【技术实现步骤摘要】
基于加权融合的行人空间位置估计方法、装置和机器人
本专利技术涉及机器人领域，尤其涉及一种基于加权融合的行人空间位置估计方法、装置和机器人。
技术介绍
随着人工智能技术的发展，基于深度学习的目标检测算法在工业领域得到普及和落地。现阶段目标检测算法如FasterRCNN，YOLO，SSD等通过计算摄像头传输的图片，在图片上以方框的形式标记出来。对移动机器人而言，行人的空间信息对机器人的移动决策影响很大，但图片上标记的信息无法直接使用，需要将图片的标记信息转化到空间位置上，即图片上对应标记位置的行人转化为空间上行人相对于机器人的位置。工业上比较成熟的做法是选取行人与地面的接地点在图片上的位置，基于单映性原理，转化为空间坐标。在实际应用场景下，行人存在被遮挡的可能，近处行人存在看不到完整腿部的情况，且目标检测结果存在一定的误差，如图4a和图4b所示，因此单单以图片中标记的行人底部坐标作为参照点来估算行人在空间位置的策略往往稳定性较差。
技术实现思路
本专利技术提供了一种基于加权融合的行人空间位置估计方法、装置和机...
【技术保护点】
1.一种基于加权融合的行人空间位置估计方法，其特征在于，包括以下步骤：/n步骤1，采集实时场景图像，并基于预设目标检测算法对所述实时场景图像中的目标行人进行方框标记，并生成方框坐标；/n步骤2，根据所述方框坐标获取实时场景图像中目标行人的至少两个身体部位分别对应的图像坐标；/n步骤3，将所述至少两个身体部位分别对应的图像坐标转换为机器人坐标系下的空间坐标；/n步骤4，采用二次加权融合策略对至少两个所述空间坐标进行融合，生成目标行人相对机器人的准确位置。/n
【技术特征摘要】
1.一种基于加权融合的行人空间位置估计方法，其特征在于，包括以下步骤：
步骤1，采集实时场景图像，并基于预设目标检测算法对所述实时场景图像中的目标行人进行方框标记，并生成方框坐标；
步骤2，根据所述方框坐标获取实时场景图像中目标行人的至少两个身体部位分别对应的图像坐标；
步骤3，将所述至少两个身体部位分别对应的图像坐标转换为机器人坐标系下的空间坐标；
步骤4，采用二次加权融合策略对至少两个所述空间坐标进行融合，生成目标行人相对机器人的准确位置。
2.根据权利要求1所述基于加权融合的行人空间位置估计方法，其特征在于，所述根据方框坐标获取实时场景图像中目标行人的至少两个身体部位分别对应的图像坐标具体包括以下步骤：
获取目标行人的方框坐标(x1，y1，x2，y2)，所述(x1，y1)和所述(x2，y2)分别为方框左上角坐标和方框右下角坐标；
根据所述方框坐标计算实时场景图像中目标行人头顶对应的第一图像坐标以及目标行人脚底对应的第二图像坐标，其中第一图像坐标为第二图像坐标为
3.根据权利要求2所述基于加权融合的行人空间位置估计方法，其特征在于，步骤3中，采用第一预设公式将所述第一图像坐标和所述第二图像坐标分别转换为机器人坐标系下的第一空间坐标和第二空间坐标，所述第一预设公式为：
其中，u，v为目标行人的图像坐标，K11、K12、K13、K22、K23、K24、K32和K33为机器人相机矩阵的参数值，Y为图像坐标(u，v)对应目标点的高度，Z、X为图像坐标(u，v)对应目标点在机器人坐标系下的纵坐标和水平坐标。
4.根据权利要求2或3所述基于加权融合的行人空间位置估计方法，其特征在于，步骤4中，采用第二预设公式对所述第一空间坐标和所述第二空间坐标进行二次加权融合，所述第二预设公式为：
其中，X1、Z1为第一空间坐标，X0、Z0为第二空间坐标，Zf为纵坐标融合结果，Xf为横坐标融合结果。
5.根据权利要求4所述基于加权融合的行人空间位置估计方法，其特征在于，所述预设目标检测算法包括FasterRCNN算法、YOLO算法以及SSD算法中的一个或多个。
6.一种基于加权融合的行人空间位置估计装置，其特征在于，包括目标检测模块...
【专利技术属性】
技术研发人员：秦豪，赵明，
申请(专利权)人：上海有个机器人有限公司，
类型：发明
国别省市：上海;31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。