基于雙目視覺(jué)的移動(dòng)機(jī)器人跟蹤技術(shù)研究.pdf

1、本文將集中討論安裝有雙目視覺(jué)系統(tǒng)的MT-AR移動(dòng)機(jī)器人的跟蹤系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)，目的是使得機(jī)器人能在正常環(huán)境下對(duì)跟蹤目標(biāo)物進(jìn)行跟蹤并作出正確的運(yùn)動(dòng)反饋。在研究機(jī)器人內(nèi)部魯棒性跟蹤算法基礎(chǔ)上，課題將對(duì)安裝雙目視覺(jué)系統(tǒng)的移動(dòng)機(jī)器人跟蹤與運(yùn)動(dòng)控制展開(kāi)研究與討論。
　　與單目視覺(jué)移動(dòng)機(jī)器人跟蹤系統(tǒng)不同，課題使用了一種基于立體視覺(jué)的機(jī)器人跟蹤平臺(tái)。機(jī)器人內(nèi)部跟蹤算法使用了一種半監(jiān)督學(xué)習(xí)模型，利用采樣樣本的重疊率先驗(yàn)信息，改進(jìn)了傳統(tǒng)的多實(shí)例學(xué)習(xí)跟

2、蹤算法。其中多實(shí)例學(xué)習(xí)中包模型判別函數(shù)直接在實(shí)例水平使用Fisher線性判別函數(shù)構(gòu)建。為了增強(qiáng)機(jī)器人實(shí)驗(yàn)中跟蹤魯棒性，機(jī)器人跟蹤模塊使用了目標(biāo)回找機(jī)制，在目標(biāo)物突然消失場(chǎng)景中仍能重新找回丟失目標(biāo)。
　　傳統(tǒng)的“基于檢測(cè)來(lái)跟蹤”的算法使用在線分類器來(lái)跟蹤目標(biāo)，由于采用的是自學(xué)習(xí)過(guò)程，跟蹤過(guò)程中目標(biāo)跟蹤失敗分類器會(huì)很容易退化。針對(duì)此問(wèn)題，本文的機(jī)器人內(nèi)部算法使用了一種改進(jìn)的基于半監(jiān)督學(xué)習(xí)的多示例學(xué)習(xí)跟蹤(MILFLD)。首先，課題以采

3、樣樣本與跟蹤目標(biāo)的重疊率信息為先驗(yàn)構(gòu)建半監(jiān)督學(xué)習(xí)模型，這種半監(jiān)督學(xué)習(xí)模型結(jié)合了有標(biāo)簽與無(wú)標(biāo)簽數(shù)據(jù)，能有效克服傳統(tǒng)的基于檢測(cè)來(lái)跟蹤的算法中目標(biāo)漂移問(wèn)題。其次，多示例學(xué)習(xí)中包模型判別函數(shù)的構(gòu)建利用了Fisher線性判別函數(shù)，直接在實(shí)例水平選取最優(yōu)分類器。最后，本文從梯度下降的視角來(lái)優(yōu)化分類器的選取，每一次弱分類器的選取都以損失函數(shù)減少最多為條件，這樣可以從抑制誤差傳播角度看待分類器的選取，當(dāng)前幀訓(xùn)練得到的強(qiáng)分類器對(duì)于下一幀同樣具有判別性。為

4、了驗(yàn)證機(jī)器人內(nèi)部跟蹤算法的跟蹤精度與魯棒性，課題在不同場(chǎng)景下對(duì)MILFLD算法做出10組驗(yàn)證性實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明本文算法能有效地應(yīng)對(duì)各種現(xiàn)實(shí)場(chǎng)景下運(yùn)動(dòng)目標(biāo)的跟蹤，在尺度與光照變化、快速運(yùn)動(dòng)、存在目標(biāo)相似物以及部分遮擋情況時(shí)，都具備非常良好的跟蹤穩(wěn)定性與魯棒性。為了驗(yàn)證機(jī)器人在實(shí)際環(huán)境中的跟蹤精度好壞，課題在現(xiàn)實(shí)場(chǎng)景中對(duì)機(jī)器人運(yùn)動(dòng)跟蹤同樣做了幾組實(shí)驗(yàn)。由實(shí)際場(chǎng)景中雙目視覺(jué)機(jī)器人跟蹤結(jié)果可以看出，本文提出的算法能有效解決移動(dòng)機(jī)器人目標(biāo)跟蹤中