论文部分内容阅读
随着人工智能等高新技术的快速发展,机器人迎来了新的发展机遇,在人们的日常生产生活中发挥着越来越大的作用。机器人目标跟踪具有很高的实际应用价值,将成为机器人的一项基本功能。在机器人目标跟踪研究中,首先需要对跟踪目标进行定位,之后根据定位的结果控制机器人跟随目标移动。在目标定位这一过程中,有使用深度摄像头、激光雷达、双目摄像头和无线电定位等方式,以上方式都需要花费较大的硬件成本,并且未能取得令人满意的结果。传统的视觉目标跟踪领域最近几年出现了很多优秀的跟踪方法,这些方法尝试从不同角度去解决跟踪过程中的难点,取得了一定的效果。但是受限于机器人目标跟踪问题的特殊性,当前的跟踪方法还不能完全满足移动机器人目标跟踪的要求。本文基于视觉目标跟踪领域的最新研究成果,研究适合移动机器人平台上使用的视觉跟踪算法,并将该跟踪算法移植在机器人平台,实现稳定的长时间跟踪。适用于移动机器人的目标跟踪方法必须满足实时性、可以获取目标尺度、可恢复性三个要求。本文基于相关滤波类跟踪算法的最新研究成果,提出了CFT(correlation filter tracking)算法,该算法具有较高的准确性,能够进行实时跟踪,并且可以获得目标尺度。为了使算法具备跟踪失败可恢复性,本文在TLD(trackinglearning-detection)框架下进行算法融合,提出TLD-CFT(tracking-learning-detection correlation filter tracking)算法,该算法兼有TLD和CFT两种算法的优点,可以满足机器人目标跟踪的三点要求。为了客观评估上述两种算法的效果,本文在公开数据集OTB2013上做了实验,实验结果表明本文提出的CFT和TLD-CFT两种算法相比Staple、DSST(discriminative scale space tracker)、TLD等算法,能获得更优的跟踪结果,其中TLD-CFT算法相比CFT算法有更加显著的提升。为了能将跟踪算法的输出结果和机器人运动关联起来,本文设计了机器人运动指令生成方案,成功将TLD-CFT跟踪算法移植在机器人Turtle Bot中,实现了一套稳定的机器人目标跟踪系统。最后在真实环境下测试了机器人目标跟踪系统,结果表明本文实现的机器人目标跟踪系统能够稳定地对目标进行长时间跟踪。