积分商城

最新搜索： stm32f7 固件库 HFBR-0310Z光纤发射和接收电路 频率计 高频开关变换器的数字控制 multisim运放 PCIe
您现在的位置是：首页 > 技术资料 > 基于运动模式在线分类的移动机器人目标跟踪
推荐星级：
  • 1
  • 2
  • 3
  • 4
  • 5

基于运动模式在线分类的移动机器人目标跟踪

更新时间：2019-12-25 15:45:43 大小：2M 上传用户：zhiyao6查看TA发布的资源 标签：移动机器人 下载积分：1分 评价赚积分 （如何评价?） 打赏 收藏 评论(0) 举报

资料介绍

区别于以往采用固定运动模式的目标跟踪研究,提出一种基于单目视觉传感器的人体运动模式在线识别算法,及基于此算法的人体目标跟踪方法。首先,利用视觉信息检测运动目标,并提取其视觉特征;然后通过单目视觉深度提取算法,获取目标的运动特征;接着将连续几帧的特征变化矢量送入随机森林(RF)进行学习,实现对人体运动模式的在线分类;最后根据分类结果在线选取不同的目标运动模型,并利用近似最优的粒子滤波器实现对目标运动状态的准确估计。实验结果证明了本文提出算法的有效性。


部分文件列表

文件名 大小
基于运动模式在线分类的移动机器人目标跟踪.pdf 2M

【关注视频号领20积分】   【关注公众号立即送20积分】

部分页面预览

（完整内容请下载后查看）
仪
器
仪
表
学
报
38  
3
期
Vol. 38 No. 3  
Mar． 2017  
第
卷
第
Chinese Journal of Scientific Instrument  
2017  
3
月
年
*
基于运动模式在线分类的移动机器人目标跟踪  
1，2，3  
1
1
1，2  
，
李
， ，  
阳 董星亮 黄亚楼  
苑
晶
( 1．  
300071; 2．  
300071;  
南开大学计算机与控制工程学院 天津  
3．  
天津市智能机器人技术重点实验室 天津  
300300)  
中国民航大学 中国民航信息技术科研基地 天津  
: ， ，  
要 区别于以往采用固定运动模式的目标跟踪研究 提出一种基于单目视觉传感器的人体运动模式在线识别算法 及基于  
摘
。 ， ， ; ，  
此算法的人体目标跟踪方法 首先 利用视觉信息检测运动目标 并提取其视觉特征 然后通过单目视觉深度提取算法 获取目  
;
标的运动特征 接着将连续几帧的特征变化矢量送入随机森林  
( RF)  
， ;  
进行学习 实现对人体运动模式的在线分类 最后根据分类  
， 。  
结果在线选取不同的目标运动模型 并利用近似最优的粒子滤波器实现对目标运动状态的准确估计 实验结果证明了本文提  
。
出算法的有效性  
:
;
;
;
关键词 移动机器人 人体跟踪 单目视觉 运动模式分类  
: TP24 TH89 : A : 510． 8050  
国家标准学科分类代码  
中图分类号  
文献标识码  
Target tracking with a mobile robot based on on-line  
classification for motion patterns  
1，2，3  
1
1
1，2  
Yuan Jing  
，Li Yang ，Dong Xingliang ，Huang Yalou  
( 1． College of Computer and Control Engineering，Nankai University，Tianjin 300071，China;  
2． Tianjin Key Laboratory of Intelligent Robotics，Tianjin 300071，China; 3． Information Technology Research Base of Civil  
Aviation Administration of China，Civil Aviation University of China，Tianjin 300300，China)  
Abstract: Different from the existing researches on target tracking using a fixed motion pattern，an algorithm is proposed for on-line  
recognition of human motion patterns with a monocular camera，to develop a human tracking method． First，moving target is detected  
