基于路径规划的智能购物车自主导航与自动跟随方法.pdf

《基于路径规划的智能购物车自主导航与自动跟随方法.pdf》由会员分享，可在线阅读，更多相关《基于路径规划的智能购物车自主导航与自动跟随方法.pdf（11页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910923151.7 (22)申请日 2019.09.27 (71)申请人 四川长虹电器股份有限公司 地址 621000 四川省绵阳市高新区绵兴东 路35号 (72)发明人 付晓锋 (74)专利代理机构 成都虹桥专利事务所(普通 合伙) 51124 代理人 郝迎宾 (51)Int.Cl. G06F 16/29(2019.01) G06Q 10/04(2012.01) G06T 7/215(2017.01) G06T 7/254(2017.01) G06T 7/90(201。

2、7.01) G01C 21/20(2006.01) (54)发明名称 基于路径规划的智能购物车自主导航与自 动跟随方法 (57)摘要 本发明提出一种基于路径规划的智能购物 车自主导航与自动跟随方法， 属于智能购物车领 域。 本发明包括如下步骤： 建立中心服务器， 搭建 地图数据库， 将购物商场路径以及各类商品位置 数据存入地图数据库中， 并定时更新； 用户将购 物清单导入购物车系统后， 购物车系统记录下当 前位置坐标， 同时将各商品的标签码记录并调用 地图数据库， 通过地图数据库进行标签码与对应 商品位置的匹配， 从而得到需要到达的各个商品 目的地坐标； 中心服务器依据初始坐标以及目的 坐标，。

3、 通过路径最优算法， 规划最优路径， 实现自 动导航； 当确定下来行进路径后， 即进入自动跟 随状态。 本发明能够给出购物所需最优路径， 同 时可以实现购物车自动跟随购物用户。 权利要求书2页 说明书7页 附图1页 CN 110717003 A 2020.01.21 CN 110717003 A 1.基于路径规划的智能购物车自主导航与自动跟随方法， 其特征在于， 包括如下步骤： 步骤1、 建立中心服务器， 搭建地图数据库， 将购物商场路径以及各类商品位置数据存 入地图数据库中， 并定时更新； 步骤2、 用户将购物清单导入购物车系统后， 购物车系统记录下当前位置坐标， 同时将 各商品的标签码记录。

4、并调用地图数据库， 通过地图数据库进行标签码与对应商品位置的匹 配， 从而得到需要到达的各个商品目的地坐标； 步骤3、 中心服务器依据初始坐标以及目的坐标， 通过路径最优算法， 规划最优路径， 实 现自动导航； 步骤4、 当确定下来行进路径后， 即进入自动跟随状态。 2.根据权利要求1所述的基于路径规划的智能购物车自主导航与自动跟随方法， 其特 征在于， 步骤3中， 所述路径最优算法为A星启发式路径搜索算法。 3.根据权利要求2所述的基于路径规划的智能购物车自主导航与自动跟随方法， 其特 征在于， 所述A星启发式路径搜索算法的公式为f(n)g(n)+h(n)， 其中， f(n)是从初始状态 经。

5、由状态n到目标状态的代价估计， g(n)是在状态空间中从初始状态到状态n的实际代价， h (n)是从状态n到目标状态的最佳路径的估计代价。 4.根据权利要求3所述的基于路径规划的智能购物车自主导航与自动跟随方法， 其特 征在于， 所述A星启发式路径搜索算法的输入是起点和终点， 起点即初始状态， 终点即目标 状态， 以及两点间所有可能的路径， 以及涉及到的中间节点， 每两个节点间的路径的代价中 间节点即中间状态； 输出是从起点到终点的最优路径， 即代价最小。 5.根据权利要求3或4所述的基于路径规划的智能购物车自主导航与自动跟随方法， 其 特征在于， 所述A星启发式路径搜索算法包括如下步骤： 步。

