[发明专利]一种基于RGB-D信息的人体目标识别与跟随方法

说明书

一种基于RGB‑D信息的人体目标识别与跟随方法，包括如下步骤:第一步，识别目标并得到图像坐标系下目标的位置信息；第二步，得到相机坐标下目标位置信息。在相机坐标系下，获得移动机器人的跟踪距离d_k和跟踪偏角θ_k；第三步，建立模型。根据移动机器人与目标的运动关系，建立移动机器人跟随模型和系统量测模型。第四步，采用假设检验的方式引入自适应因子λ_k，设计自适应KF滤波器。首先，状态初始化，获取移动机器人的初始跟踪状态；其次，进行时间更新；然后，对量测信息进行更新。最后，由自适应因子计算得到新的新息协方差，更新移动机器人状态信息。本发明有效的减小了系统的量测噪声对跟踪系统的影响，稳定性好，能够控制机器人更好的跟随目标。

技术领域

本发明应用于移动机器人目标跟踪领域，涉及一种基于视觉的并适用于复杂环境的人体目标跟踪方法。

背景技术

基于视觉的人与机器人交互(Human-Robot Interaction，HRI)在社会服务机器人中有着广泛的应用。随着社会服务机器人技术的发展，对人与机器人交互提出了更高的要求。以人体、人脸、眼睛、手部为主要目标的视觉跟踪技术是人与机器人交互的关键技术，是机器人对人以及人的意图进行认知的基础。随着服务机器人技术的迅猛发展，在以人为主要对象的应用环境中，如何更稳定的识别并跟随目标是提高人与机器人交互质量的关键。

目标跟踪是计算机视觉的核心问题之一，是一种融合图像处理、模式识别、人工智能及自动控制等不同领域先进成果的高新技术，在智能监控、人机交互、机器人导航、医学诊断等众多领域有重要的实用价值和广阔的发展前景。

对于众多的目标跟踪算法，一般分为基于区域的目标跟踪、基于模型的目标跟踪、基于变形模板的目标跟踪、基于特征的目标跟踪、基于运动场估计的目标跟踪和混合跟踪算法。近几年来，一些先进的基于RGB信息的目标跟踪算法已经实现了高速追踪，其中，基于Meanshift的目标分割与跟踪算法跟踪效率高。但在实际应用中，目标跟踪面临着诸多挑战，包括照明的变化、目标数量的随机性及目标运动的快慢都会影响跟踪结果。而在3D图像中的目标有且仅有一个位置信息，并且深度信息不受光照影响.因此，基于RGB-D信息的目标跟踪算法已经成为研究人员的研究重点。

人体目标跟踪系统主要由跟踪物体、移动机器人两部分组成。移动机器人为双轮差动驱动的机器人，稳定性好、结构简单、易操作。数据采集设备为RGB-D相机，由红色投影仪、彩色摄像头和红外摄像头三部分组成。考虑RGB-D相机获取深度空间信息的原理是基于“激光散斑”原理的光编码技术,通过实验发现，RGB-D相机获取的深度值与实际标尺测量的距离的偏差会随着物体较RGB-D相机的距离越远越大，并且相机的最佳探测距离为1-3.5m。因此，对于RGB-D相机获取的深度图像，其存在不确定的测量噪声且深度值是可穷举的。

另一方面，当应用环境比较复杂时，基于RGB信息的Meanshift目标跟踪方法鲁棒性差，容易丢失跟踪目标。采用基于RGB-D信息(彩色信息(RGB)和深度信息)的Mean-shift目标跟踪方法，实现了人体目标的自动检测及匹配跟踪。然而基于像素的全局搜索存在无法对目标进行可靠的实时估计的问题。

考虑引入合适的估计器进行可靠的估计，以提高目标跟踪算法的实时性和稳定性。卡尔曼滤波器(Kalman Filter,KF)可提供精度较高且过估计的不确定性较小的估计结果.由于传统的KF不考虑误差(建模误差、数值计算误差、测量误差等)补偿，因而，容易导致不相容的估计结果，即系统状态的估计误差协方差小于其真实协方差.注意到，当估计结果不相容时，滤波器的性能将迅速下降，甚至发散。故能够补偿量测误差带来的影响对提高目标跟踪的实时性和稳定性尤为重要。

发明内容

为了克服视觉传感器和Meanshift跟踪算法的不确定噪声造成的实时性差和不稳定问题，本发明提出了一种基于RGB-D新息的人体目标识别与跟随方法，通过引入自适应因子的方式对系统不确定误差进行补偿，有效的提高目标跟踪的稳定性。