集的視頻圖像獲取矩形框區(qū)域RGB顏色模型，接著完成RGB向HSV顏色空間的轉(zhuǎn)換；將HSV顏色空間的每個(gè)子空間H、S、V分別分成Nh、個(gè)等級(jí)，將整個(gè)HSV空間的顏色直方圖劃分為NN＝Nh×Ns+Nv個(gè)顏色子空間；根據(jù)目標(biāo)區(qū)域圖像像素的(h,s,v)分量所屬的等級(jí)，得到該像素屬于哪個(gè)顏色子空間中，從而得到目標(biāo)的HSV顏色直方圖。

3.如權(quán)利要求1所述的基于特征融合粒子濾波的仿生機(jī)器魚視覺跟蹤方法，其特征在于，所述運(yùn)動(dòng)邊緣直方圖的提取方法如下：

設(shè)h_k,h_k+1為相鄰的兩幀圖像，計(jì)算這兩幀的絕對(duì)差分圖像D_k，對(duì)差分圖像D_k求梯度，得到運(yùn)動(dòng)邊緣圖像E_k，然后利用運(yùn)動(dòng)邊緣的幅值或方向角獲得運(yùn)動(dòng)邊緣直方圖。

4.如權(quán)利要求3所述的基于特征融合粒子濾波的仿生機(jī)器魚視覺跟蹤方法，其特征在于，所述運(yùn)動(dòng)邊緣直方圖為運(yùn)動(dòng)邊緣方向直方圖，運(yùn)動(dòng)邊緣方向直方圖求取方法如下：

將方向空間劃分成MM個(gè)不同方向，獲得MM個(gè)方向子空間；對(duì)運(yùn)動(dòng)邊緣的方向角θ(x,y)進(jìn)行量化，以方向子空間中點(diǎn)的比重作為縱坐標(biāo)，構(gòu)建運(yùn)動(dòng)邊緣方向直方圖。

5.如權(quán)利要求4所述的基于特征融合粒子濾波的仿生機(jī)器魚視覺跟蹤方法，其特征在于，所述MM＝24～36。

6.如權(quán)利要求1所述的基于特征融合粒子濾波的仿生機(jī)器魚視覺跟蹤方法，其特征在于，所述步驟2中，A1＝2、A2＝-1、B＝1。

7.如權(quán)利要求1所述的基于特征融合粒子濾波的仿生機(jī)器魚視覺跟蹤方法，其特征在于，所述步驟4中，σ＝0.1～0.3；σ₁＝0.1～0.3。

8.如權(quán)利要求1所述的基于特征融合粒子濾波的仿生機(jī)器魚視覺跟蹤方法，其特征在于，所述步驟6中，β＝0.1～0.3。

9.如權(quán)利要求1所述的基于特征融合粒子濾波的仿生機(jī)器魚視覺跟蹤方法，其特征在于，所述步驟7中，N_th＝2N/3。