6、骤301、 把起点加入open list； 步骤302、 重复如下过程： a、 遍历open list， 查找f值最小的节点， 把它作为当前要处理的节点； b、 把这个节点移到close list； c、 对当前节点的所有邻近节点， 如果它是不可抵达的或者它在closelist中， 忽略它； 否则， 做如下操作： 如果它不在open list中， 把它加入open list， 并且把当前方格设置为它的父节点， 记 录该方格的f， g和h值； 如果它已经在openlist中， 检查这条路径， 即经由当前节点到达临近节点那里的路径 是否更好， 用g值作参考， 把它的父节点设置为当前方格， 并重新计。

7、算它的g和f值， 如果open list是按f值排序的话， 重新计算g值和f值后根据需要重新排序； d、 停止， 当把终点加入到了open list中， 此时路径已经找到了； 查找终点失败， 并且 open list是空的， 此时没有路径； 步骤303、 保存路径， 从终点开始， 每个方格沿着父节点移动直至起点， 这就是需要的最 优路径。 6.根据权利要求1所述的基于路径规划的智能购物车自主导航与自动跟随方法， 其特 征在于， 步骤4中， 购物车需要在室内场景锁定顾客， 顾客本身是一个运动目标， 或者成为静 态目标， 需要同时实现静态与动态背景下的目标跟踪。 权利要求书 1/2 页 2 CN 。

8、110717003 A 2 7.根据权利要求6所述的基于路径规划的智能购物车自主导航与自动跟随方法， 其特 征在于， 当顾客静止不动时， 购物车镜头所观察的视野也是静止的， 此时采用背景差分法， 即先对背景图像进行建模， 然后从视频流中读取图像作为前景图像， 将前景图像与背景图 像做差， 就可以得到进入视野的目标物体， 也就实现了静态背景下对目标的锁定， 这同样可 以用于购物车自主跟随系统初始化时对顾客的锁定； 当顾客运动时， 购物车镜头所观察的视野是动态的， 这时采取以下算法： 以视频图像中运动物体的颜色信息作为特征， 对输入图像的每一帧分别作迭代运算， 并将上一帧的目标中心和搜索窗口大小作。

9、为下一帧迭代算法的中心和搜索窗口大小的初 始值， 如此迭代下去， 实现对目标的跟踪。 8.根据权利要求7所述的基于路径规划的智能购物车自主导航与自动跟随方法， 其特 征在于， 当顾客运动时， 采取的算法包括如下步骤： 步骤401、 计算目标区域内的颜色直方图； 步骤402、 根据获得的颜色直方图将原始输入图像转化成颜色概率分布图像； 步骤403、 进行迭代运算； 步骤404、 调整搜索窗口中心到质心。 9.根据权利要求7所述的基于路径规划的智能购物车自主导航与自动跟随方法， 其特 征在于， 当顾客运动时， 对于同一个顾客， 身体特征例如颜色是不变的， 用镜头提取自主跟 随功能初始化时的静态图像。

10、中的关键特征信息， 根据该特征信息， 建立目标的色彩直方图 模型， 从而得到某像素为目标像素的概率， 根据概率的阀值将视频图像转换为目标色彩概 率分布图， 概率为1的像素值设为255， 概率为0的像素值为0， 其他像素也转换为相应的灰度 值， 从而生成灰度图与二值图， 实现对目标的跟随。 权利要求书 2/2 页 3 CN 110717003 A 3 基于路径规划的智能购物车自主导航与自动跟随方法 技术领域 0001 本发明涉及智能购物车技术， 特别涉及一种基于路径规划的智能购物车自主导航 与自动跟随方法。 背景技术 0002 随着购物智能化的发展， 零售业会因购物环境的改善和顾客满意度的提高而。

11、大幅 度增加利润。 目前国内商场大都采用传统的购物方式和条码扫描的结账方式， 货物种类的 繁杂、 购物高峰期的拥挤和传统扫码结账方式的繁琐浪费了大量的人力物力， 降低了顾客 满意度。 在这一背景下， 智能购物车应运而生， 那么当下的智能购物车在路径规划方面不尽 如人意， 特别是在障碍规避方面如何更加精确与科学， 目前的智能购物车大多采用GPS定位 模块获取位置信息， 但是对于路径规划以及障碍规避并没有做合理的处理。 发明内容 0003 本发明的目的是提供一种基于路径规划的智能购物车自主导航与自动跟随方法， 能够解决智能购物车如何实现路径规划， 精准规避障碍等问题。 0004 本发明解决其技术问。

