本发明专利技术公开一种基于KCF算法的移动机器人目标防丢失跟随方法，应用于机器人领域，针对现有的机器人跟随，当目标区域由于漂移或者遮挡导致预测失败时，整个跟踪任务也失败了的难题；本发明专利技术将行人检测和相似度检测与传统KCF算法结合，本发明专利技术的方法提升了深度相机的测距精度，降低了相机噪声对测量结果的影响，当KCF算法丢失跟随目标时，目标重检模块可以重新找到预定目标，继续执行之前的跟随工作。继续执行之前的跟随工作。继续执行之前的跟随工作。
【技术实现步骤摘要】
一种基于KCF算法的移动机器人目标防丢失跟随方法
[0001]本专利技术属于机器人领域，特别涉及一种机器人的行人跟随技术。
技术介绍
[0002]机器人的行人跟随功能是目前服务机器人中热度很高的功能之一，有很广泛的应用场景，例如在火车站、机场、宾馆、酒店等公共场所帮助顾客搬运行李，或者在医院、实验室等场景帮助用户携带数量大、易碎的物品。目前主流的行人跟随功能的实现主要有以下几种：第一、利用三角定位的方法获取目标位置，例如申请号为201610880972.3的专利申请利用超声波传感器的方法以及申请号为201911086873.8利用UWB标签的方法。这两种方法都对被跟随目标有一定的要求，需要在被跟随的目标上安装相应的信号装置，但是他们都能比较准确的获取目标位置。第二、使用二维激光雷达作为主要传感器的方法，例如申请号为201920042739.7以二维激光雷达作为主要传感器，辅以超声波模块作为避免碰撞发生。第三、就是视觉方法为实现行人检测和跟踪的主要方法，包括使用AprilTag标签的方法和纯视觉检测方法。
[0003]在行人跟随的实现过程中，有两个方面是十分重要的。第一，是机器人在视觉跟随行人方面的稳定性、灵敏性；第二，是机器人在收到目标行人位置时做出反应向目标移动的安全性、舒适性。对于第一个方面，受到移动机器人功耗和算力的影响，虽然目前有很多基于深度学习和神经网络的行人跟随的方法，但是在机器人本地运行时的效果都不尽人意。在本地情况，KCF算法是在移动机器人行人跟随算法中应用十分广泛的一种方式。KCF算法即Kernel Correlation Filter核相关算法，是一种判别式跟踪算法，这种跟踪的方法主要是通过在整个执行跟踪任务的过程中训练一个目标的检测器，这个检测器的主要作用是判断在下一帧的图像里，预测的位置是否是预期的目标，而这个目标检测器是随着任务执行的过程不断更新的。所以，当目标区域由于漂移或者遮挡导致预测失败时，整个跟踪任务也失败了。
技术实现思路
[0004]为了解决上述技术问题，本专利技术提出一种基于KCF算法的移动机器人目标防丢失跟随方法，本专利技术的方法通过行人检测，当任务目标丢失时，帮助算法重新找到目标，并继续任务。
[0005]本专利技术采用的技术方案为：一种基于KCF算法的移动机器人目标防丢失跟随方法，包括：
[0006]S1、通过区域选定过程获取对目标在RGB图像中的实时区域；具体的通过获取的RGB图像进行处理，得到目标在RGB图像中的实时区域；
[0007]S2、当机器人丢失跟随的目标时，启动目标重检过程，找到丢失的目标所在区域；否则执行步骤S3；
[0008]S3、采用深度图像处理方法，获取目标在该区域中的实际位置。
[0009]本专利技术的有益效果：本专利技术的方法通过将行人检测和相似度检测与传统KCF算法结合的方式，改进了传统方法易丢失、难继续的缺点，同时通过对测距方法的改进，提升了深度相机的测距精度，降低了相机噪声对测量结果的影响。本方法可以作为跟随机器人的优选方案。
附图说明
[0010]图1为本专利技术的方案流程图；
[0011]图2为本专利技术实施例提供的一维离散微分示意图；
[0012]图3为本专利技术实施例提供的深度图像处理过程示意图；
[0013]图4为本专利技术实施例提供的去背景平均采样结果示意图；
[0014]图5为本专利技术实施例提供的不同目标相似度检测结果；
[0015]图6为本专利技术实施例提供的不同姿态相似度检测结果。
具体实施方式
[0016]为便于本领域技术人员理解本专利技术的
技术实现思路
，下面结合附图对本
技术实现思路
进一步阐释。
[0017]本专利技术的方法主要基于KCF算法，结合行人检测和相似度检测的方法，弥补KCF算法的缺点。如图1所示，本专利技术的方法主要包括三个模块，分别为区域选定模块、目标重检模块以及距离获取模块。区域选定模块的主要功能是为KCF算法圈定ROI(region of interest)，即划定行人区域，并交由KCF模块进行行人跟踪。目标重检模块的主要功能是当KCF算法丢失跟随目标时，目标重检模块可以重新找到预定目标，继续执行之前的跟随工作。距离获取模块的主要功能是根据KCF算法与目标重检算法实时获取的行人区域及相应的深度图像获取行人的估计距离和空间坐标，用于机器人的路径规划模块进行后续工作。