using visual information and the visual features are extracted． Then，the motion features of target are acquired by depth extraction  
algorithm of monocular vision． The differences of a couple of successive frames＇ features are fed into random forest ( RF) classifier to  
recognize human motion patterns online． Finally，different target motion models are chosen online based on classification results and  
approximate optimal particle filter is used to realize accurate estimation of human’s states． Extensive experimental results demonstrate  
the effectiveness of the proposed algorithm．  
Keywords: mobile robot; human tracking; monocular vision; classification of motion patterns  
，
移动机器人平台上实现对运动目标的跟踪 是目前机器  
。
人领域的研究热点 区别于静态背景下使用位置固定的  
1
引
言
，
传感设备的目标跟踪 使用移动机器人进行目标跟踪时  
，
、
目标跟踪是指通过激光 视觉等传感设备识别环境  
，
由于机器人的连续运动 导致背景在较大范围内发生变  
，
中特定的对象 并对该对象进行连续的运动状态估计  
。
，
化 从而使得其目标跟踪更具挑战性  
。
［1-2］  
，
根据所使用的传感器的不同 目标跟踪可分为基于  
传统的静态背景下目标跟踪主要用于视频监控  
和人  
［3-4］  
［5］  
［6］  
。
，
随着机器人领域的快速发展 如何在  
、
、
基于视觉的跟  
体动作分析  
等
可穿戴设备的跟踪  
基于激光的跟踪  
: 2016-03  
Received Date: 2016-03  
收稿日期  
*
:
基金项目 国家自然科学基金项目  
( 61175085，61175083，61573196) 、  
( 15JCYBJC18800) 、  
中国民航信息技术科研基  
天津市自然科学基金项目  
( CAAC － ITRB － 201503)  
地开放课题基金项目  
项目资助  
3
:
晶 等 基于运动模式在线分类的移动机器人目标跟踪  
569  
第
期
苑
［7-8］  
［9-10］  
、
。
，
合 实现对运动目标特性更准确的描述  
。3)  
踪
以及多种传感器融合的跟踪  
基于可穿戴设  
基于目标运动  
，
备的跟踪主要是通过测量人体各关节的信息 获取人体  
，
模式的识别结果 提出一种运动模型在线选择的粒子滤波  
， 。  
各个运动状态的差异 进而预测人体的运动趋势 基于  
， ，  
跟踪算法 使用近似最优的粒子权重 并引入粒子扩散操  
，
作 实现对人体在复杂运动模式下的准确跟踪  
。
激光的跟踪主要通过激光传感器检测并提取人体腿部的  
， 。  
局部特征 作出对目标运动的估计 基于视觉的跟踪主  
， 、  
要依靠图像信息 通过对颜色 形状和纹理等特征的分析  
2
特征提取  
。 ［11］ Meanshift  
实现对目标的识别与跟踪 文献 通过 迭  
，
代的方法 利用候选目标与目标模型的相似程度找出当  
2． 1  
运动目标的提取  
本文选取人脚为运动目标 如图 所示 假设人脚  
，
前帧中最有可能的目标位置 实现了在移动摄像机下对  
，
1
。
。Camshift Meanshift  
算法是对  
非刚体目标的鲁棒性跟踪  
，
与背景的颜色不同 如果相同则可以通过裤子的颜色和  
， 。  
算法的改进 在目标跟踪领域也有广泛应用 文献  
［12］  
。
边缘信息来确定目标的位置 本文将彩色图像从  
RGB  
，
Camshift  
方法分别  
将目标分解为多个小目标 然后通过  
对多个小目标进行跟踪从而实现对整体目标的跟踪  
，Meanshift Camshift  
( red，green and blue) HSV( hue，saturation and  
空间转换到  
。
然
value)  
， 3 ，  
空间 通过调节 个分量的阈值 获得前景目标的  