12、题， 采用的技术方案是： 基于路径规划的智能购物车自主导 航与自动跟随方法， 包括如下步骤： 0005 步骤1、 建立中心服务器， 搭建地图数据库， 将购物商场路径以及各类商品位置数 据存入地图数据库中， 并定时更新； 0006 步骤2、 用户将购物清单导入购物车系统后， 购物车系统记录下当前位置坐标， 同 时将各商品的标签码记录并调用地图数据库， 通过地图数据库进行标签码与对应商品位置 的匹配， 从而得到需要到达的各个商品目的地坐标； 0007 步骤3、 中心服务器依据初始坐标以及目的坐标， 通过路径最优算法， 规划最优路 径， 实现自动导航； 0008 步骤4、 当确定下来行进路径后， 即。

13、进入自动跟随状态。 0009 具体的是， 步骤3中， 所述路径最优算法为A星启发式路径搜索算法。 0010 进一步的是， 所述A星启发式路径搜索算法的公式为f(n)g(n)+h(n)， 其中， f(n) 是从初始状态经由状态n到目标状态的代价估计， g(n)是在状态空间中从初始状态到状态n 的实际代价， h(n)是从状态n到目标状态的最佳路径的估计代价。 0011 具体的是， 所述A星启发式路径搜索算法的输入是起点和终点， 起点即初始状态， 终点即目标状态， 以及两点间所有可能的路径， 以及涉及到的中间节点， 每两个节点间的路 径的代价中间节点即中间状态； 输出是从起点到终点的最优路径， 即代。

14、价最小。 0012 进一步的是， 所述A星启发式路径搜索算法包括如下步骤： 0013 步骤301、 把起点加入open list； 0014 步骤302、 重复如下过程： 0015 a、 遍历open list， 查找f值最小的节点， 把它作为当前要处理的节点； 说明书 1/7 页 4 CN 110717003 A 4 0016 b、 把这个节点移到close list； 0017 c、 对当前节点的所有邻近节点， 如果它是不可抵达的或者它在close list中， 忽 略它； 否则， 做如下操作： 0018 如果它不在open list中， 把它加入open list， 并且把当前方格设置为。

15、它的父节 点， 记录该方格的f， g和h值； 0019 如果它已经在open list中， 检查这条路径， 即经由当前节点到达临近节点那里的 路径是否更好， 用g值作参考， 把它的父节点设置为当前方格， 并重新计算它的g和f值， 如果 open list是按f值排序的话， 重新计算g值和f值后根据需要重新排序； 0020 d、 停止， 当把终点加入到了open list中， 此时路径已经找到了； 查找终点失败， 并 且open list是空的， 此时没有路径； 0021 步骤303、 保存路径， 从终点开始， 每个方格沿着父节点移动直至起点， 这就是需要 的最优路径。 0022 具体的是， 步。

16、骤4中， 购物车需要在室内场景锁定顾客， 顾客本身是一个运动目标， 或者成为静态目标， 需要同时实现静态与动态背景下的目标跟踪。 0023 进一步的是， 当顾客静止不动时， 购物车镜头所观察的视野也是静止的， 此时采用 背景差分法， 即先对背景图像进行建模， 然后从视频流中读取图像作为前景图像， 将前景图 像与背景图像做差， 就可以得到进入视野的目标物体， 也就实现了静态背景下对目标的锁 定， 这同样可以用于购物车自主跟随系统初始化时对顾客的锁定； 0024 当顾客运动时， 购物车镜头所观察的视野是动态的， 这时采取以下算法： 0025 以视频图像中运动物体的颜色信息作为特征， 对输入图像的每。

