移动机器人对运动对象的检测和跟踪

硕士论文题目: 移动机器人运动目标检测与跟踪作者姓名: 学科控制科学与工程学院信息工程学院日期: 浙江工业大学； 2015年硕论文: 移动机器人运动目标检测与跟踪作者: 浙江工业2015论文提交浙江大学硕士硕士检测运动物体移动机器人候选人: 王玉晨顾问: 杨东永学院信息工程浙江大学技术学院2015年目标检测和跟踪是移动机器人研究领域（尤其是服务领域）中的热点和难点之一. 移动机器人的应用是一项关键技术. 本文利用激光传感器获取机器人与目标之间的距离信息，并提出了相应的算法和实现方案，用于机器人的运动目标检测和运动目标跟踪. 最后通过实验验证了算法的有效性和方案的可行性. 完成的主要研究工作如下: （1）激光传感器用于获取移动机器人与前方目标之间的距离信息，采用中值平均混合滤波方法处理激光扫描数据，目标检测窗口旨在删除与检测到的目标无关的数据信息，并完成检测窗口中激光数据点的分类.

（2）采用弧形形状识别算法来检测目标人体的腿部特征. 同时，将人体在静止和行走状态下两腿之间的距离值作为判断的基础，以实现对人腿目标的检测. 基于提取的人腿目标数据，计算要跟踪的目标中心点以及移动机器人与目标中心点之间的距离. （3）基于卡尔曼滤波器的移动机器人目标跟踪算法，以卡尔曼滤波器预测的目标位置作为机器人运动控制的输入，计算并输出用于目标跟踪的移动机器人的速度控制量；此外，使用基于平滑接近图的运动机器人目标跟踪算法将计算移动机器人趋向目标并平稳变化的速度控制量. 在AS-R移动机器人实验平台上，对上述移动机器人运动目标检测算法和运动目标跟踪算法进行了实验验证. 实验结果表明，本文提出的相关算法和方案是有效可行的. 关键词: 移动机器人，激光传感器，目标检测，目标跟踪ii移动目标检测MobileRobot摘要移动目标检测热点是移动机器人研究领域，关键技术，尤其是服务于移动机器人的应用. 移动机器人之间的激光测距仪距离信息的对应算法的实现方案分别提出了移动目标检测，移动机器人的跟踪目标的跟踪. 基于移动机器人的主激光测距仪之间的距离信息是基于扫描数据均值滤波的方法. 目标检测窗口消除了无关的检测目标，即激光扫描点曲线状算法人腿. 人们行走时两条腿之间的距离可以瞄准人的腿. 目标中心需要移动机器人目标中心之间的距离，该距离是根据提取的目标人腿数据计算得出的. 目标跟踪算法基于移动机器人的Kalmanfilter预测位置Kalmanfilter机器人运动控制，计算速度控制变量目标跟踪移动机器人. 此外，目标跟踪算法基于移动机器人的平滑近距离图算法可平滑地改变速度控制变量. 上述的运动目标检测算法trackingalgorithm mobileiii机器人是AS-Rrobot实验平台. 关键词: 移动机器人，激光传感器，目标检测，目标跟踪iv 1.1主题的背景和意义1.2移动机器人检测和跟踪研究的现状1.3论文研究的内容1.4研究对象的安排第2.1章移动机器人的坐标系2.1.1移动机器人的坐标系的建立2.1.2移动机器人的运动学模型2.1.3移动机器人的运动行为分析102.2移动机器人的传感器模型122.2.1里程表模型122.2.2激光传感器模型142.3本章小结173.1传感器实验平台和数据分析173.1.1传感器实验平台173.1.2激光扫描数据错误分析和滤波处理193.2目标检测方案的运动设计223.2.1建立检测窗口223.2 .2激光数据点的分类233.2.3操作对目标物体的检测253.2.4对运动的检测目标263.3实验设计和结果分析293.4本章概述324.1目标跟踪策略分析324.2基于卡尔曼滤波的移动机器人目标跟踪364.2.1移动机器人的运动控制364.2.2标准卡尔曼滤波算法374.2.3状态估计和运动目标的跟踪实现394.3基于平滑进近图算法的移动机器人目标跟踪404.3.1平滑进近图算法404.3.2基于平滑进近图算法的目标跟踪实现414.4本章小结455.1实验环境的构建5.1.1 AS- R机器人体系结构455.1.2目标检测和跟踪系统结构475.2移动目标跟踪实验和结果分析485.2.1移动目标跟踪实验和结果分析495.2.2移动目标人员跟踪实验和结果分析515.3本章摘要536.1摘要论文工作536.2存在的问题和方向进一步的研究54参考文献59学位研究期间的研究项目和成果60浙江工业大学的硕论文1.1该项目在促进高科技生活需求方面的背景和意义接下来，机器人技术正在从传统工业迅速发展从制造业到医疗服务，教育和娱乐，勘探与测量，生物工程、,灾等，促进了高新技术的发展[1-2].

