融合视觉图像处理的目标识别技术在移动机器人中的应用.pdf
《融合视觉图像处理的目标识别技术在移动机器人中的应用.pdf》由会员分享,可在线阅读,更多相关《融合视觉图像处理的目标识别技术在移动机器人中的应用.pdf(9页珍藏版)》请在咨信网上搜索。
1、第 卷 第 期兵 器 装 备 工 程 学 报 年 月 收稿日期:修回日期:基金项目:湖南省自然科学基金项目()作者简介:潘萍()女硕士副教授:.:./.融合视觉图像处理的目标识别技术在移动机器人中的应用潘 萍(长沙师范学院 长沙)摘要:为了提升移动机器人的运动人体识别效果研究利用 对动态人体图像进行实时跟踪并结合 实现跟踪对象人脸识别 运动人体跟踪检测实验和人脸识别测试结果显示 算法跟踪误差仅为.且跟踪响应速度和误差更正速度较快 目标识别算法在训练中的分类精度最高能够达到.分类中的时间延迟为.能够有效识别跟踪对象的身份信息 研究结果表明视觉图像处理技术能够实现人体的有效跟踪检测并能对不同身份的
2、跟踪对象进行人脸识别对移动机器人跟踪与识别技术发展具有重要价值关键词:人体跟踪人脸识别图像处理卡尔曼滤波 网络本文引用格式:潘萍.融合视觉图像处理的目标识别技术在移动机器人中的应用.兵器装备工程学报():.:.():.中图分类号:.文献标识码:文章编号:()():.:引言计算机视觉处理技术是基于人体视觉的延展性智能技术随着计算机智慧科技的进步其应用愈发广泛已经逐渐涉及医疗、导航、军事、监控以及家庭服务等多个领域 人体跟踪识别是计算机视觉技术研究中的重点方向通过图像处理与分析从复杂背景环境中识别出人体位置以此实现复杂环境中的人员跟踪与监控 将动态问题跟踪与识别技术应用在陪伴、移动探测等类型的机器
3、人中能够有效提升机器人的服务智能化水平提升服务效率和性能 随着人们对人体跟踪要求的提升静态背景下的目标识别算法的简单功能已无法满足日常需求要求提升移动机器人动态人体跟踪的检测性能加强机器人对动态人体目标的跟踪与识别王德鑫等提出了面向 足机器人目标跟踪的核相关滤波自适应跟踪算法并结合对称匹配和外点过滤实现运动背景补偿 杜玉红等为了解决移动目标动态跟踪过程中的遮挡等问题提出了一种基于置信度的核相关滤波处理跟踪模型构建快速判别尺度空间以提升出跟踪模型对图像尺度变化的适应能力 等在移动机器人对接目标跟踪问题中引入扩展卡尔曼滤波技术将动态目标跟踪与自身运动控制相结合以实现无偏移的精准动态目标对接 等针对
4、废塑料瓶图像智能分类与识别问题提出了基于连续注意框架的多标签识别技术以实现对废塑料瓶的特征提取和分类识别 付辉等提出了一种基于增强现实的动态目标跟踪算法以噪声去除标记为切入点提取图像特征值并通过集成分类的方式实现防遮挡动态跟踪 陈玲等提出了一种基于图像差分的后继帧图像目标跟踪技术并结合均值漂移法和迭代运算实现图像分割和目标跟踪 等为了解决视频图像检测中的动态特征提取与鲁棒性问题提出了一种基于序列到序列预测的交叉参考网络将视频显著性检测转换为序列预测利用纯视觉变换器实现多分辨率特征提取实现跨模态目标检测 从当前的大量移动机器人应用表现中可以得知由于环境的复杂性机器人在运动人体跟踪和识别中容易被冗
5、杂信息干扰存在较大的不确定和变化性无法提取有效的前景目标信息 针对上述问题研究提出了一种基于 的动态人体跟踪检测算法并提出基于 的人脸身份识别算法以此来实现复杂环境下的动态人体跟组与识别以期为移动机器人的发展提供思路 研究主要贡献在于在 的基础上引入了 算法实现对受遮挡动态人体对象的实时跟踪有效提升了机器人在对象遮挡情况下的动态对象跟踪精度增强了机器人的跟踪环境适应性 其次研究提出了基于 的人脸识别技术能对跟踪对象进行身份识别和锁定跟踪有效避免了跟踪失误等问题的出现对提升机器人在复杂环境下的对象跟踪性能具有重要价值 动态人体跟踪与人体识别技术设计.基于 的动态人体跟踪图像检测区域卷积神经网络(
6、)是人体跟踪与图像识别领域的常用深度学习方法 以视觉图像处理为中心通过区域选择的方式对采集到的图像进行位置划分并提出不同区域的卷积特征从而对特征向量进行分类获取动态人体跟踪图像的前景区域 但是传统的 网络在进行视觉图像处理时将人体图像划分为恒定大小的区域从而增加了卷积特征提取的工作量使得人体跟踪的分析精确性和时效性有所降低 而快速区域卷积神经网络()在传统 的基础上引入 池化思想调整了传统 网络的输入图像直接将完整的人体跟踪图像作为卷积神经网络的输入向量 使用选择性搜索算法对跟踪图像进行人体区域划分并对跟踪图像进行灰度化处理通过对候选区域特征进行映射获得完整的跟踪图像特征图然后将特征图作为卷积
7、神经网络的输入图像 在 的基础上进一步优化了跟踪图像人体候选区域的选择引入区域建议网络()进行候选区域划分以提升区域划分效率 将跟踪图像的卷积特征图作为 网络的输入向量利用 网络获取跟踪图像的运动人体候选区域并将其重新映射到卷积特征图上 网络通过 卷积处理融合特征图中的空间信息进一步提升特征鲁棒性并划分特征图串窗口中心点多对应的区域()并通过计算候选区域的是人与非人概率和区域缩放处理的方式获得跟踪图像的最终动态人体候选区域特征图 特征图经过 的池化处理后进入全连接层实现图像特征分类与边界回归 的运行流程如图 所示 采用最大值采样的方式将特征图区域中取值最大的点作为整个区域的代表以降低模型的工作
