基于雙目視覺的移動機器人跟蹤技術研究.pdf

1、本文將集中討論安裝有雙目視覺系統(tǒng)的MT-AR移動機器人的跟蹤系統(tǒng)設計與實現(xiàn)，目的是使得機器人能在正常環(huán)境下對跟蹤目標物進行跟蹤并作出正確的運動反饋。在研究機器人內(nèi)部魯棒性跟蹤算法基礎上，課題將對安裝雙目視覺系統(tǒng)的移動機器人跟蹤與運動控制展開研究與討論。
　　與單目視覺移動機器人跟蹤系統(tǒng)不同，課題使用了一種基于立體視覺的機器人跟蹤平臺。機器人內(nèi)部跟蹤算法使用了一種半監(jiān)督學習模型，利用采樣樣本的重疊率先驗信息，改進了傳統(tǒng)的多實例學習跟

2、蹤算法。其中多實例學習中包模型判別函數(shù)直接在實例水平使用Fisher線性判別函數(shù)構建。為了增強機器人實驗中跟蹤魯棒性，機器人跟蹤模塊使用了目標回找機制，在目標物突然消失場景中仍能重新找回丟失目標。
　　傳統(tǒng)的“基于檢測來跟蹤”的算法使用在線分類器來跟蹤目標，由于采用的是自學習過程，跟蹤過程中目標跟蹤失敗分類器會很容易退化。針對此問題，本文的機器人內(nèi)部算法使用了一種改進的基于半監(jiān)督學習的多示例學習跟蹤(MILFLD)。首先，課題以采

3、樣樣本與跟蹤目標的重疊率信息為先驗構建半監(jiān)督學習模型，這種半監(jiān)督學習模型結合了有標簽與無標簽數(shù)據(jù)，能有效克服傳統(tǒng)的基于檢測來跟蹤的算法中目標漂移問題。其次，多示例學習中包模型判別函數(shù)的構建利用了Fisher線性判別函數(shù)，直接在實例水平選取最優(yōu)分類器。最后，本文從梯度下降的視角來優(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，當前幀訓練得到的強分類器對于下一幀同樣具有判別性。為

4、了驗證機器人內(nèi)部跟蹤算法的跟蹤精度與魯棒性，課題在不同場景下對MILFLD算法做出10組驗證性實驗。實驗結果表明本文算法能有效地應對各種現(xiàn)實場景下運動目標的跟蹤，在尺度與光照變化、快速運動、存在目標相似物以及部分遮擋情況時，都具備非常良好的跟蹤穩(wěn)定性與魯棒性。為了驗證機器人在實際環(huán)境中的跟蹤精度好壞，課題在現(xiàn)實場景中對機器人運動跟蹤同樣做了幾組實驗。由實際場景中雙目視覺機器人跟蹤結果可以看出，本文提出的算法能有效解決移動機器人目標跟蹤中