论文部分内容阅读
随着计算机视觉技术与机器人技术的蓬勃发展，服务机器人逐渐走进人们的生活当中。作为实现机器人与人类交互的关键性技术，行人跟随技术受到越来越多研究者的关注。目前在行人目标跟踪技术中仍有许多问题亟待解决，例如:人体目标的视角改变、遮挡或快速运动等。为解决上述问题，提出一种基于多模板回归加权均值漂移的机器人行人跟随方法，并基于此开发了用户使用软件，进而在装有双目立体相机的移动机器人平台上进行了验证。 本研究的主要工作有以下几个方面: (1)基于头肩模型匹配的人体目标粗定位与运动趋势判定方法 行人跟踪中存在行人轮廓被遮挡、无法获取完整人体轮廓所引起的定位不精确的问题。为解决上述问题，本研究提出一种基于头肩模型的人体目标粗定位与运动趋势判定方法。该方法从立体视觉获取的二值化深度图像中提取前景目标。然后根据人体外形的生理结构特征，利用垂直投影直方图将前景目标中的头肩部分截取出来。进一步，提取头肩轮廓的Hu矩特征构造头肩模型，用欧式距离度量目标头肩模型与标准模板的相似度，实现对人体目标的粗定位。最后根据头肩模型的Hu矩特征的分量阈值判断人体与相机的朝向，并结合粗定位结果判定行人的运动趋势。 (2)多模板均值漂移算法 传统的均值漂移算法(the Mean Shift algorithm)存在由于模板单一造成目标外观发生较大改变时跟踪效果不理想的问题。为解决此问题，提出多模板均值漂移算法。该算法用含有多个模板的模板集替代传统均值漂移算法中的单一模板，扩展了均值漂移算法对复杂变化目标特征的描述能力。模板集分为候选模板集和最终模板集两个子集。跟踪过程中，根据粗定位模块中的头肩模型匹配成功与否分别对两个子集进行更新。该方法对模板集进行分层更新，从而使最终模板集更适应目标外观的改变。该算法利用头肩模型匹配算法的粗定位信息，提高了深度图像提取效果较差时目标定位的准确性。利用多模板描述目标，解决了跟踪过程中目标外观改变的问题。 (3)多模板回归加权均值漂移算法 为保证跟踪的准确性，多模板均值漂移的模板数量较多，因而算法的实时性较差。为解决这一问题，提出了多模板回归加权均值漂移算法。该算法在多模板均值漂移算法中引入回归模型。从最终模板集中获取样本用于回归模型训练。用训练得到的回归模型对漂移结果与目标的相似度进行预测，并替代多模板均值漂移算法中的颜色纹理联合相似度函数。最后用回归模型预测值对多个模板漂移结果进行加权以获得目标的最终位置。该方法解决了跟踪过程中的目标外观改变，同时满足机器人目标跟踪系统的实时性要求。 (4)融合模糊调速和定点跟踪的选择性机器人行人跟随方法 为解决机器人行人跟踪中目标快速转弯时跟随不稳定的问题，本研究在基于模糊控制的智能调速算法基础上，提出融合模糊调速和定点跟踪的选择性机器人行人跟随方法。该策略利用粗定位模块提供的运动趋势信息判断目标运动情况，进而选择性地使用模糊调速控制策略或定点跟踪策略，以实现快速、稳定地跟随目标。当目标快速转弯时，粗定位模块判定的人体运动趋势为转向行进，为避免机器人与弯道内侧的拐角结构发生碰撞等原因造成跟随失败，采用间断的定点控制方式控制机器人完成拐角转身跟随目标。当目标正常行进时，采用基于模糊控制的智能调速方法控制机器人稳定跟随目标。该控制策略发挥了模糊调速对机器人连续控制的优势，在目标转弯时切换为定点跟踪策略，有效地提高了机器人在室内局促环境中对运动人体跟随的能力。 最后，对所提方法在移动机器人上进行了实验验证。实验结果表明，多模板均值漂移算法有效改善了由于深度图像不清晰所造成的均值漂移定位结果不准确的问题;多模板回归加权均值漂移算法有效的解决了多模板所造成的实时性下降问题，提高了对复杂环境下目标特征的描述能力;最后，根据行人运动趋势变化，采用融合模糊调速和定点跟踪的选择性机器人目标跟随控制策略，解决了目标转弯时的机器人目标跟踪问题，实现了机器人连续、稳定的跟随目标。