移动机器人视觉检测和跟踪研究

论文摘要

在移动机器人系统中,视觉子系统是一个重要的组成部分,它为移动机器人提供位置和运动参数等信息,使机器人感知周围工作环境。本文以移动机器人通用实验平台为背景,重点对基于全局摄像机的目标检测与跟踪问题和基于机器人局部摄像机的目标检测与跟踪问题进行了研究,同时设计和实现了对应算法与视觉子系统,并对实验结果及性能进行了详细分析。论文主要内容如下:首先,针对视觉检测与跟踪问题的具体特点和实验环境,研究了图像采集、噪声消除和图像分割等预处理技术。在此基础上,对常用的运动目标检测算法进行了比较、分析;针对现有方法的不足,设计了改进的运动历史图像目标检测算法,算法相对简便、快速高效。进一步结合Kalman滤波器以提高检测准确度和效率。同时设计了基于全局视觉的移动机器人定位和跟踪算法,实现了全局摄像机下移动机器人的精确检测和跟踪。其次,设计了基于局部视觉的移动机器人定位和跟踪算法。根据多机器人识别和检测精度需要设计了彩色组合色标,可适应于多种环境。根据色标特点,综合基于最小二乘的椭圆拟合算法和基于D-P算法的矩形检测算法,完成了多机器人识别,并实现亚像素级的高精度特征点检测。在此基础上,应用多分辨率Lucas-Kanade方法进行基于角点特征的多目标跟踪,从而实现了动态场景下对移动机器人的稳健检测和追踪。最后,在前述算法基础上建立了移动机器人视觉检测和跟踪实验子系统,为验证相关算法提供了实验平台。对系统的设计与实现进行了详细研究,包括系统的总体框架、各模块的主要功能、评估方法及适用范围。同时根据不同条件下的实验结果,从系统准确性、实时性、算法的稳健性、大视角、追踪精度以及系统的可扩展性等角度详细分析了系统的性能。实验结果表明,各项性能指标满足系统设计要求,同时所设计算法及系统结构具有较强的稳健性。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题来源及研究目的和意义
• 1.2 国内外的研究现状及分析
• 1.2.1 运动目标检测和提取方法
• 1.2.2 视频图像运动目标跟踪方法
• 1.3 本课题主要研究的内容
• 第2章 视觉检测和跟踪中的图像处理技术
• 2.1 引言
• 2.2 图像采集
• 2.3 色彩空间转换
• 2.3.1 色彩空间概述
• 2.3.2 RGB 颜色空间
• 2.3.3 HSI 颜色空间
• 2.3.4 颜色模型的选择
• 2.4 图像去噪
• 2.4.1 模板法
• 2.4.2 中值滤波
• 2.4.3 图像去噪实验结果
• 2.5 图像分割
• 2.5.1 图像阈值分割
• 2.5.2 边缘检测
• 2.6 轮廓追踪
• 2.7 本章小结
• 第3章 全局目标检测和跟踪
• 3.1 引言
• 3.2 帧差法和背景提取简介
• 3.2.1 瞬时差分法
• 3.2.2 基于混合高斯模型的背景提取
• 3.2.3 MoG 实验结果及分析
• 3.3 运动分割与改进的tMHI
• 3.3.1 tMHI 的定义
• 3.3.2 tMHI 的计算步骤
• 3.3.3 基于tMHI 的运动分割
• 3.4 Kalman 滤波器的预测和跟踪
• 3.4.1 线性卡尔曼滤波
• 3.4.2 卡尔曼滤波的特点及在机动目标跟踪中的作用
• 3.5 Kalman 多目标跟踪算法
• 3.5.1 基于Kalman 滤波器的目标运动估计
• 3.5.2 运动目标位置关联
• 3.5.3 Kalman 滤波多目标跟踪算法
• 3.6 实验结果与分析
• 3.7 本章小结
• 第4章 基于移动机器人的目标检测和跟踪
• 4.1 移动机器人色标的设计
• 4.2 移动机器人色标识别
• 4.2.1 彩色图像的分割策略
• 4.2.2 基于HSI 颜色空间的彩色图像分割
• 4.2.3 椭圆的识别
• 4.2.4 矩形检测
• 4.2.5 色标组合
• 4.3 移动机器人追踪
• 4.3.1 角点的概念
• 4.3.2 角点检测算子
• 4.3.3 多分辨率光流估计
• 4.4 实验结果和分析
• 4.5 本章小结
• 第5章 系统设计和实现
• 5.1 系统总体结构
• 5.1.1 系统构成
• 5.1.2 系统的设计功能和设计目标
• 5.2 系统设计
• 5.2.1 系统运行环境
• 5.2.2 系统初始化部分
• 5.2.3 图像采集部分
• 5.2.4 图像处理部分
• 5.2.5 系统注销部分
• 5.2.6 多线程设计和管理
• 5.3 性能指标分析
• 5.3.1 准确性
• 5.3.2 实时性
• 5.3.3 稳定性
• 5.3.4 大视角
• 5.3.5 追踪精度
• 5.3.6 系统的可扩展性
• 5.4 本章小结
• 结论
• 参考文献
• 攻读学位期间发表的学术论文
• 致谢