论文部分内容阅读
随着移动机器人应用范围的日益扩展，在动态、非结构化环境下提高其自主导航能力已经成为移动机器人研究领域迫切需要解决的问题。在机器人自主导航关键技术中，识别技术是最难解决、也是最急需解决的问题。视觉作为导航中的重要传感器，与其他传感器相比具有信息量大、重量轻便、功耗低等诸多优势，因此基于视觉的识别技术也被公认为最具潜力的研究方向。
本文以国防基础研究项目和中科院开放实验室基金项目为依托，以沈阳自动化所自主研发的“轮腿复合结构机器人”和“无人机”为实验平台，针对地面自主机器人和无人机自主导航中迫切需要解决的应用问题，有针对性的展开研究，旨在提高移动机器人在动态、非结构化环境下的适应能力。
本论文的主要内容如下：
首先，为了提高复杂环境下地面移动机器人的自主能力，本文提出了一种基于立体视觉的面向室外非结构化环境障碍物检测算法。文中首先给出了一种可以从V视差图(V-disparity image)中有效估计地面主视差(Main Ground Disparity，MGD)的方法。随后，我们利用由粗到精逐步判断的方式，来识别疑似障碍和最终障碍并对障碍进行定位。最后，该方法已在地面自主移动平台得到实际应用。通过在各种场景下的实验，验证了该方法的准确性和快速性。
其次，以无人机天际线识别为背景，提出了一种准确、实时的天际线识别算法，并由此估计姿态角。通过对天际线建立能量泛函模型，利用变分原理推出相应偏微分方程。在实际应用中出于对实时性的考虑，引入分段直线约束对该模型进行简化，然后利用由粗到精的思想识别天际线。具体做法是：首先，对图像预处理并垂直剖分，然后利用简化的水平直线模型对天际线进行粗识别，通过拟合获得天际线粗识别结果，最后在基于梯度和区域混合开曲线模型约束下精确识别天际线，并由此估计无人机滚动和俯仰姿态角。
第三，通过对红外机场跑道的目标特性进行分析，文中设计了一种新的基于1DHaar小波的并行的红外图像分割算法的：然后，有针对性的对分割区域提取特征：最后，两种常用的识别方法，支持向量机(SVM)和投票法(Voting)被用于对疑似目标区域进行分类和识别。通过对实际视频和红外仿真图片的测试，验证了本文算法的快速性、可靠性和实时性，该算法每帧平均处理时间为30ms。
最后，针对无人机空中巡逻中对人群进行自动监控所遇到的问题，通过将此类问题简化为固定视角下人流密度监测问题，提出了一种全新的基于速度场估计的越线人流计数和区域内人流密度估计算法。首先，该算法把越线的人流当成运动的流场，给出了一种有效估计1D速度场的运动估计模型；然后，通过对动态人流进行速度估计和积分，将越线人流的拼接成动态区域；最后，对各个动态区域提取面积和边缘信息，利用回归分析实现对人流密度估计。该方法与以往基于场景学习的方法不同，本文是一种基于角度的学习，因此便于实际应用。