17、一帧分别作迭代运 算， 并将上一帧的目标中心和搜索窗口大小作为下一帧迭代算法的中心和搜索窗口大小的 初始值， 如此迭代下去， 实现对目标的跟踪。 0026 具体的是， 当顾客运动时， 采取的算法包括如下步骤： 0027 步骤401、 计算目标区域内的颜色直方图； 0028 步骤402、 根据获得的颜色直方图将原始输入图像转化成颜色概率分布图像； 0029 步骤403、 进行迭代运算； 0030 步骤404、 调整搜索窗口中心到质心。 0031 进一步的是， 当顾客运动时， 对于同一个顾客， 身体特征例如颜色是不变的， 用镜 头提取自主跟随功能初始化时的静态图像中的关键特征信息， 根据该特征信息。

18、， 建立目标 的色彩直方图模型， 从而得到某像素为目标像素的概率， 根据概率的阀值将视频图像转换 为目标色彩概率分布图， 概率为1的像素值设为255， 概率为0的像素值为0， 其他像素也转换 为相应的灰度值， 从而生成灰度图与二值图， 实现对目标的跟随。 0032 本发明的有益效果是， 通过上述基于路径规划的智能购物车自主导航与自动跟随 方法， 能够在保证路径准确的前提下， 给出购物所需最优路径， 同时可以实现购物车自动跟 随购物用户， 实时调整购物车摆放位置， 以便于消费者用户放置选购的商品。 附图说明 0033 图1为本发明基于路径规划的智能购物车自主导航与自动跟随方法的流程图。 说明书 。

19、2/7 页 5 CN 110717003 A 5 具体实施方式 0034 下面结合实施例及附图， 详细描述本发明的技术方案。 0035 本发明所述基于路径规划的智能购物车自主导航与自动跟随方法， 其流程图参见 图1， 其中， 该方法包括如下步骤： 0036 步骤1、 建立中心服务器， 搭建地图数据库， 将购物商场路径以及各类商品位置数 据存入地图数据库中， 并定时更新； 0037 步骤2、 用户将购物清单导入购物车系统后， 购物车系统记录下当前位置坐标， 同 时将各商品的标签码记录并调用地图数据库， 通过地图数据库进行标签码与对应商品位置 的匹配， 从而得到需要到达的各个商品目的地坐标； 00。

20、38 步骤3、 中心服务器依据初始坐标以及目的坐标， 通过路径最优算法， 规划最优路 径， 实现自动导航； 0039 步骤4、 当确定下来行进路径后， 即进入自动跟随状态。 0040 上述方法中， 步骤3中， 路径最优算法优选为A星启发式路径搜索算法。 0041 A星启发式路径搜索算法的公式为f(n)g(n)+h(n)， 其中， f(n)是从初始状态经 由状态n到目标状态的代价估计， g(n)是在状态空间中从初始状态到状态n的实际代价， h (n)是从状态n到目标状态的最佳路径的估计代价。 0042 A星启发式路径搜索算法的输入是起点和终点， 起点即初始状态， 终点即目标状 态， 以及两点间所。

21、有可能的路径， 以及涉及到的中间节点， 每两个节点间的路径的代价中间 节点即中间状态； 输出是从起点到终点的最优路径， 即代价最小。 0043 A星启发式路径搜索算法包括如下步骤： 0044 步骤301、 把起点加入open list； 0045 步骤302、 重复如下过程： 0046 a、 遍历open list， 查找f值最小的节点， 把它作为当前要处理的节点； 0047 b、 把这个节点移到close list； 0048 c、 对当前节点的所有邻近节点， 如果它是不可抵达的或者它在close list中， 忽 略它； 否则， 做如下操作： 0049 如果它不在open list中， 把。

22、它加入open list， 并且把当前方格设置为它的父节 点， 记录该方格的f， g和h值； 0050 如果它已经在open list中， 检查这条路径， 即经由当前节点到达临近节点那里的 路径是否更好， 用g值作参考， 把它的父节点设置为当前方格， 并重新计算它的g和f值， 如果 open list是按f值排序的话， 重新计算g值和f值后根据需要重新排序； 0051 d、 停止， 当把终点加入到了open list中， 此时路径已经找到了； 查找终点失败， 并 且open list是空的， 此时没有路径； 0052 步骤303、 保存路径， 从终点开始， 每个方格沿着父节点移动直至起点， 这。

