發(fā)布時間：2017-06-20 22:07

  本文關(guān)鍵詞：基于單目視覺的機器人環(huán)境認(rèn)知與建模方法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著智能技術(shù)的發(fā)展,智能服務(wù)機器人逐漸進(jìn)入人們的日常生活,并在各個行業(yè)中發(fā)揮著越來越重要的作用。機器人想要更好地服務(wù)人類,需要提高其環(huán)境認(rèn)知的能力,如對周圍場景的理解、對目標(biāo)物體的識別等。視覺是人類感知外部信息的主要途徑,科學(xué)研究表明,80%以上的外界信息由視覺獲取。視覺傳感器,因其普遍體積小,且價格較低廉,已成為機器人系統(tǒng)的主要外傳感器。近年來,隨著計算機處理能力的不斷提高,機器人的視覺環(huán)境感知技術(shù)也得到快速發(fā)展,涌現(xiàn)了較多印象深刻的研究成果。然而,傳統(tǒng)的機器人環(huán)境感知方法,由于缺乏人類理解的高層語義,導(dǎo)致機器人無法完成更加智能的任務(wù)。本文以提高機器人的環(huán)境認(rèn)知能力為目的,針對機器人環(huán)境認(rèn)知過程所涉及的物體與場景識別等問題,研究基于中層特征表達(dá)的場景分類方法、物體細(xì)粒度識別方法以及運動物體的檢測與跟蹤方法,在此基礎(chǔ)上實現(xiàn)移動機器人室內(nèi)環(huán)境的定位與導(dǎo)航。主要研究工作包括:(1)為了使機器人更好地理解周圍環(huán)境,提出了一種基于中層特征稀疏編碼的場景分類方法。首先,考慮到圖像中物體輪廓明顯的區(qū)域包含更豐富信息的特點,采用自適應(yīng)閾值的Canny邊緣檢測算法提取圖像的輪廓信息,并根據(jù)得到的圖像輪廓信息,提出一種基于邊緣輪廓信息密度的中層特征提取方法;然后,為了更好地表達(dá)提取到的中層特征,提出了一種稀疏編碼直方圖的特征描述方法;最后,利用K-means對稀疏編碼得到的特征進(jìn)行聚類,并根據(jù)純度、鑒別性指標(biāo),選擇最具代表的聚類,訓(xùn)練SVM分類器,實現(xiàn)圖像的場景分類。在多個場景數(shù)據(jù)集上的實驗結(jié)果表明,本文所提出的方法取得了優(yōu)于其他流行方法的正確識別率。(2)為了使機器人能夠更準(zhǔn)確地識別場景中的物體,特別是同類的不同物體,提出了一種基于權(quán)重系數(shù)可變形部件模型的物體細(xì)粒度識別方法。首先,利用隱支撐向量機(Latent SVM)訓(xùn)練得到物體的可變形部件模型;然后,提出一種可變形部件模型的權(quán)重系數(shù)學(xué)習(xí)方法,學(xué)習(xí)得到每個部件的權(quán)重系數(shù),以表示各個部件在識別過程中的作用大小。相較于傳統(tǒng)的可變形部件模型方法,部件的權(quán)重系數(shù)可以突出同類物體中不同部件對識別的貢獻(xiàn)程度。在多個數(shù)據(jù)集上的實驗結(jié)果表明,相比于其他的流行方法,本文所提出的方法能夠獲得更高的正確率識別率。(3)為了使機器人能夠區(qū)分環(huán)境中的靜止和運動物體,有效跟蹤目標(biāo)對象,提出了一種基于顏色直方圖特征的時空上下文運動物體跟蹤方法。首先,計算目標(biāo)物體的歸一化顏色直方圖特征;然后,在貝葉斯框架下,建立目標(biāo)物體及其局部上下文之間的時空關(guān)系,實現(xiàn)目標(biāo)物體的跟蹤。實驗結(jié)果表明,基于顏色直方圖特征的時空上下文跟蹤方法能夠更加有效地處理部分遮擋問題。此外,由于顏色信息計算復(fù)雜度低,所以對跟蹤算法的實時性影響較小。(4)在上述研究的基礎(chǔ)上,面向服務(wù)機器人的室內(nèi)導(dǎo)航,研究室內(nèi)環(huán)境的機器人分層地圖構(gòu)建方法。該分層地圖包含拓?fù)浣Y(jié)構(gòu)層和語義結(jié)構(gòu)層,拓?fù)浣Y(jié)構(gòu)層分別利用圖像檢索算法和姿態(tài)估計算法提供用于機器人自定位的信息以及用于局部路徑規(guī)劃的信息;語義結(jié)構(gòu)層則分別利用場景分類算法和物體識別算法提供用于機器人目標(biāo)定位的場景與物體信息;此外,在地圖構(gòu)建過程,利用運動物體的檢測與跟蹤方法,區(qū)分場景中的靜止和動態(tài)特征,并實現(xiàn)運動目標(biāo)的跟蹤。利用單目視覺的P3-DX機器人在室內(nèi)環(huán)境下進(jìn)行了實驗,驗證了方法的有效性和原型系統(tǒng)的魯棒性。
【關(guān)鍵詞】：環(huán)境認(rèn)知 場景分類 物體細(xì)粒度識別 運動物體檢測與跟蹤 單目視覺
【學(xué)位授予單位】：北京工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP391.41;TP242
【目錄】：

