论文部分内容阅读
内窥镜器械跟踪算法是持镜机械臂自动导航系统的核心算法之一,也是医疗手术机器人的核心算法之一。目前,手术工具跟踪算法大多基于机器视觉方法,计算量较复杂,在实时性和准确性上还不能完全满足实际需求。本文基于实际的应用课题,对内窥镜器械跟踪进行深入研究。首先研究了内窥镜器械检测算法,其中包括基于传统特征提取的模板匹配方法和基于深度学习的YOLOv2检测方法,同时为了更进一步提高算法的实时性和应用广泛性,本文研究了基于YOLOv2和KCF的内窥镜器械跟踪算法,利用KCF加速跟踪算法。针对于内窥镜器械检测,本文研究了基于模板匹配的检测算法和基于YOLOv2的检测算法。首先研究了基于模板匹配的内窥镜器械检测算法。在算法准确率方面,将SURF特征与灰度直方图特征相结合,相对于单一特征提高了检测精度;在算法速度方面,本文使用多步阶灰度直方图匹配,通过由大到小改变步阶值,减小检测时间。为了更好的提高检测准确度和实时性,本文研究了基于YOLOv2的内窥镜器械检测算法,详细的阐述了构建网络的训练过程以及检测过程,并且自主构建数据集进行训练和测试,相对于模板匹配方法,提高了检测准确性和实时性。为了更进一步提高算法的实时性和应用广泛性,本文提出基于YOLOv2和KCF的内窥镜器械跟踪算法。首先研究了KCF跟踪算法,针对于KCF算法不足进行相应改进,添加CN颜色特征从而更好的对目标建模,添加多尺度变换更好的适应目标大小改变,提高了跟踪准确性,并且使用GPU对KCF算法进行加速。然后,将改进后的KCF算法与YOLOv2算法相结合,通过分组思想实现检测-跟踪模式的目标跟踪算法,本文详细研究了分组参数选取,以及跟踪目标消失的特殊情况,最后使用测试集验证了该算法具有很好的准确性和实时性。实验证明,本文基于YOLOv2的内窥镜器械检测算法具有很好的检测准确性和鲁棒性,而实时性取决于硬件设备,本文提出的基于YOLOv2和KCF相结合的跟踪算法具有更好的实时性和应用广泛性,对硬件的要求较低,在保证运行速度的同时又不损失跟踪精度。最后,本文设计和实现了持镜机械臂自动导航系统,从硬件和软件两个方面进行设计方案的阐述。然后总结全文工作,确定下一步研究方向。