23、就是需要 的最优路径。 0053 步骤4中， 购物车需要在室内场景锁定顾客， 顾客本身是一个运动目标， 或者成为 静态目标， 需要同时实现静态与动态背景下的目标跟踪。 0054 当顾客静止不动时， 购物车镜头所观察的视野也是静止的， 此时采用背景差分法， 即先对背景图像进行建模， 然后从视频流中读取图像作为前景图像， 将前景图像与背景图 说明书 3/7 页 6 CN 110717003 A 6 像做差， 就可以得到进入视野的目标物体， 也就实现了静态背景下对目标的锁定， 这同样可 以用于购物车自主跟随系统初始化时对顾客的锁定； 0055 当顾客运动时， 购物车镜头所观察的视野是动态的， 这时采。

24、取以下算法： 0056 以视频图像中运动物体的颜色信息作为特征， 对输入图像的每一帧分别作迭代运 算， 并将上一帧的目标中心和搜索窗口大小作为下一帧迭代算法的中心和搜索窗口大小的 初始值， 如此迭代下去， 实现对目标的跟踪。 0057 具体的是， 当顾客运动时， 采取的算法包括如下步骤： 0058 步骤401、 计算目标区域内的颜色直方图； 0059 步骤402、 根据获得的颜色直方图将原始输入图像转化成颜色概率分布图像； 0060 步骤403、 进行迭代运算； 0061 步骤404、 调整搜索窗口中心到质心。 0062 当顾客运动时， 对于同一个顾客， 身体特征例如颜色是不变的， 用镜头提取。

25、自主跟 随功能初始化时的静态图像中的关键特征信息， 根据该特征信息， 建立目标的色彩直方图 模型， 从而得到某像素为目标像素的概率， 根据概率的阀值将视频图像转换为目标色彩概 率分布图， 概率为1的像素值设为255， 概率为0的像素值为0， 其他像素也转换为相应的灰度 值， 从而生成灰度图与二值图， 实现对目标的跟随。 0063 实施例 0064 本发明实施例基于路径规划的智能购物车自主导航与自动跟随方法， 具体应用 时， 可包括如下步骤： 0065 一、 首先建立中心服务器， 搭建地图数据库， 将购物商场路径以及各类商品位置数 据存入库中， 并定时更新。 建立中心服务器， 构建云后台大数据体。

26、系， 对日常消费者购物清 单以及购物行为数据信息进行存储， 便于商场分析消费者消费爱好， 从而实现精准营销， 商 场与消费者互利共赢； 另外搭建商场地图数据库， 将商场建筑位置以及各类别商品摆放位 置坐标加以录入采集， 并且一旦发生变更， 则地图数据库也要实时更新。 0066 二、 用户将购物清单导入购物车系统后， 购物车系统记录下当前位置坐标， 同时将 各商品的标签码记录并调用地图数据库， 通过地图数据库进行标签码与对应商品位置的匹 配， 从而得到需要到达的各个商品目的地坐标。 用户通过手机端APP或者微信小程序， 将提 前制定好的购物清单导入购物车系统， 购物车系统则先记录下当前车辆所在位。

27、置的坐标信 息， 然后将所导入的购物清单中各商品匹配对应的标签码， 将匹配好的各商品的标签码， 调 用地图数据库进行各商品具体位置坐标匹配， 当匹配全部完成后， 将购物车当前位置坐标 信息以及各商品目的位置坐标信息一起传到中心服务器数据库。 0067 三、 中心服务器依据这些初始坐标以及目的坐标， 通过路径最优算法， 规划最优路 径， 实现自动导航。 0068 中心服务器依据这些初始坐标以及目的坐标， 通过路径最优算法， 规划最优路径， 实现自动导航； 就路径规划而言， 一个好的路径规划方法需要满足如下指标： 0069 合理性返回的任何路径都是合理的,或者说任何路径对购物车运动都是可执 行的；。

