基于单目视觉的移动机器人室外环境下全自主智能跟随技术研究

论文摘要

在工业机器人问世多年后的今天,由于传感器、控制、驱动及材料等领域的技术进步,通过智能机器人系统,首次在制造领域以外的服务行业,出现了机器人的身影,让机器人作为“人类的助手”,走进日常生活。本文聚焦于一类称之为球童机器人的服务机器人,能够替代高尔夫球童为主人提供服务,这就要求机器人能够全自主的对作为运动目标的主人进行实时定位,在各种常用的定位方法中,基于视觉的定位方法有着无可比拟的优势,首先基于视觉的方法对视野内目标的定位精度能够满足本系统的要求,其次视觉传感器相当于人类的眼睛,因此具备相当的智能性,能够有效区分主人还是其他人,有很好的扩展性,能够以中层视觉的处理结果为基础,进行高层视觉的识别和分析等,另外随着计算机和传感器等相关技术和工业的快速发展,构建视觉跟踪系统的综合成本一直在下降,完全是在可承受的范围内。为了提高智能性和舒适性,就要求基于视觉的移动机器人能够全自主的对作为运动目标的主人进行实时准确的跟随,具体到各个部分就是：(1)启动部分能够摒弃以往的人工手动方式,即机器人认识目标主人的整个过程是全自主自动进行的,不需要限定在特定的环境下进行,有着友善的人机交互方式；(2)作为定位核心部分的图像平面目标跟踪算法要求简单而有效,因为把视觉系统安装在移动机器人这个平台上后,带来了诸多限制,另外室外复杂环境也增加了图像处理的难度,这些困难可以归纳为对跟踪算法实时性和鲁棒性的高要求；(3)考虑到系统复杂性及成本,系统选用了单目视觉,因此从单目视觉下把人机之间的距离从图像信息中恢复出来也是需要认真研究；(4)整个跟随过程能够有一定的容错能力和鲁棒性,视觉伺服部分能够减少图像处理滞后带来的影响。论文的主要研究工作与成果包括了以下几个主要方面的内容：1.系统性的介绍了一个基于单目视觉的移动机器人对人体目标的全自主跟随系统,在实验平台上设计并实施了完整的解决方案。2.摒弃了以往人为手动干预的启动方式,提出了全自主的启动解决方案,另外为了提高智能性,目标分割部分的阈值化是自适应的,并且对于非类人性干扰目标具有自动甄别能力,本部分算法可以作为关键技术为各种服务机器人认识目标主人提供一种参考方法。3.以均值漂移算法作为图像平面跟踪的主算法,为了解决由于机器人的运动造成的目标在像平面的不连续,提出了结合了Kalman预测的均值漂移跟踪算法,在详细分析了引起目标在像平面移动的基础上,提出了在像平面上关于动态目标位置和速度的状态方程,Kalman滤波器为均值漂移算法提供起始点,均值漂移算法将结果返回给滤波器进行估计值的更新,交替使用,互为补充,取得了很好的效果。4.传统均值漂移跟踪算法都是基于单个特征空间,这不能很好的解决特征相似目标对跟踪的干扰,所以提出了多特征空间下的均值漂移算法,以提高算法的鲁棒性,在单种颜色特征无法提供足够辨别能力的情况下,借助其他局部性特征来准确跟踪目标,并且对于各种特征的区分能力提出了具体的测度方法,使得特征的选择能够自适应。5.提出了四种单目视觉下的景深恢复方法,其中基于主颜色描述子的方法在反向分割人体躯干时,为了增加鲁棒性,提出了多颜色通道下的主颜色描述子,另外基于对比实验和分析,提出融合的景深恢复方法,在不同的条件下选择合适的方法进行距离估计。6.在视觉伺服部分,为了减少滞后量带来的影响,引入预测项进行补偿,另外对系统的整体性能在计算量和容错性方面进行了优化,分别引入了基于L2距离的均值漂移算法和解决目标跟踪丢失的回找机制。

论文目录

• 致谢
• 摘要
• Abstract
• 图目录
• 表目录
• 目次
• 1 绪论
• 1.1 引言
• 1.2 人体运动视觉分析
• 1.2.1 简介
• 1.2.2 人体运动检测与跟踪的研究现状
• 1.2.2.1 人体运动检测的研究现状
• 1.2.2.2 人体目标跟踪的研究现状
• 1.3 本文主要研究工作及论文安排
• 1.3.1 基于视觉的移动机器人跟随研究现状
• 1.3.2 存在的问题和难点
• 1.3.3 本文主要研究工作
• 1.3.4 后续章节安排
• 2 全自主的目标检测及初始化
• 2.1 引言
• 2.2 问题描述和预备知识
• 2.2.1 三帧差分方法
• 2.2.2 基于无参数模型的背景减除方法
• 2.3 基于运动信息的人体检测算法
• 2.3.1 结合三帧差分和背景减除的运动分割方法
• 2.3.2 基于几何信息及肤色检测的人体识别
• 2.4 实验与分析
• 2.5 小结
• 3 动场景下运动目标的鲁棒跟踪
• 3.1 引言
• 3.2 预备知识
• 3.2.1 均值向量
• 3.2.2 均值漂移算法
• 3.2.3 目标跟踪中的Mean shift
• 3.3 基于卡尔曼预测的均值漂移算法
• 3.3.1 卡尔曼滤波器建模
• 3.3.2 观测模型的建立
• 3.3.3 基于Kalman预测的跟踪算法的实现
• 3.3.4 实验结果与小结
• 3.4 多特征空间下的均值漂移算法
• 3.4.1 局部性特征的提取
• 3.4.2 基于多特征空间的均值漂移算法
• 3.4.3 实验结果与小结
• 3.5 小结
• 4 单目视觉下的景深恢复
• 4.1 引言
• 4.2 基于分界线的景深恢复
• 4.3 结合先验知识和人体局部几何信息的景深恢复
• 4.3.1 基于主颜色描述子的景深恢复
• 4.3.2 基于直线提取的景深恢复
• 4.3.3 基于椭圆模板头部跟踪的景深恢复
• 4.4 对比实验及分析
• 4.5 小结
• 5 基于视觉的导航控制及系统联调实验
• 5.1 引言
• 5.2 基于视觉的导航控制
• 5.3 系统联调实验
• 5.3.1 系统性能优化
• 5.3.2 系统整体联调实验
• 5.4 小结
• 6 总结与展望
• 6.1 总结
• 6.2 本文创新点
• 6.3 展望
• 参考文献
• 作者简介