移动机器人已被应用于更多的现实生活领域，例如用于家庭清洁的清洁机器人，在超市中追踪顾客的自动购物车以及用于和残疾人的智能轮椅. 当前对移动机器人的研究不仅限于其自身的特征，还包括如何使其在实际应用中解决更具体的任务. 运动目标的检测和跟踪是近年来移动机器人研究领域中最关注的研究课题. 一. 由于移动机器人是先进的智能系统，要检测和跟踪移动目标，有必要使用相关的传感器来获取周围环境的真实信息，因此这也可以看作是机器人携带的传感器的一部分. 移动机器人各种应用程序. 移动机器人的移动目标的检测和跟踪结合了人工智能，数字图像处理，模式识别，自动化和计算机领域的许多技术. 实现过程是先使用传感器实时观察环境中的运动目标，然后在此基础上对观察到的目标进行分类，然后提取观察到的场景中实时检测到的运动目标，最后对目标进行实时跟踪. 时间，并根据实际应用需求调整跟踪方式，使跟踪更加准确. 因此，运动目标的检测是运动目标跟踪的前提和基础. 随着科学技术的发展，移动机器人将呈现出多样性. 因此，结合移动机器人的运动特性分析，开发一种通用性强，实时性强，精度高，复杂度低的检测跟踪算法是未来的主要发展方向. 方向之一.

本文对移动机器人运动目标检测与跟踪系统中的几个问题进行了研究，最后在配备传感器的移动机器人平台上实现了对运动目标的实时检测和跟踪. 1.2移动机器人检测与跟踪研究现状. 研究人员在移动机器人检测与跟踪方面进行了大量的研究工作. 美国，日本和西欧的技术处于世界前列，许多国内大学和研究机构也在探索并取得了一定的研究成果. 国外，斯坦福大学，卡内基·梅隆大学和麻省理工学院都建立了专门用于检测和跟踪运动物体的研究实验室，并将其研究结果应用于浙江工业大学的硕论文的实际工程中. 过去，ICPR，ICCV和其他国际会议曾讨论此研究方向的发展. 一些重要的国际期刊，例如CVIU和IJCV在此研究方向上也包含了大量结果. 在中国，许多大学和研究机构已经在运动目标检测和跟踪等相关研究领域中开展了研究工作. 例如，华中科技大学图像识别与人工智能研究所在运动目标检测中取得了许多研究成果. 上海交通大学图像处理与模式识别研究所对视频运动目标跟踪中的轮廓跟踪算法进行了深入的研究. 国家重点实验室视觉监控研究组的主要研究方向包括交通现场视频监控，人体运动分析和行为模式识别. 近年来，取得了令人鼓舞的研究成果.

目前，常用的运动目标跟踪方法包括基于卡尔曼滤波的目标跟踪，基于粒子滤波的目标跟踪和基于支持向量机分类学习的目标跟踪，以及其他人工智能算法，例如神经网络，模糊逻辑以及进化计算等也已应用于跟踪算法以识别跟踪目标特征. Reid提出的多假设跟踪算法基于“全邻居”最优滤波器，首先使用已知目标和杂波以及新目标作为假设目标，然后使用贝叶斯后验概率的可及性来构建关联A假设树，并在假设树上执行概率计算. 最后，通过连续删除小概率假设并将其与目标合并，可以实现目标运动的关联和跟踪. 考克斯等. 研究了一种更常用的运动目标跟踪方法，即联合概率滤波算法，该算法通过计算运动目标的贝叶斯估计和测量信息来完成跟踪. 皮特·M·K. 将其他子滤波器与联合概率滤波器算法结合起来，解决与定位和跟踪有关的目标运动估计问题. 钟建东等. [10]提出了一种基于最小二乘的目标预测方法. 这种方法限制了目标运动区域，并大大改善了目标的实时跟踪. 由于移动机器人需要使用它们携带的传感器来检测和跟踪移动目标，因此根据研究人员使用的不同传感器，它们可以分为基于距离的传感器（超声波，红外和激光），视觉传感器和多目标传感器. 传感器信息融合. 目标检测和跟踪方法.

