基于移动机器人的自主跟随方法：视觉、红外与超声波技术的应用与发展
本发明涉及自主跟随技术领域，尤其涉及一种基于移动机器人的自主跟随方法。背景技术：
跟随移动机器人是一个服务于特定目标的热门研究领域。跟随移动机器人可以帮助人们在特定场合完成指定任务。例如，在机场或超市帮助人们搬运行李，在工厂仓库帮助整理货物，目前的跟随方法主要包括基于视觉的跟随技术、基于红外的跟随技术和基于超声波的跟随技术。
基于视觉的跟随技术是移动机器人的重要发展方向。这种机器人有两个重要的功能：目标识别和自主导航。然而，目前的跟随技术大多依赖于简单的传感器，往往只能跟随特定的人或物体，例如推出的机器人只是针对老年人或残疾人的轻型机器人，跟踪速度有限，实时性较差。此次推出的电动高尔夫球轮机器人只能替代部分劳动力，并且依赖于特定的超声波发射器。易受外界干扰且价格昂贵。
技术实现要素：
本发明提供了一种基于移动机器人的自主跟随方法，解决了现有移动机器人在目标识别和自主导航方面实时性差、精度低、成本高的问题。
本发明可以通过以下技术方案来实现：
一种基于移动机器人的自主跟随方法，包括以下步骤：
步骤1、在跟随载体上设置图案，在跟随载体上设置摄像头，用于拍摄被跟随载体的视频；
步骤2、对跟随的包含图案的载体的运动视频进行处理，获取图案在运动视频的每一帧上的位置信息；
步骤3：从模式中提取特征，并与模式模板进行特征匹配。如果匹配成功，则执行步骤4；否则，返回步骤2；
步骤4：计算每帧图像上图案的最小外接矩形的形状信息，并确定此时跟随载体的运动方向；
步骤5：每隔一个执行周期重复步骤2～4，决定下一时刻跟随载体的运动方向。
进一步的，步骤二中获取图案在移动视频的每一帧图像上的位置信息的方法包括：
步骤一：对移动视频进行3×3中值滤波预处理，去除随机噪声；
步骤二。使用每帧图像中的图案作为前景，其他图像作为背景。使用三帧差分法对每一帧图像进行处理，得到二值图像；
步骤ⅲ：对每幅二值图像进行连通域处理，然后将前景连接成一个整体，记为；
步骤五：对图像中的图案进行最小外接矩形拟合，得到图案在每帧图像上的位置信息。
进一步地，在第三步中，采用SIFT特征提取算法提取模式的特征，并采用flann方法中的强力搜索方法对模式与模板进行特征匹配。
https://img2.baidu.com/it/u=3042185884,2355674817&fm=253&fmt=JPEG&app=138&f=JPEG?w=1078&h=800
进一步地，所述形状信息包括所述图案的最小外接矩形的高度所在的直线与水平线形成的圆弧。通过霍夫直线检测计算弧度。弧度为0.178至1.396，跟随载体左转；所以如果弧度是1.745~2.962，后面的载体就会右转；否则，跟随的载体将直行。
进一步地，图案采用纹理清晰、层次分明的图案，执行周期设置为十毫秒，后续载体采用移动机器人。
本发明的有益技术效果是：
利用预先在待追踪物体上设定的层次清晰、纹理清晰的图案，仅通过检测图案即可找到目标。这将缩小检测范围并降低检测的计算复杂度。同时，目标匹配只会针对模式进行。但总体而言，它减少了大量的计算量并增强了实时性能。另外，本发明简单可靠、易于操作、易于实施、易于推广应用。
附图说明
图1为本发明的流程示意图；
图2为本发明移动机器人的示意图；
图3为本发明的跟随载体，即运动中的人的示意图；
图4为本发明三帧差分法处理后得到的跟随载波二值化图像示意图。
图5为本发明对图4进行通用域处理后的示意图。
图6为本发明图5的最小外接矩形拟合过程示意图；
图7为本发明图案SIFT特征提取的关键点分布示意图；
其中，1-移动机器人，2-摄像机，3-运动中的人，4-风景图案。
具体实施
下面结合附图和优选实施例对本发明的具体实施方式进行详细描述。
如图1所示，为本发明的流程示意图，本发明提供了一种基于移动机器人的自主跟随方法，包括以下步骤：
步骤1、在跟随载体上设置图案，在跟随载体上设置摄像头，用于拍摄被跟随载体的视频；
为了快速、准确地检测视频中的被跟随载体，在跟随之前，需要在被跟随载体背面易于摄像头识别的位置设置纹理清晰、层次分明的图案。这个模式就是我们需要的检测目标。被跟随的载体可以是任何能够自主或受控运动的物体，例如移动机器人、战斗中的坦克等。
步骤2、对包含图案的跟随载体的运动视频进行处理，得到图案在运动视频的每一帧上的位置信息；
具体方法如下：
https://img0.baidu.com/it/u=3184887502,4266357723&fm=253&fmt=JPEG&app=138&f=JPEG?w=722&h=500
