基于激光传感器移动机器人的目标定位和多模式跟踪
基于激光传感器移动机器人的目标定位和多模式跟踪
作者:郭田
人物跟踪一直以来是机器视觉领域的主要研究问题,因为其可以应用到环境监控,行为识别等领域。对于移动机器人的传感器而言,视觉传感器对环境光线变化缺乏鲁棒性,而且视觉处理算法的运算复杂度较高,有时难以满足移动机器人对传感器数据处理的实时性要求。所以本文提出了基于激光测距传感器的人物检测和跟踪算法。之前的基于激光传感器的拥挤环境下的运动跟踪主要运用了栅格地图和栅格时间戳算法计算出跟踪目标的运动轨迹,但是这种方法很容易造成错误的数据关联,因为其只利用了跟踪目标的运动信息。而且之前的研究主要运用alman 算法对单一的运动模式进行建模,这种跟踪算法难以应对复杂随机的人物运动方式。
本文的主要贡献如下:
(1)设计了基于机器学习的人物目标检测模块并且优化了弱分类器的训练算法。该算法可以在复杂动态环境下稳定准确的识别出人物目标,并且误识别干扰较少。
(2)设计了基于 Bayes 决策的交互多模型跟踪算法,可以跟踪具有不确定运动模式的目标。
(3)在交龙服务机器人平台上实现了整个系统,进行了相关对比实验。
1 人物目标检测定位计算
本章主要介绍基于激光传感器的人物检测定位算法。传统的人物检测方法主要基于固定特征的阈值判定方法和运动信息,但不足是对复杂环境的适应性不强,参数需要经常调整,而且运动信息的记录和比较需要坐标系变换。针对这些缺点,本文提出来基于机器学习的人物检测算法。其基本思想是对激光传感器信息提取的特征做线性分类,这符合daboost 分类器的特点,利用Adaboost 算法通过大量的样本计算,选择最具区分度的特征和阈值。该检测算法对不同环境具有较好的适应性。
1.1 Adaboost 算法
AdaBoost 算法是 Freund 和 Schapire 根据在线分配算法提出的。Adaboost 的主要思想[4]是在每次迭代过程中,先利用弱分类器对每一维特征进行线性分类,按照样本权重的分布,确定分类正确率最高的一维特征及阈值作为该次迭代得到的有效弱分类器。同时调整样本权重,用于下一次迭代的训练。最后得到的强分类器的分类精度依赖于所有弱分类器的分类精度,这样可以深入挖掘弱分类器算法的能力。
激光传感器得到的是二维平面点集,利用计算几何相关知识从中提取出各种特征信息,然后在这些候选特征中利用Adaboost 从中选出区分性最好的特征和阈值。
1.2 特征选择
提取特征的预处理步骤主要是点集分割,这里采用基于点对点距离的分割算法。
1.3 弱分类器优化算法
每个点集将拥有一个特征向量,该向量包含了一个点集的以上所有特征。所有点集的特征向量构成了 Adaboost 分类器的样本集。通常,Adaboost 中的弱分类器训练算法多是启发式优化算法来确定线性分类的阈值,这里本文对弱分类器的训练算法做出改进,设计了基于动态规划的训练算法,可以得到理论上最优的阈值。
样本集中所有正样本权重和
rigPos :如果将大于当前阈值的所有样本划分为正样本,正确划分的样本的权重和
lefNeg :如果将小于当前阈值的所有样本划分为负样本,正确划分的样本的权重和
rigNeg :如果将大于当前阈值的所有样本划分为负样本,正确划分的样本的权重和
lefPos :如果将大于当前阈值的所有样本划分为正样本,正确划分的样本的权重和
sumD:当前划分正确的样本的权重和
初始化:将样本集按弱分类器当前特征排序同时记录当前的阈值划分位置循环结束,得到最优的线性分类阈值,使正确划分的样本权重最大。
该算法可以将弱分类器的训练时间降低到 lognn的复杂度,而且得到的是该维特征上最优的分类阈值。
2 交互多模型跟踪算法
多模型交互跟踪可以处理跟踪目标的运动方式具有较大不确定性的情况。其原理不是简单的根据不同情况选择某一种跟踪模型,而是融合多个模型的预测信息和传感器数据计算出跟踪目标位置信息。本文主要选择了三种运动模型,涵盖了人体运动的基本模式。
匀速运动模型、匀加速度运动模型、静止模型、如果一系列跟踪目标的观测值与 h 时刻后的一系列观测值一致,则认为跟踪目标处于静止状态。整个跟踪系统,包括传感器检测,目标识别,交互多模型滤波等。接下来将在机器人平台上完成相关实验。
3 实验及结果分析
3.1 基于机器学习的人体检测算法
实验一在同一环境下对两种算法进行了比较,为激光测距仪的点状图,其中标出了检测算法计算的结果。从中可以看出,固定特征阈值判断的方法在复杂环境下易出现误识别,而且对真实的人的位置也易出现漏识别。而基于 Adaboost 的人体检测算法可以更准确的检测到人的位置,并且由于训练样本可以包括较多复杂环境的情况,该算法的误识别率更低。
3.2 基于交互多模型滤波的跟踪系统
移动机器人安装了以上跟踪系统后的人物跟踪实验。经过交互多模型滤波后的跟踪轨迹要比人的实际运动估计平滑很多。90%以上的定位数据的精度在10cm 以内。
4 结论
本文提出了基于Adaboosts 线性分类器的人物目标识别算法。该算法能在复杂环境下的检测出人的位置,同时设计了交互多模型跟踪算法,可以较好的跟踪不规律运动的目标。在交龙移动机器人平台上实现了整个跟踪系统,验证了人物目标检测和多模式跟踪算法的稳定性和跟踪精度。
本文章转自爱学术(aixueshu.com),如有侵权,请联系删除