• 摘要4-6
• Abstract6-11
• 第1章 緒論11-23
• 1.1 課題背景以及研究意義11-12
• 1.2 機器視覺的發(fā)展現(xiàn)狀12-13
• 1.3 場景分類的發(fā)展現(xiàn)狀13-14
• 1.4 物體識別的發(fā)展現(xiàn)狀14-16
• 1.4.1 物體粗粒度識別14-15
• 1.4.2 物體細(xì)粒度識別15-16
• 1.5 運動物體檢測與跟蹤的發(fā)展現(xiàn)狀16-18
• 1.6 基于視覺的移動機器人環(huán)境地圖構(gòu)建的發(fā)展現(xiàn)狀18-20
• 1.7 課題來源20
• 1.8 研究內(nèi)容以及論文安排20-23
• 第2章 基于中層特征稀疏編碼的場景分類23-39
• 2.1 引言23-24
• 2.2 基于邊緣輪廓信息密度的中層特征提取方法24-27
• 2.2.1 邊緣檢測24-26
• 2.2.2 基于邊緣輪廓信息密度的中層特征選擇26-27
• 2.3 基于稀疏編碼直方圖的中層特征表達(dá)27-31
• 2.3.1 梯度方向直方圖特征27-28
• 2.3.2 稀疏編碼直方圖特征28-31
• 2.4 基于中層特征稀疏編碼的場景分類31-33
• 2.5 實驗結(jié)果與分析33-37
• 2.5.1 MIT Indoor 67 Scene數(shù)據(jù)集33-34
• 2.5.2 UIUC 8-Sports數(shù)據(jù)集34-36
• 2.5.3 實驗結(jié)果分析36-37
• 2.6 本章小結(jié)37-39
• 第3章 基于權(quán)重系數(shù)DPM模型的物體細(xì)粒度識別39-53
• 3.1 引言39-40
• 3.2 權(quán)重系數(shù)DPM模型40-47
• 3.2.1 權(quán)重系數(shù)DPM模型的提出40-41
• 3.2.2 基于權(quán)重系數(shù)DPM模型的物體識別41-42
• 3.2.3 隱支持向量機42-44
• 3.2.4 DPM模型的訓(xùn)練44-45
• 3.2.5 權(quán)重系數(shù)學(xué)習(xí)45-47
• 3.3 實驗結(jié)果與分析47-51
• 3.3.1 AirplanOID數(shù)據(jù)集47-48
• 3.3.2 Oxford-IIIT Pet數(shù)據(jù)集48
• 3.3.3 實驗結(jié)果分析48-51
• 3.4 本章小結(jié)51-53
• 第4章 基于顏色特征的時空上下文跟蹤方法53-65
• 4.1 引言53
• 4.2 基于歸一化顏色特征的空間上下文模型53-57
• 4.2.1 歸一化顏色特征54
• 4.2.2 顏色空間上下文模型(NC-STC)54-55
• 4.2.3 空間上下文先驗?zāi)Ｐ?/span>55-56
• 4.2.4 置信圖56
• 4.2.5 空間上下文模型的求解56-57
• 4.3 時間信息的融合57-58
• 4.3.1 模型的更新57
• 4.3.2 尺度參數(shù)的更新57-58
• 4.4 實驗結(jié)果與分析58-63
• 4.4.1 實驗的定性分析60-61
• 4.4.2 實驗的定量分析61-63
• 4.4.3 實驗結(jié)果分析63
• 4.5 本章小結(jié)63-65
• 第5章 基于單目視覺的機器人環(huán)境建模與導(dǎo)航實驗65-77
• 5.1 引言65-66
• 5.2 分層地圖模型的構(gòu)建66-70
• 5.2.1 分層地圖整體框架66-67
• 5.2.2 拓?fù)浣Y(jié)構(gòu)層的構(gòu)建67-69
• 5.2.2.1 拓?fù)浣Y(jié)構(gòu)層的節(jié)點67-69
• 5.2.2.2 拓?fù)鋵拥倪?/span>69
• 5.2.3 語義結(jié)構(gòu)層的構(gòu)建69-70
• 5.3 基于先鋒P3-DX機器人平臺的實驗研究70-73
• 5.3.1 P3-DX機器人平臺簡介70-71
• 5.3.2 軟件系統(tǒng)設(shè)計71-73
• 5.3.2.1 需求分析71-72
• 5.3.2.2 軟件的主要功能模塊72-73
• 5.4 實驗結(jié)果及分析73-76
• 5.4.1 場景識別及物體識別73-74
• 5.4.2 機器人導(dǎo)航實驗74-75
• 5.4.3 運動物體跟蹤實驗75-76
• 5.5 本章小結(jié)76-77
• 結(jié)論77-79
• 參考文獻(xiàn)79-85
• 攻讀碩士學(xué)位期間所發(fā)表的學(xué)術(shù)論文85-87
• 致謝87

