移动机器人平台的运动目标识别与跟踪技术研究

摘要

随着近些年移动机器人在智能服务和智慧城市等各领域的不断发展，其对运动目标的跟随和运动响应也愈发受到关注。随着机器视觉相关技术的持续进步，基于序列图像分析处理获取目标运动状态凭借其成本低、适应性广、部署难度小而广泛应用。但现有识别与跟踪方法尤其是只有第一帧初始信息再无其它先验知识的无模型跟踪方法，存在环境适应性不足、计算量太大、长时间鲁棒性差等特点，使其难以部署于移动机器人平台或良好适应于作业环境。针对以上问题，本文对移动机器人平台的无模型运动目标识别与跟踪技术展开研究。　　首先，本文对基于特征匹配方法将感兴趣前景目标从序列图像中识别出来进行了研究。对于机器人作业场景图像广泛存在的光照影响设计了自适应Gamma光照均衡方法，采用性能稳定的 ORB特征点提取及特征描述方法提取场景图像中的特征点，再通过kNN匹配得到当前帧中目标特征点集。　　其次，通过金字塔 LK 光流方法获取序列图像间经成像映射后的目标运动信息，由于光流极易受到环境中的光照干扰，使用了前向-后向误差控制和NCC相似度控制方法对跟踪特征点集进行筛选。　　再者，为了使系统对应用环境良好适应，保持系统长时间持续鲁棒，并使系统能够在丢失目标之后避免再次手动指向而恢复运行，对基于特征点的检测-跟踪融合框架进行了研究。由于特征匹配和运动表达存在歧义性，本文设计了空间相邻度和特征相似度结合的密度可达条件，并通过密度聚类完成外点筛除。同时对于第一帧中初始信息随着识别与跟踪过程持续进行参考性持续降低容易导致检测结果错误的问题，采用了在序列图像中选取鲁棒关键帧对参考基准进行持续动态更新的方法以适应目标或环境的持续变化。除此之外，还利用目标位置在相邻图像帧之间的相关性，通过当前帧中获得的目标位置及运动状态对后序帧中目标位置进行预测，降低冗余图像信息干扰的同时提升系统实时性。　　最后，本文搭建了移动机器人图像处理平台，在现实场景进行了适应性测试，并在标准数据集上将本文方法与近年优秀跟踪方法进行了对比实验。

目录

声明

1绪论

1.1 课题研究背景及意义

1.2 目标识别与跟踪概况及研究现状

1.2.1 目标识别与跟踪概况

1.2.2 目标识别与跟踪的研究现状

1.3 移动机器人平台目标跟踪关键技术问题

1.4 论文研究内容与关键点

1.4.1 论文研究内容

1.4.2 论文关键点

1.5 文章结构

1.6 本章小结

2基于特征匹配的目标识别研究

2.1 光照均衡

2.1.1 自适应光照均衡

2.1.2 光照均衡对比实验

2.2 特征点检测

2.2.1 Harris特征点

2.2.2 SIFT/SURF特征点

2.2.3 ORB特征点

2.3 特征点匹配

2.3.1 特征匹配

2.3.2 匹配优化

2.4 实验结果与分析

2.5 本章小结

3基于运动表达的目标跟踪研究

3.1 光流

3.1.1运动场与光流场

3.1.2 Lucas-Kanade光流

3.1.3 金字塔LK光流

3.2 光流跟踪

3.3 实验结果与分析

3.4 本章小结

4基于融合框架的在线适应研究

4.1 框架融合

4.1.1 PN学习

4.1.2 特征点融合

4.2 特征点聚类

4.2.1 K-means聚类

4.2.2 层次聚类

4.2.3 DBSCAN聚类

4.3 在线适应

4.4 前景获取

4.5 区域预测

4.6 实验结果与分析

4.7 本章小结

5移动机器人平台运动目标识别与跟踪实验

5.1 实验平台搭建

5.1.1 移动机器人图像处理平台搭建

5.1.2 上、下位机通信接口设计

5.2 运动目标识别与跟踪

5.2.1 真实场景识别与跟踪

5.2.2 标准数据集识别与跟踪

5.3 本章小结

6总结与展望

致谢

参考文献

攻读硕士学位期间发表的学术论文及研究成果

A 发表学术论文

B 参研项目与主持基金

C 获奖情况