步骤一：对移动视频进行3×3中值滤波预处理，去除随机噪声；
步骤二。使用每帧图像中的图案作为前景，其他图像作为背景。使用三帧差分法对每一帧图像进行处理，得到二值图像。直接比较运动视频中的两个连续帧差异图像和背景差异图像。操作，使用canny算子对得到的结果进行边缘检测，从而得到二值化图像；
步骤ⅲ。对每幅二值图像进行连通域处理，然后将前景连接成一个整体，标记为；
步骤五：将最小外接矩形与图像中的图案进行拟合，得到图案在每帧图像上的位置信息和形状信息。
步骤3：从模式中提取特征并将其与模式模板进行匹配。若匹配成功，则转步骤4；否则，返回步骤2；
由于其采用纹理清晰、层次分明的图案，图案具有丰富的局部信息。 SIFT算法主要基于物体上的一些局部外观兴趣点，与图像的大小和旋转无关。对于光线、噪声、拍摄视角变化的容忍度也相当高，因此，本发明采用SIFT算法进行特征提取。虽然SIFT算法计算量较大，但我们只对跟随的载体上的模式进行操作，这样可以保证实时性，并且SIFT算法会提取具有方向和尺度不变性的特征点，这些特征点被描述为128维的形式的特征向量。
flann方法用于特征匹配。该方法可以执行两种搜索方法：线性、暴力搜索和使用kd树的并行搜索。其中，kd树是为了并行搜索而构建的，对于搜索大量数据具有明显的优势。例如，在上面的数百张图像中查找匹配图像。本发明要解决的问题是使用简单的线性和强力搜索来将相机捕获的当前帧图像与图案模板进行匹配。如果特征向量匹配成功的次数超过匹配阈值，则匹配成功。特征向量数量超过特征向量总数的50%以上，则匹配成功。
步骤4：计算每帧图像上图案的形状信息，并确定此时跟随载体的运动方向；
形状信息包括图案的最小外接矩形的高度所在的直线和水平线形成的弧度。如果弧度为0.178~1.396，则跟随的载体向左转；如果弧度为1.745~2.962，则跟随的载体右转；否则，跟随的载体将右转。沿着承运商一直向前行驶。
步骤5：每隔一个执行周期重复步骤2～4，决定下一时刻跟随载体的运动方向。执行周期可以根据实际需要设置，比如十毫秒。
以移动机器人自主跟随运动中的人为例，对本发明的自主跟随方法进行详细说明如下：
首先，移动机器人1上设置摄像头2，移动人3穿着背面有风景图案4的衬衫，如图2和图3所示。
其次，下面的软件图像处理模块将在初始化时打开移动机器人上的摄像头2。经过三帧差分法处理后，得到运动人体的二值图像，如图4所示。经过连通域处理，去除了内部的小间隙。结果如图5所示，连通域处理后的图像对外连通。矩形拟合结果如图6所示，中间较小的框架是跟随图案的外部矩形框架，即风景图案4，其他矩形框架是干扰框架。通过给这些矩形框添加区域限制，就可以过滤掉需要沿着图案周围的矩形框来获取图案在图像中的位置信息。
根据后续图案位置信息，将后续图案作为感兴趣区域，提取其SIFT特征点。图7为本实施例的特征提取示意图。此图仅供参考，可根据实际情况选择。 sift特征的提取过程分为两步：1）提取sift特征点。 sift特征点被赋予位置、尺度和方向等信息后，称为关键点，如图7中的圆圈所示。这些关键点存储在128维的sift特征向量中； 2）以矩阵的形式描述特征向量，方便后续的特征匹配。
SIFT特征匹配过程是将检测到的图案图像与模板图像的SIFT特征点成对进行比较，找到多对相互匹配的特征点，建立对象之间的对应关系。我们选择暴力匹配方法来匹配SIFT特征点，即首先在第一幅图像中选择一个关键点，然后依次与第二幅图像中的每个关键点进行距离测试。在此示例中，使用欧几里德距离。最后返回最近的关键点。在本实施例中，我们根据匹配成功的特征向量的数量是否大于模板特征向量和检测到的图案图像特征向量的平均数量的一半来判断匹配是否成功。
最后，当检测图案图像与模板图像匹配成功后，以与图案拟合的最小外接矩形作为感兴趣区域，在最小外接矩形的高度所在的直线上进行霍夫线检测定位，并检测直线与水平线之间的距离。当弧度范围在0.178～1.396之间时，程序给出左转指令。当在1.745和2.962之间时，程序给出右转指令。否则，程序给出一条直线指令。
本发明采用在后续载体上预设的具有层次分明、纹理清晰的图案。只有通过检测模式才能找到目标。这样会缩小检测范围，减少检测的计算量。同时，仅对模式进行目标匹配。总体来说，减少了大量的计算量，增强了实时性。此外，它简单可靠、易于操作、易于实施、易于推广应用。
尽管上面描述了本发明的具体实施例，但是本领域的技术人员应该理解，这些仅仅是示例，在不脱离本发明的原理和实质的情况下，可以对这些实施例进行各种改变或改变。因此，本发明的修改范围由所附权利要求限定。
页:
[1]