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 韓浩;董硯秋;張娟;;基于湖面清掃機器人的圖像識別技術(shù)研究[J];科技資訊;2006年33期

2 Joseph Ogando;;讓機器人放松“肌肉”[J];工業(yè)設(shè)計;2007年11期

3 ;《機器人技術(shù)與應(yīng)用》全年總目次[J];機器人技術(shù)與應(yīng)用;2010年06期

4 郭健;;機器人在涂裝車間的應(yīng)用[J];科技視界;2012年31期

5 王偉;;日本農(nóng)用機器人的研究成果與趨勢[J];農(nóng)業(yè)機械;1994年11期

6 董雅萍;有視覺的機器人[J];世界制造技術(shù)與裝備市場;2001年01期

7 梁冰,洪炳昒,曙光;基于視覺與行為模型的機器人目標(biāo)跟蹤[J];通信學(xué)報;2004年01期

8 張彥鐸,魯統(tǒng)偉;基于航跡關(guān)聯(lián)的足球機器人視覺系統(tǒng)的改進(jìn)[J];哈爾濱工業(yè)大學(xué)學(xué)報;2004年07期

9 高崢;擬人機器人視覺系統(tǒng)的軟件設(shè)計[J];計算機工程與設(shè)計;2004年11期

10 靳曄;施釉機器人視覺系統(tǒng)設(shè)計[J];河北省科學(xué)院學(xué)報;2005年03期

中國重要會議論文全文數(shù)據(jù)庫 前9條

1 陳衛(wèi)東;曹其新;賈建強;羅真;王磊;黃永志;繆壽洪;張衛(wèi)星;徐化;欒楠;付莊;張彭濤;孫英杰;張飛;張春裕;包賢捷;;面向動態(tài)與競爭環(huán)境的多機器人團隊[A];馬斯特杯2003年中國機器人大賽及研討會論文集[C];2003年

2 張春龍;黃小龍;劉衛(wèi)東;張妍;李南;張俊雄;李偉;;基于機器視覺的鋤草機器人信息獲取方法研究[A];中國農(nóng)業(yè)工程學(xué)會2011年學(xué)術(shù)年會論文集[C];2011年

3 張亞靜;喬軍;劉剛;李民贊;;水果采摘機器人視覺系統(tǒng)的發(fā)展現(xiàn)狀研究[A];2007年中國農(nóng)業(yè)工程學(xué)會學(xué)術(shù)年會論文摘要集[C];2007年

4 雍超;竺長安;杜華生;;基于視覺和超聲技術(shù)的機器人視覺系統(tǒng)[A];第六屆全國計算機應(yīng)用聯(lián)合學(xué)術(shù)會議論文集[C];2002年

5 徐大宏;;基于彩色識別的足球機器人視覺系統(tǒng)研究與實現(xiàn)[A];中國圖象圖形學(xué)會第十屆全國圖像圖形學(xué)術(shù)會議（CIG’2001）和第一屆全國虛擬現(xiàn)實技術(shù)研討會（CVR’2001）論文集[C];2001年