而
和
方法通常只能在图像平面对目  
，
二值图像 如图  
1( b)  
。
所示 然后使用中值滤波对图像进  
，
标进行跟踪 难以实现三维笛卡尔空间中的目标位姿估  
， ，  
行处理 中值滤波能够有效去除孤点噪声 保持图像的边  
。
计
多传感器融合则是利用多种传感器信息的有效结  
，
缘特性 通过中值滤波后的图像如图  
1( c)  
。
所示 接着运  
，
。
合 提高对人体跟踪的准确性  
目标 跟 踪 常 用 的 滤 波 算 法 有 扩 展 卡 尔 曼 滤 波  
( extended Kalman filter，EKF) ( particle  
，
用形态学的开闭操作 得到如图  
1( d)  
，
所示的结果 其中  
，
开操作即用结构元对目标先腐蚀后膨胀 闭操作则与之  
算法和粒子滤波  
， 。  
相反 先开后闭的操作能使图像轮廓线更加光滑 之后  
［13-15］  
［16］  
filter，PF)  
。Modalavalasa N  
EKF  
等人 通过  
算法  
，
再对图像进行两次膨胀一次腐蚀 得到如图  
1( e)  
所示的  
，
对自主水下航行器观测的方位和深度等信息进行滤波  
， ，  
结果 膨胀可以将图像边缘或内部的孔洞填掉 腐蚀则可  
。 ［13］  
实现了对水下目标的跟踪 文献 描述了在移动机  
“
以剔除边缘的 毛刺  
”。  
，
最后 删除图像中小的噪声区  
，
器人平台上 利用  
KLT( Kanade- Lucas-Tomasi)  
算法提取  
， 。 ，  
域 并且填充保留区域的内部孔洞 通过上述方法 提取  
， 。  
特征 然后使用粒子滤波对运动目标进行跟踪 但是上  
。
出较为完整的人脚目标  
，
述运动目标跟踪算法都使用单一的目标运动模式 并且  
。
在跟踪过程中假设目标的模式不发生改变 考虑到人的  
，
运动具有灵活性和多变性的特点 单一的运动模式无法  
，
准确捕捉到人的运动特性 难以获得满意的跟踪结果  
。
［17］  
文献 利用  
IMM( interacting multiple model)  
算法对机  
， ，  
动目标进行跟踪 该算法同时引入多个运动模型 通过多  
， 。  
个模型的加权组合 对机动目标的运动进行拟合 然而  
，
算法需要维护多个模型以及多个相应的滤波器 因此算  
， ，  
法复杂度过高 且多个模型之间的不一致 甚至冲突有可  
。
能导致跟踪准确性的下降  
，
为了克服上述方法的不足 本文提出一种基于运动  
。
模式在线分类的目标跟踪方法 通过单目视觉传感器  
，
1
图
目标提取  
，
检测运动目标并提取其视觉特征 同时还通过单目视觉  
Fig． 1 Extraction of the target  
， ，  
深度提取算法 分析并获取目标的运动特征 二者结合完  
， ，  
成对人体运动模式的分类 并根据分类结果 选取与目标  
2． 2  
视觉特征提取  
2． 1  
，
当前实际运动相符的运动模型 完成对目标状态的准确估  
，
节得到二值图像后 求出其最小矩形框矢  
根据  
。
: 1)  
计
本文的创新点主要包括  
将运动模式分类引入到对  
T
R = ［x，y，w，h］ ， x  
其中 表示图像中矩形框左上顶点  
量
，
人体的跟踪过程中 利用机器学习的方法对运动模式进行  
，y  
，w  
，h  
的横坐标  
表示纵坐标  
表示矩形框的宽  
表示矩  
I ，  
， ，  
在线分类 使机器人在跟踪目标的过程中 准确判断目标  
。 R  
形框的高 根据矢量 在原图中画出目标框区域  
如
，
的运动趋势 同时该技术有助于机器人理解人的行为意  
1
2( a)  
， I ，  
所示 将二值图像中目标框区域记为 如图  
2
图
，
图 增强人机交互的友好性和高效性  
。2)  
充分利用目标的  
2( b)  
，
所示 并将  
I 、I  
1
80 × 60  
。
像素  
的尺寸归一化为  
2
，
视觉信息和运动信息 将提取的视觉特征和运动特征相结  

相关下载

全部评论(0)

暂无评论
评论赚积分>>

上传资源 上传优质资源有赏金

热门标签

更多>>

最新上传

  • 打赏
  • 30日榜单

热门下载

推荐下载

本站上的所有资源均为源于网上收集或者由用户自行上传，仅供学习和研究使用，无任何商业目的，版权归原作如有侵权，请 来信指出，本站将立即改正。

ICP许可证号：京ICP证070360号     21IC电子网 2000- 版权所有

京ICP备11013301号

京公网安备 11010802024343号