8、量并且相较于传统 的支持向量机分类来说直接利用 和 损失函数实现特征向量的分类和边界回归减少了网络模型的存储量 特征分类损失函数为()()式()中:表示类属 是维度为 的向量 ()其中 表示特征区域被划分为背景的概率表示特征向量属于种类 的概率 特征向量边界回归损失函数为()()().()潘 萍:融合视觉图像处理的目标识别技术在移动机器人中的应用式()中:表示 种类特征区域的缩放参数()和 分别表示特征区域与实际区域相比水平和垂直方向上的预测缩放参数和 分别表示区域宽度和高度的缩放参数 表示 种类的实际区域缩放参数()与 相对应 的总损失函数为()()()()()式()中:为损失平衡的控制参数
9、 当 为图像前景时总损失函数为()()对特征图进行特征分类和边界回归 当 为图像背景时总损失函数为()仅进行特征分类分析图 运行流程.基于 的动态跟踪优化为了进一步加强对受到遮挡的动态人体的实时跟踪研究在 的基础上引入卡尔曼滤波算法()删掉了基础 网络中的全连接层直接将 的人体候选位置区域输出结果作为 算法的预测输入利用 算法对动态人体位置进行估计当检测得到的人体跟踪图像中跟踪对象受到遮挡时 算法会依据跟踪对象在不同图像帧中的运动规律对跟踪对象的运动行为轨迹进行预测以提升复杂运动环境下的人体实时动态跟踪效果 基于改进 算法的动态人体跟踪模型如图 所示图 基于改进 算法的动态人体跟踪模型.并且为
10、了提升动态人体跟踪的处理效率研究简化了 的边界回归和分类流程直接将经过 网络处理的动态人体候选区域作为 算法的输入 传统的 算法利用常值协方差矩阵对观测向量及状态向量之间的相关性进行描述但是动态人体跟踪情况下常值协方差矩阵难以对动态人体位置进行实时有效跟踪 因此研究对每一帧跟踪图像的常值协方差矩阵进行实时计算并求取平均值作为时变矩阵 协方差计算函数为()()()()式()中:和 表示相关性求解的观测向量及状态向量表示向量中的元素数量 表示向量元素序号 和 表示向量均值、个向量的协方差矩阵为()()()()()()()()()()为了适应动态人体跟踪的尺度变化设时刻 下的状态向量为 表示时刻 下
11、检测框的宽度表示状态 下检测框高度和 分别表示宽度和高度变化率 则时刻 下的协方差矩阵为()()式()中:为测量矩阵为转置测量矩阵 表示观测向量的噪声矩阵表示由时刻 推导所得的时刻 的斜方差预测值 时刻 下的增益矩阵方程为()时刻 下的状态向量方程为 ()()式()中:表示状态向量最优估计值 表示由时刻 推导而出的时刻 下的状态向量预测值表示时刻 下的观测向量 时刻 下的状态向量方程为兵 器 装 备 工 程 学 报:/./()式()中 表示状态转移矩阵 则时刻 下的斜方差预测值函数为 ()式()中:表示状态向量噪声矩阵 则 算法的离散运动状态方程为()()()式()中:表示时刻 下的状态向量
12、算法的观测方程为()()()式()中:()表示时刻 下的观测向量.基于 算法和 网络的跟踪身份识别身份识别是动态人体跟踪的基础人脸识别是身份识别的重要方法 人脸识别是通过计算机技术对人脸图像进行分析和比对从而实现对个体身份的识别 在动态人体跟踪中人脸识别可以用来确定特定目标的身份并进行实时追踪 在现实应用场景中捕捉到的动态人体跟踪图像中可能还有非跟踪对象的人体区域因此基于视觉图像处理的动态人体跟踪需要排除其他人体对象的干扰对跟踪对象进行身份识别和锁定跟踪 为了实现多人环境下的实时动态人体跟踪研究利用多层任务卷积神经网络()进行人脸图像采集通过多任务级联模式检测出人脸图像中的面部特征关键点获取人
13、脸的眼睛、鼻子和嘴角关键点并结合 网络实现人脸识别和身份确认 基于 网络和 算法的跟踪身份识别模型如图 所示图 基于 网络和 算法的跟踪身份识别模型.级联多任务学习模式包括、和 个网络模型 算法的 个网络模型的结构如图 所示为全卷积神经网络利用 卷积处理和 最大值池化处理获得 卷积特征图并结合 和 卷积处理最终生成轮廓点特征图 网络通过 卷积处理和 极大值池化处理获取 卷积特征图并结合 卷积处理和 卷积处理实现特征图转换将人脸图像特征图转化为维度为 的全连接层 并将特征分类问题、检测框位置回归问题和关键点识别问题分别转化为维度为、和 的全连接层 网络与 较为相似二者共同实现对人脸图像候选位置的
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 融合 视觉 图像 处理 目标 识别 技术 移动 机器人 中的 应用
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。