6 高瑞;劉剛;司永勝;劉兆祥;;蘋果采摘機器人視覺系統(tǒng)研究[A];紀(jì)念中國農(nóng)業(yè)工程學(xué)會成立30周年暨中國農(nóng)業(yè)工程學(xué)會2009年學(xué)術(shù)年會（CSAE 2009）論文集[C];2009年

7 袁波;徐科軍;盛磊;;基于TMDXEVM642的機器人視覺系統(tǒng)[A];第三屆全國信息獲取與處理學(xué)術(shù)會議論文集[C];2005年

8 張汝波;張亮;張子迎;;基于立體視覺的機器人目標(biāo)識別與跟蹤[A];2007年中國智能自動化會議論文集[C];2007年

9 湯修映;張鐵中;;黃瓜收獲機器人避碰軌跡規(guī)劃[A];走中國特色農(nóng)業(yè)機械化道路——中國農(nóng)業(yè)機械學(xué)會2008年學(xué)術(shù)年會論文集（上冊）[C];2008年

中國重要報紙全文數(shù)據(jù)庫 前2條

1 青島日報、青報網(wǎng)記者 林剛;高端機器人裝備年產(chǎn)400臺[N];青島日報;2014年

2 本報記者 徐光;全球增速第一 國內(nèi)機器人產(chǎn)業(yè)快速崛起[N];中國證券報;2012年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 陳浩耀;面向多機器人編隊的基于視覺定位系統(tǒng)研究[D];中國科學(xué)技術(shù)大學(xué);2009年

2 瞿心昱;基于仿人腦認(rèn)知計算模型的機器人視覺學(xué)習(xí)方法[D];浙江工業(yè)大學(xué);2012年

3 王勇;棉花收獲機器人視覺系統(tǒng)的研究[D];南京農(nóng)業(yè)大學(xué);2007年

4 張正濤;乒乓球機器人視覺測量與控制[D];中國科學(xué)院研究生院（自動化研究所）;2010年

5 陳四杰;面向數(shù)控機床群的上下料機器人視覺識別定位研究[D];江蘇大學(xué);2013年

6 王海青;黃瓜收獲機器人視覺系統(tǒng)的研究[D];南京農(nóng)業(yè)大學(xué);2012年

7 張健;220kV/330kV高壓帶電清掃機器人視覺系統(tǒng)的研究[D];上海交通大學(xué);2009年

8 呂小蓮;基于四自由度西紅柿采摘機器人視覺系統(tǒng)的研究[D];沈陽農(nóng)業(yè)大學(xué);2008年

9 陳華斌;運載火箭動力系統(tǒng)五通連接器機器人GTAW質(zhì)量控制系統(tǒng)[D];上海交通大學(xué);2009年

10 俞曉磊;基于光電感知的混沌仿生信息融合研究[D];南京航空航天大學(xué);2011年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 張皓然;四足除草機器人的靜態(tài)步行及穩(wěn)定性研究[D];昆明理工大學(xué);2015年

2 李晶路;基于人工路標(biāo)的室內(nèi)機器人自定位算法研究[D];長安大學(xué);2015年

3 霍美杰;基于動態(tài)結(jié)構(gòu)網(wǎng)絡(luò)的機器人發(fā)育機制研究[D];華北理工大學(xué);2015年

4 宗鵬程;基于NAO機器人的視覺目標(biāo)檢測與跟蹤[D];華北電力大學(xué);2015年

5 黎嘉文;基于行為的多機器人協(xié)同研究與實現(xiàn)[D];揚州大學(xué);2014年

6 王寧揚;面向服務(wù)機器人的蜂巢氣動網(wǎng)絡(luò)軟件執(zhí)行器研究[D];中國科學(xué)技術(shù)大學(xué);2016年

7 嚴(yán)帥;基于GPU加速的機器人人臉檢測系統(tǒng)的設(shè)計與實現(xiàn)[D];北京交通大學(xué);2016年

8 張永恒;輪足結(jié)合清潔機器人輪行控制與路徑規(guī)劃研究[D];燕山大學(xué);2016年

9 陶威;機器人3D視覺傳感器設(shè)計與實現(xiàn)[D];西南交通大學(xué);2016年

10 楊勝男;仿人頭像機器人人工鼻—肺系統(tǒng)及氣味識別算法研究[D];哈爾濱工業(yè)大學(xué);2016年

  本文關(guān)鍵詞：基于單目視覺的機器人環(huán)境認(rèn)知與建模方法研究，由筆耕文化傳播整理發(fā)布。

，

本文編號：466996