28、 0070 完备性如果客观上存在一条从起点到达终点的无碰路径,该算法一定能找 到； 如果环境中没有路径可通行,会报告规划失败； 说明书 4/7 页 7 CN 110717003 A 7 0071 最优性算法规划的结果路径在某个测度(如时间、 距离、 能量消耗等)上是最 优的； 0072 实时性规划算法的复杂度(时间需求、 存储、 需求等)能满足购物车运动的需 要； 0073 环境变化适应性算法具有适应环境动态改变的能力,随着环境改变,不必全 部重新计算； 0074 满足约束支持移动购物车运动时的完整性和非完整性运动约束； 0075 但对于在未知的或部分已知的、 动态的非结构环境下， 一般的传统。

29、算法很难达到 前面所提到的指标， 为此， 我们采用了一种静态路网中求解最短路径最优效的直接搜索算 法A星启发式路径搜索算法， 并在A星算法上进行了部分的改进。 0076 3.1A星启发式路径搜索算法， 其公式为f(n)g(n)+h(n)， 其中， f(n)是从初始状 态经由状态n到目标状态的代价估计， g(n)是在状态空间中从初始状态到状态n的实际代 价， h(n)是从状态n到目标状态的最佳路径的估计代价。 A星启发式路径搜索算法的输入是 起点和终点， 起点即初始状态， 终点即目标状态， 以及两点间所有可能的路径， 以及涉及到 的中间节点， 每两个节点间的路径的代价中间节点即中间状态； 输出是。

30、从起点到终点的最 优路径， 即代价最小。 0077 3.2A星算法是从起点开始， 检查所有可能的扩展点即它的相邻点， 对每个点计算g +h得到f， 在所有可能的扩展点中， 选择f最小的那个点进行扩展， 即计算该点的所有可能扩 展点的f值， 并将这些新的扩展点添加到扩展点列表即open list。 当然， 忽略已经在列表中 的点、 已经考察过的点。 不断从open list中选择f值最小的点进行扩展， 直到到达目标点， 或者节点用完， 路径搜索失败。 0078 算法步骤： 0079 (1)把起点加入open list。 0080 (2)重复如下过程： 0081 a.遍历open list， 查找。

31、f值最小的节点， 把它作为当前要处理的节点； 0082 b.把这个节点移到close list， 已经考察过的节点列表； 0083 c.对当前节点的所有邻近节点， 如果它是不可抵达的或者它在close list中， 忽 略它； 否则， 做如下操作： 0084 如果它不在open list中， 把它加入open list， 并且把当前方格设置为它的父节 点， 记录该方格的f， g和h值； 如果它已经在open list中， 检查这条路径， 即经由当前节点到 达临近节点那里的路径是否更好， 用g值作参考， 把它的父节点设置为当前方格， 并重新计 算它的g和f值， 如果open list是按f值排序。

32、的话， 重新计算g值和f值后根据需要重新排序； 0085 d.停止， 当把终点加入到了open list中， 此时路径已经找到了； 查找终点失败， 并 且open list是空的， 此时没有路径。 0086 (3)保存路径， 从终点开始， 每个方格沿着父节点移动直至起点， 这就是你的路径。 0087 3.3对于h(n)， 又称为启发式函数， 有以下几种情况： 0088 (1)h(n)0， 一种极端情况， 如果h(n)是0， 则只有g(n)起作用， 这保证能找到最短 路径， 但效率不高， 因为得不到启发； 0089 (2)h(n)真实代价， 如果h(n)有时比从n移动到目标的实际代价高， 则A*。