基于视觉传感器的运动目标检测和跟踪的主要应用领域是视频监视[11]，交通检测[12]，面部识别[13]等. 将视觉传感器用于目标检测和跟踪指的是提取图像序列中运动目标的特征，以获得目标的位置，速度，加速度和其他运动参数. 经过参数的进一步处理和分析后，准确确定运动目标的行为即可完成更高级的任务[14]. 图像序列中目标检测的原理是将前景变化区域与背景分离[15]. 主要使用的方法有以下几种: 基于颜色的方法，基于边缘的方法，光流方法，背景差异浙江工业大学的硕论文方法，帧间差异方法和主动轮廓方法. 帧间差异方法[16]和背景差异方法[17]用于检测静态背景中的运动目标. 但是，在动态背景下，由于照明变化导致的实时背景变化，很难检测运动目标. 为了解决这个问题，可以主要采用基于运动补偿的方法[19]. 主要思想是先通过运动补偿将动态背景转换为静态背景，然后使用帧间差分法检测运动目标. 当前，基于视觉传感器的运动目标跟踪大致有以下几种方法: 基于特征的跟踪，基于模板的跟踪，基于运动的跟踪，基于区域的跟踪和基于轮廓的跟踪. 上述方法中的某些方法强调跟踪的准确性，而另一些方法则强调跟踪的实时性. 在实际研究中，以上两种或两种以上的方法经常结合使用，相辅相成，在实际应用中取得更好的效果.

但是，在变化复杂的环境中，仅使用视觉传感器会受到很多限制和问题. 首先，环境光在不同时刻的变化将导致图像的背景颜色发生变化，并且夜间的光强度会变弱. 此外，视觉传感器无法一天24小时工作，这会增加从整个图像中提取目标的可能性. 困难. 其次，当背景环境变化时需要背景变化，这增加了处理图像的难度. 第三，在目标运动过程中，背景会相互遮挡，这可能会导致运动目标的检测出错. 第四，运动目标图像包含诸如运动目标姿势和环境变化之类的各种信息，这增加了提取目标特征的难度. 第五，由于图像无法在短时间内提供目标的深度信息，因此会影响对运动目标的实时检测和跟踪，并且在使用图像测量运动目标距离时会产生较大的误差. 值，很难保证运动目标的跟踪精度. 简而言之，使用视觉传感器来检测和跟踪移动目标将受到许多限制，而环境因素使得检测和跟踪的实时性和准确性将受到极大的影响. 因此，可以考虑采用基于测距传感器的方法来实现对运动目标的检测和跟踪. 测距传感器用于运动目标的检测和跟踪的使用是使用传感器来获得运动目标的距离信息并确定目标的位置. 可以通过计算连续数据帧中移动目标的位置和速度的变化来实现目标跟踪. 目标轨迹跟踪以及基于目标行为特征和其他方法的跟踪.

Han [20]提出了一种通过累积多个周期的超声返回信号来构建虚拟超声图像的新方法，以便移动机器人可以在目标跟踪开始时准确地测量目标的位置和速度，但是尚未实现在多对象环境中跟踪移动目标. Wang Xinxin [21]设计了一种基于红外和超声波传感器的移动机器人来完成跟踪任务. 它可以使用红外传感器返回被跟踪目标人员的角度和方向，并可以使用超声传感器返回被跟踪的浙江工业大学硕论文. 它们之间的距离很大，但是没有考虑障碍物环境中机器人跟踪的可靠性. 与超声波，红外等测距传感器相比，激光测距传感器具有测量距离更长，抗干扰能力更强，隐蔽性更好的优点，并且激光返回数据可以提供更准确的测距信息[22]. Biswas [23]等国外研究人员首先提出了一种基于激光传感器的动态占用栅格图算法. 该算法可以通过学习运动目标的形状特征来构造运动模型，但是该算法不能检测快速运动的目标物体. 适用. Wang [24]提出了一种基于激光传感器的多假设跟踪数据关联方法. 该方法主要用于检测运动目标，因此无法检测到临时的静态障碍物，该方法用于计算运动目标的跟踪. 复杂度是指数级的. Schulz [25]研究了使用激光传感器跟踪多个行人的情况，并提出了一种基于采样点概率数据相关性的滤波方法. 尽管该方法可以处理非线性系统中任意分布的观测模型，但关键序列的采样会出现数据降级，这会影响进一步的采样.

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/tongxinshuyu/article-195237-1.html