移動(dòng)機(jī)器人的自主跟隨是一個(gè)重要研究方向,跟隨技術(shù)在生活和生產(chǎn)中有著廣闊的應(yīng)用前景。本文設(shè)計(jì)一種高準(zhǔn)確性、高實(shí)時(shí)性、高魯棒性的目標(biāo)跟蹤方法,在移動(dòng)機(jī)器人GH_ROBOT實(shí)驗(yàn)平臺(tái)上搭建視覺跟蹤系統(tǒng),完成目標(biāo)行人的跟隨。本文給出了核相關(guān)濾波跟蹤算法的改進(jìn)方法,在復(fù)雜干擾的背景下感知目標(biāo)行人并自動(dòng)初始化前景跟蹤對(duì)象,對(duì)運(yùn)動(dòng)目標(biāo)所在的區(qū)域使用改進(jìn)的核相關(guān)濾波進(jìn)行跟蹤,實(shí)現(xiàn)低成本、準(zhǔn)確且實(shí)時(shí)的自主跟隨系統(tǒng)。主要工作包括:1、改進(jìn)核相關(guān)濾波跟蹤算法。將樣本的FHOG特征與顏色特征進(jìn)行線性融合提取,以豐富目標(biāo)表觀特征;將尺度金字塔引入核相關(guān)濾波器,解決目標(biāo)在運(yùn)動(dòng)過程中尺度變化導(dǎo)致跟隨失敗的問題;采用APCE判斷當(dāng)前幀跟蹤的可靠性來進(jìn)行位置相關(guān)濾波器的模型更新。2、設(shè)計(jì)基于改進(jìn)的核相關(guān)濾波視覺跟蹤模塊。根據(jù)行人樣本集訓(xùn)練SVM分類器,實(shí)現(xiàn)自動(dòng)檢測(cè)行人,作為跟蹤算法的初始框,并引入目標(biāo)重檢測(cè)。3、設(shè)計(jì)移動(dòng)機(jī)器人的視覺跟蹤系統(tǒng)。根據(jù)移動(dòng)機(jī)器人的運(yùn)動(dòng)模型,得到運(yùn)動(dòng)速度與底盤驅(qū)動(dòng)輪的關(guān)系;基于速度差分的運(yùn)動(dòng)控制,使得電機(jī)的速度與指令速度近似一致;視覺伺服控制,使得目標(biāo)行人處于移動(dòng)機(jī)器人的中心... 

【文章來源】：東南大學(xué)江蘇省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：69 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

Loomo自動(dòng)跟隨行人基于視覺的跟隨主要是通過在連續(xù)的視頻圖像

機(jī)以及多個(gè)傳感器，可自動(dòng)識(shí)別被跟隨者。國(guó)內(nèi)大疆公司研發(fā)的無人機(jī)可智能跟隨拍攝者，通過引入視覺系統(tǒng)感知信息以及融合多個(gè)傳感器，構(gòu)建周圍環(huán)境及跟蹤目標(biāo)的3D地圖，能夠自動(dòng)規(guī)劃路線幫助飛行器繞過前后障礙物�；谝曈X的跟隨具有精度高、適應(yīng)性強(qiáng)、設(shè)備較為簡(jiǎn)單的特點(diǎn)，利用攝像頭能獲取運(yùn)動(dòng)目標(biāo)的空間坐標(biāo)信息。但是也面臨著外觀變形、光照變化、目標(biāo)遮擋、快速運(yùn)動(dòng)、背景相似干擾等難點(diǎn)，因此，要研究出在多種復(fù)雜干擾環(huán)境下都具備準(zhǔn)確性高、實(shí)時(shí)性高和魯棒性好的視覺跟隨算法具有重要意義。圖1-1Loomo自動(dòng)跟隨行人圖1-2大疆無人機(jī)基于視覺的跟隨主要是通過在連續(xù)的視頻圖像序列中估計(jì)跟蹤目標(biāo)的位置、形狀或所占區(qū)域，確定目標(biāo)的運(yùn)動(dòng)速度、方向及軌跡等運(yùn)動(dòng)信息，實(shí)現(xiàn)對(duì)運(yùn)動(dòng)目標(biāo)行為的分析和理解，以便完成跟隨任務(wù)的控制執(zhí)行[5]。目標(biāo)跟蹤的好壞直接影響后續(xù)跟隨系統(tǒng)控制任務(wù)的性能。視覺跟蹤流程如圖1-3所示。特征表達(dá)統(tǒng)計(jì)建模視頻幀人工標(biāo)定目標(biāo)檢測(cè)跟蹤初始化表觀建模建立跟蹤策略定位目標(biāo)位置t=t+1圖1-3視覺跟蹤流程圖