33、不能保证 找到一条最短路径， 但它运行得更快； 0092 (5)h(n)真实代价， 另一种极端情况， 如果h(n)比g(n)大很多， 则只有h(n)起作 用， 这样也可以找到最短路径。 0093 在大型购物商场内， h(n)真实代价必然成立， 所以本算法运用到购物商场购物 车智能导购系统中必然可以找到最优路径。 0094 四、 当确定下来行进路径后， 即进入自动跟随状态。 0095 当确定下来行进路径后， 即进入自动跟随状态， 本方法的自动跟随功能由两方面 组成， 其一为镜头对跟踪目标的锁定， 其二为购物车根据目标所在的位置调整与目标的距 离。 0096 在实际运用中， 购物车需要在室内场景锁。

34、定顾客， 顾客本身是一个运动目标， 但也 有可能成为静态目标， 因此需要同时实现静态与动态背景下的目标跟踪。 0097 4.1当顾客静止不动时， 例如挑选货物， 购物车镜头所观察的视野也是静止的， 此 时我们采用背景差分法， 即先对背景图像进行建模， 然后从视频流中读取图像作为前景图 像， 将前景图像与背景图像做差， 就可以得到进入视野的目标物体， 也就实现了静态背景下 对目标的锁定， 这同样可以用于购物车自主跟随系统初始化时对顾客的锁定。 0098 4.2当顾客运动时， 购物车镜头所观察的视野是动态的， 那么我们采用以下算法： 0099 基本思想是以视频图像中运动物体的颜色信息作为特征， 对。

35、输入图像的每一帧分 别作迭代运算， 并将上一帧的目标中心和搜索窗口大小即核函数带宽， 作为下一帧迭代算 法的中心和搜索窗口大小的初始值， 如此迭代下去， 就可以实现对目标的跟踪。 0100 算法步骤如下： 0101 (1)计算目标区域内的颜色直方图， 将输入图像转换到HSV颜色空间， 目标区域为 初始设定的搜索窗口范围， 分离出色调H分量做该区域的色调直方图计算， 因为RGB颜色空 间对光线条件的改变较为敏感， 要减小该因素对跟踪效果的影响； 0102 (2)根据获得的颜色直方图将原始输入图像转化成颜色概率分布图像， 输入图像 在已知目标颜色直方图的条件下的颜色概率密度分布图， 包含了目标在当。

36、前帧中的相干信 息， 对于输入图像中的每一个像素， 查询目标模型颜色直方图， 对于目标区域内的像素， 可 得到该像素属于目标像素的概率， 而对于非目标区域内的像素,该概率为0； 0103 (3)进行迭代运算， 目的在于找到目标中心在当前帧中的位置。 首先在颜色概率分 布图中选择搜索窗口的大小和初始位置， 然后计算搜索窗口的质心位置； 0104 (4)调整搜索窗口中心到质心， 零阶矩反映了搜索窗口尺寸， 依据它调整窗口大 小， 并将搜索窗口的中心移到质心， 如果移动距离大于设定的阈值， 则重新计算调整后的窗 口质心， 进行新一轮的窗口位置和尺寸调整。 直到窗口中心与质心之间的移动距离小于阈 值，。

37、 或者迭代次数达到某一最大值， 认为收敛条件满足， 将搜索窗口位置和大小作为下一帧 的目标位置输入， 开始对下一帧图像进行新的目标搜索。 0105 对于同一个顾客， 他的身体特征例如颜色是不变的， 因此我们可以用镜头提取自 说明书 6/7 页 9 CN 110717003 A 9 主跟随功能初始化时的静态图像中的关键特征信息， 根据特征信息， 我们可以建立目标的 色彩直方图模型， 从而得到某像素为目标像素的概率， 根据概率的阀值将视频图像转换为 目标色彩概率分布图， 概率为1的像素值设为255， 概率为0的像素值为0， 其他像素也转换为 相应的灰度值， 从而生成灰度图与二值图， 实现目标的锁定。 0106 因为在每次搜索前将搜索窗口的位置和大小设置为运动目标当前中心的位置和 大小， 而运动目标通常在这区域附近， 缩短了搜索时间； 另外， 在目标运动过程中， 颜色变化 不大， 故该算法具有良好的鲁棒性。 说明书 7/7 页 10 CN 110717003 A 10 图1 说明书附图 1/1 页 11 CN 110717003 A 11 。