基于传感器信息融合的室内运动物体分类与跟踪研究

摘要

在移动机器人跟踪运动目标的过程中，为顺利完成任务需要解决两个关键问题：一是准确的检测出运动目标并分辨其类别，二是根据运动目标的状态制定有效的跟踪策略。同种类的运动物体表现出相似的运动模式，不同类物体间的运动模式差异明显，了解运动目标的类别信息有利于更有效的跟踪。本文针对室内环境，以有效跟踪运动目标为目标，研究工作围绕上述两个关键问题展开，主要内容包括：
　　 1.针对单一传感器信息“各有偏好”的特点，采用多传感器作为信息的获取方式，各取所长。激光传感器可以获取运动目标相对移动机器人的位姿，是制定跟踪策略的前提；单目视觉传感器包含了丰富的颜色信息，可以作为运动检测和目标识别的主要依据。对于激光传感器，通过对扫描点进行自适应聚类和分割，提取片段的几何特征作为描述；视觉传感器的数据量较大，特征提取耗时，因此要在整个图像平面中选择“感兴趣”的区域，大幅度缩小假设空间的规模，降低时间复杂度。
　　 2.在室内环境下，运动物体具体可以分为三类：单人、人群和其他类。单个行人的运动具有规律性和可预测性，是服务机器人跟踪的主要目标，也是本文的研究重点。有效的区分这三类运动物体对完成最终的目标跟踪具有指导意义。由于已经明确分类目标，本文采用朴素贝叶斯分类器，并通过Adaboost算法衡量每个特征对分类的贡献程度，使得每个特征的价值利用最大化。
　　 3.运动目标跟踪，即移动机器人识别运动目标、预测运动目标的轨迹、并根据运动目标的状态调整自身的行为使得运动目标处于可监测范围内。物体的可识别性源于其本身具备的异于其他物体的某些特征，本文结合激光与视觉特征，完成了在图像平面中跟踪运动目标和实际环境中通过移动机器人跟踪运动目标。室内环境下物体的运动符合常规运动形式，即不存在高速、速度突变很大的情况。利用最小二乘原理，并引入时间惩罚因子，根据运动目标的历史轨迹来估计其下一时刻的位置，在统计意义下可最小化风险误差，以指导移动机器人的控制输入。

目录

文摘

英文文摘

基金项目

第1章 绪论

1.1 选题背景

1.2 研究现状

1.2.1 运动物体检测研究现状

1.2.2 运动物体分类研究现状

1.2.3 运动目标跟踪研究现状

1.3 本文组织结构

第2章 运动物体检测与特征提取

2.1 运动物体检测

2.1.1 视觉传感器介绍

2.1.2 运动物体检测

2.1.3 实验结果

2.2 视觉特征提取

2.3 激光数据预处理

2.3.1 激光传感器介绍

2.3.2 室内环境下激光数据收集

2.3.3 激光数据提取与呈现

2.4 激光扫描点自适应聚类

2.4.1 K-Means算法介绍

2.4.2 基于K-Means的自适应聚类算法

2.4.3 实验结果

2.5 激光扫描点的片段分割

2.5.1 分割算法

2.5.2 实验结果

2.6 激光特征提取

2.7 本章小结

第3章 基于混合特征的室内运动物体分类

3.1 朴素贝叶斯分类器介绍

3.1.1 朴素贝叶斯分类器的优势

3.1.2 朴素贝叶斯算法原理

3.2 分类算法

3.2.1 似然函数与先验概率

3.2.2 特征权重的确定

3.2.3 分类算法流程

3.3 实验结果

3.3.1 激光部分

3.3.2 视觉部分

3.4 本章小结

第4章 视觉与激光相结合的自主目标跟踪

4.1 运动目标描述

4.2 SIFT算法与Cam-Shift算法

4.2.1 SIFT原理

4.2.2 Cam-Shift原理

4.3 目标跟踪算法

4.4 轨迹预测

4.5 移动机器人跟踪运动物体

4.6 实验结果

4.6.1 目标跟踪算法对比

4.6.2 移动机器人跟踪实验

4.7 本章小结

第5章 结束语

5.1 工作总结

5.2 未来展望

参考文献

致谢

个人简历