[0018]1、区域选定模块
[0019]区域选定模块首先对获取的RGB图像进行处理，以获得该图像的HOG特征，根据支持向量机训练好的行人检测器，从图像中分离出待选择的行人区域。具体步骤如下：
[0020]首先，将获取的RGB图像进行标准化处理，主要是通过归一化处理降低图片噪声，避免对后续的求梯度过程造成较大影响。本专利技术的方法使用平方根标准化来抑制噪声，即对图像中每一个位置的像素值进行平方根运算：
[0021]H(x，y)＝H(x，y)
0.5
[0022]上式左边H(x，y)表示抑制噪声后的图像中某个位置的像素值，上式右边H(x，y)表示原始图像中某个位置的像素值。
[0023]其次，使用一维离散微分模版[
‑
1,0,1]，分别在RGB图像的三个通道中计算水平和垂直方向每个像素的梯度值和方向，选择最大的梯度值作为该像素点的梯度，梯度值通过像素值的差计算。如图2所示，其中H(x，y)代表该点的像素值。
[0024]某一通道(RGB图像的三个通道)中某点的像素梯度值G(x，y)和方向α(x，y)为：
[0025][0026][0027]其中，G
x
(x，y)和G
y
(x，y)分别为x方向的梯度和y方向的梯度。
[0028]最终选用的梯度值为：
[0029]G
final
(x，y)＝max(G
R
(x，y)，G
G
(x，y)，G
B
(x，y))
[0030]将α(x，y)所表示的范围在0度到180度之间的角度值离散在若干区间内，以便于在统计各梯度方向时，就可以把该方向的角度统计在相应的区间中。优选的，本方案将角度值离散在9个区间内，每个区间20度。
[0031]再次，需对图像通过梯度统计的方法计算出一个局部区域编码，首先需要将图像区域进行分割，为了便于后面进行直方图统计，我们将图像分割成细胞区域和块区域，优选的，细胞区间包括8
×
8的像素区域，块区间包括2
×
2的细胞区间。为了充分考虑角度离散化和图像区域分割对周围区域梯度统计的影响，需要对每个块区域进行考虑水平方向、竖直方向和梯度方向的三线性插值，并将该插值结果作为统计梯度直方图时的权重，在本实施方案中的权重计算方式为：
[0032][0033]h＝G*J
x
*J
y
*J
θ
[0034]其中，J为某一参数的插值计算结果，以水平方本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于KCF算法的移动机器人目标防丢失跟随方法，其特征在于，包括：S1、通过区域选定过程获取目标在RGB图像中的实时目标区域；S2、若机器人丢失跟随的目标时，启动目标重检过程，找到丢失的目标所在区域；否则执行步骤S3；S3、采用深度图像处理方法，获取目标在该区域中的实际位置。2.根据权利要求1所述的一种基于KCF算法的移动机器人目标防丢失跟随方法，其特征在于，步骤S1具体为：对获取的RGB图像进行处理，以获得该图像的HOG特征，将HOG特征输入到训练好的行人检测器后，获得若干行人区域；将选定好的行人区域输入到KCF核相关滤波算法中，得到需跟踪的实时目标区域。3.根据权利要求2所述的一种基于KCF算法的移动机器人目标防丢失跟随方法，其特征在于，所述HOG特征的获取过程为：A1、对获取的RGB图像进行标准化处理；A2、使用一维离散微分模版[
‑
1,0,1]，分别在经步骤A1处理后得到的RGB图像的三个通道中计算水平和垂直方向每个像素的梯度值和方向，选择最大的梯度值作为像素点的梯度值；A3、将经步骤A2处理后得到的RGB图像分割成细胞区域和块区域；A4、对每个块区域进行水平方向、竖直方向和梯度方向的三线性插值，并将插值结果作为统计梯度直方图时的权重；A5、所有块区域的梯度直方图时的权重统计完成之后，得到RGB图像的HOG特征。4.根据权利要求3所述的一种基于KCF算法的移动机器人目标防丢失跟随方法，其特征在于，步骤A1所述标准化处理具体为：...
【专利技术属性】
技术研发人员：彭倍，刘帅，邵继业，
申请(专利权)人：四川阿泰因机器人智能装备有限公司，
类型：发明
国别省市：
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。