東南大學(xué)工程碩士學(xué)位論文1211111111((,)/,(,))((,)/,(,))(,)((,)/,(,))((,)/,(,))TCijNijTCijNijHijTCijNijTCijNij++++=（2.20）Felzenszwalb從大量cell單元中提取對(duì)方向不敏感的36維特征，并進(jìn)行PCA降維，主成分如圖2-6所示。圖2-636維HOG特征的主成分圖中9列對(duì)應(yīng)9個(gè)梯度方向區(qū)間，4行對(duì)應(yīng)4種歸一化，每個(gè)特征向量顯示為4×9的矩陣，特征值在特征向量的上方。注意到前11個(gè)特征向量的行或者列近似為一個(gè)定值，且由前11個(gè)主特征向量定義的線性子空間基本包含了HOG特征向量中的所有信息，降維之后的11維特征和原始36維特征在目標(biāo)檢測(cè)中取得了一樣的結(jié)果，特征參數(shù)更少，檢測(cè)速度更快。主特征向量所依賴的線性子空間可以由沿其矩陣的某一行或某一列稀疏向量表示。如式（2.21-2.22）所示。1,(,)0,kjkuijotherwise==（2.21）1,0,kikvotherwise==（2.22）對(duì)每個(gè)方向的4個(gè)歸一化求和得到ui，每個(gè)歸一化的9個(gè)方向求和得到vi。主特征向量如式（2.23）所示。12914V=u,u,,uv,,v（2.23）通過對(duì)36維HOG特征稀疏向量的點(diǎn)積運(yùn)算串聯(lián)得到13維特征。該13維特征的表現(xiàn)能力和36維HOG特征以及PCA降維后的11維特征的檢測(cè)效果基本一致，因?yàn)橄∈柘蛄康碾x散性使得計(jì)算代價(jià)小很多，只需在36維特征求每行和每列的和。為了提高跟蹤的精度，對(duì)原圖進(jìn)行像素級(jí)特征映射后，同時(shí)使用9維的方向不敏感特征向量和18維的方向敏感特征向量，并進(jìn)行歸一化和截?cái)嗵幚�，得到不同歸一化因子上的累加列和，對(duì)于每個(gè)歸一化得到4維紋理特征向量，是由當(dāng)前cell周圍4個(gè)cell組成的能量梯度組成。串聯(lián)歸一化得到31維的FHOG特征。

【參考文獻(xiàn)】：
期刊論文
[1]基于OpenCV的行人檢測(cè)監(jiān)控系統(tǒng)研究與實(shí)現(xiàn)[J]. 杜曉峰.  電子制作. 2018(09)
[2]目標(biāo)跟蹤算法綜述[J]. 盧湖川,李佩霞,王棟.  模式識(shí)別與人工智能. 2018(01)
[3]相關(guān)濾波目標(biāo)跟蹤進(jìn)展綜述[J]. 張微,康寶生.  中國(guó)圖象圖形學(xué)報(bào). 2017(08)
[4]基于視覺的目標(biāo)檢測(cè)與跟蹤綜述[J]. 尹宏鵬,陳波,柴毅,劉兆棟.  自動(dòng)化學(xué)報(bào). 2016(10)
[5]機(jī)器人技術(shù)研究進(jìn)展[J]. 譚民,王碩.  自動(dòng)化學(xué)報(bào). 2013(07)
[6]一種基于卡爾曼濾波及粒子濾波的目標(biāo)跟蹤算法[J]. 杜超,劉偉寧,劉戀.  液晶與顯示. 2011(03)

博士論文
[1]基于無源信標(biāo)的移動(dòng)機(jī)器人室內(nèi)定位技術(shù)研究[D]. 李月華.浙江大學(xué) 2018

碩士論文
[1]基于改進(jìn)核相關(guān)濾波算法的跟隨機(jī)器人設(shè)計(jì)與實(shí)現(xiàn)[D]. 王彬.浙江大學(xué) 2018
[2]基于KCF的目標(biāo)跟蹤算法改進(jìn)及GPU系統(tǒng)實(shí)現(xiàn)[D]. 劉金花.西安電子科技大學(xué) 2017
[3]基于核相關(guān)濾波的高速目標(biāo)跟蹤算法研究與系統(tǒng)實(shí)現(xiàn)[D]. 劉志強(qiáng).西安電子科技大學(xué) 2015



本文編號(hào)：3014935