室內(nèi)環(huán)境下基于單目視覺(jué)的目標(biāo)跟蹤方法研究.pdf

1、視覺(jué)跟蹤是當(dāng)前服務(wù)機(jī)器人領(lǐng)域的研究熱點(diǎn)。本文提出了一種基于相似性距離的目標(biāo)跟蹤算法。該算法將視覺(jué)跟蹤分為目標(biāo)識(shí)別、目標(biāo)跟蹤兩個(gè)部分。相似性距離決定執(zhí)行識(shí)別或跟蹤算法，并調(diào)整跟蹤部分的粒子數(shù)目。
　　本文采用基于特征匹配的方法識(shí)別并定位目標(biāo)。為了有效描述特征，在比較多種圖像特征描述方法的基礎(chǔ)上，采用了魯棒性較好的SIFT(ScaleInvariantFeatureTransform)特征進(jìn)行描述。獲取當(dāng)前視覺(jué)圖像的SIFT特征之后，

2、采用BBF匹配方法與目標(biāo)模板的特征進(jìn)行匹配。由于BBF(BestBinFirst)匹配方法具有一定的錯(cuò)誤率，所以本文使用基于RANSAC(RandomSampleConsensus)的方法來(lái)計(jì)算描述當(dāng)前視野圖像與模板圖像對(duì)極幾何約束的基礎(chǔ)矩陣，并對(duì)BBF匹配的結(jié)果進(jìn)行錯(cuò)誤剔除。當(dāng)剔除后剩余的匹配數(shù)目超過(guò)某一閾值時(shí)，就認(rèn)為視野中存在目標(biāo)，并利用特征坐標(biāo)完成定位。
　　該算法基于顏色分布信息進(jìn)行跟蹤。首先在先前獲取的目標(biāo)位置周?chē)梢?/p>

3、定數(shù)目的粒子，平均分配權(quán)值。然后計(jì)算各個(gè)粒子與目標(biāo)模板顏色分布的相似性距離，進(jìn)而更新各個(gè)粒子的權(quán)值，加權(quán)平均預(yù)測(cè)目標(biāo)的位置。當(dāng)粒子數(shù)目較多時(shí)，將均值偏移引入跟蹤部分。采用均值偏移算法確定當(dāng)前視覺(jué)圖像中目標(biāo)的位置。
　　完成跟蹤部分后，要計(jì)算目標(biāo)區(qū)域與模板的相似性距離，設(shè)定執(zhí)行識(shí)別算法的閾值和進(jìn)行均值偏移的閾值，并根據(jù)此距離做出判斷。如果該距離大于識(shí)別閾值，則認(rèn)為目標(biāo)從當(dāng)前視野消失，需要重新執(zhí)行目標(biāo)識(shí)別算法；如果該距離小于識(shí)別閾值，

4、則跟蹤成功，并根據(jù)該距離對(duì)下一次粒子濾波時(shí)產(chǎn)生的粒子數(shù)目進(jìn)行調(diào)整。當(dāng)相似性距離小于均值偏移閾值時(shí)，跟蹤效果較好，此時(shí)粒子數(shù)目與相似性距離成正比；當(dāng)相似性距離介于均值偏移閾值和識(shí)別算法閾值之間時(shí)，說(shuō)明跟蹤不太理想，需要增加粒子數(shù)目來(lái)改善跟蹤效果。為了提高計(jì)算效率，采用較少粒子進(jìn)行粒子濾波，并用均值偏移算法彌補(bǔ)粒子數(shù)目的不足。
　　在跟蹤基礎(chǔ)上引入透視投影理論，提出了一種測(cè)量目標(biāo)相對(duì)鏡頭的方位和距離的算法。方位和距離可以為機(jī)械手對(duì)目標(biāo)