1 / 24

基于目标追踪的 AGV 视觉导引

基于目标追踪的 AGV 视觉导引. 东南大学系统工程研究所 报告人：周凯 2009.11.21. 目录. 1. 3. 引言. 2. AGV 相关算法研究. 一些想法. 2. 1. 引言. AGV 的应用 制造业（自动化、烟草加工） 立体仓库 危险品运输 机场行李搬运等 AGV 基本原理 通过感应器感知环境信息 AGV 研究最终目标 使 AGV 更智能去感知视觉信息. 2.AGV 算法研究. 跟踪对象研究 环境中的物体 地面标志线 指定的物体（人，车等） 跟踪算法研究 Meanshift Kalman filter

melyssa-patterson
Download Presentation

基于目标追踪的 AGV 视觉导引

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. 基于目标追踪的AGV视觉导引 东南大学系统工程研究所 报告人：周凯 2009.11.21

  2. 目录 1 3 引言 2 AGV相关算法研究 一些想法 2

  3. 1.引言 • AGV的应用 • 制造业（自动化、烟草加工） • 立体仓库 • 危险品运输 • 机场行李搬运等 • AGV基本原理 • 通过感应器感知环境信息 • AGV研究最终目标 • 使AGV更智能去感知视觉信息

  4. 2.AGV算法研究 • 跟踪对象研究 • 环境中的物体 • 地面标志线 • 指定的物体（人，车等） • 跟踪算法研究 • Meanshift • Kalman filter • Bayes filter • Particle filter • Sift features

  5. Meanshift算法 • Meanshift又叫均值漂移，由Fukunaga（1975）等人在1975年的一篇关于概率密度梯度函数的估计的文章中提出来的，其最初含义正如其名，就是偏移的均值向量。 • Yizong Cheng（1995）成功把它扩展，并且运用到计算机视觉领域，这引起了人们的广泛关注。 • Comaniciu和Meer（1997，2000）成功将Mean shift方法应用到图像分割和特征空间分析中。

  6. Comaniciu和Meer（2001）主要讨论MeanShift中核函数带宽选择问题。Comaniciu和Meer（2001）主要讨论MeanShift中核函数带宽选择问题。

  7. Region of interest Intuitive Description Center of mass Mean Shift vector Objective : Find the densest region Distribution of identical billiard balls

  8. Region of interest Intuitive Description Center of mass Mean Shift vector Objective : Find the densest region Distribution of identical billiard balls

  9. Region of interest Intuitive Description Center of mass Mean Shift vector Objective : Find the densest region Distribution of identical billiard balls

  10. Region of interest Intuitive Description Center of mass Mean Shift vector Objective : Find the densest region Distribution of identical billiard balls

  11. Region of interest Intuitive Description Center of mass Mean Shift vector Objective : Find the densest region Distribution of identical billiard balls

  12. Region of interest Intuitive Description Center of mass Mean Shift vector Objective : Find the densest region Distribution of identical billiard balls

  13. Region of interest Intuitive Description Center of mass Objective : Find the densest region Distribution of identical billiard balls

  14. Meanshift算法 研究热点： • 目标检测（背景与目标） • 目标模型与候选模型的表示与更新（目标特征） • 核函数和带宽选取与自适应（Epanichekov kernel） • 相似性函数的选取（Bhattacharyya函数） • 算法收敛性（实时性）

  15. 王博等（2009）根据不同像素点的时域起伏特性建立一个统一的模型，进而利用最小二乘法估计出该模型的参数，实现静态背景的移除。王博等（2009）根据不同像素点的时域起伏特性建立一个统一的模型，进而利用最小二乘法估计出该模型的参数，实现静态背景的移除。 • 聂炬等（2009）运用复合差分法进行了目标检测消除了瞬时差分法的“虚影”。 • Collins（2003）将尺度空间和Meanshift算法相结合解决了核函数带宽实时变化的目标跟踪。 • 彭宁篙，杨杰（2005）使用角点与Meanshift算法进行结合，增强了对目标缩放的追踪能力。 • 贾静平，柴艳妹（2006）使用带宽矩阵增强了对目标缩放和旋转的适应性。

  16. 胡铟（2008）通过对颜色直方图的分块，由于包含了一定的空间信息（位置信息），是追踪稳定性得到了提高。胡铟（2008）通过对颜色直方图的分块，由于包含了一定的空间信息（位置信息），是追踪稳定性得到了提高。 • 黄家祥等（2009）将Meanshift中的迭代步长进行了改进，提出了自适应步长方法，从而增加了收敛速度。

  17. SIFT特征 • David G.Lowe （1999）首次提出SIFT算法，其全称是Scale Invariant Feature Transform，即尺度不变特征变换。 David G.Lowe（2004）总结了现有的基于不变量技术的特征检测方法，并正式提出了一种基于尺度空间的、对图像缩放、旋转甚至仿射变换保持不变性的图像局部特征描述算子－SIFT算子。 • SIFT算法是一种提取局部特征的算法，在尺度空间寻找极值点，提取位置，尺度，旋转不变量。

  18. SIFT算法提取的SIFT特征向量具有如下特性： • SIFT特征是图像的局部特征，其对旋转、尺度缩放、亮度变化保持不变性，对视角变化、仿射变换、噪声也保持一定程度的稳定性。 • 独特性好，信息量丰富，适用于在海量特征数据库中进行快速、准确的匹配。 • 多量性，即使少数的几个物体也可以产生大量SIFT特征向量。 • 高速性，经优化的SIFT匹配算法甚至可以达到实时的要求。 • 可扩展性，可以很方便的与其他形式的特征向量进行联合。

  19. 结合算法 • MS-MC • MS-EKF • MS-SIFT • PF-SIFT

  20. Ai-hua Chen et al.（2008）将Meanshift算法与SIFT算子结合起来进行目标追踪，增强了追踪的鲁棒性，但忽略了实时性。 • Tao Gao et al.（2009）将PF算法与SIFT算子进行结合，先用离散小波变换进行目标识别，用SIFT特征点尺度不变性解决目标在追踪过程中的尺度变化，达到了很好的追踪效果。

  21. 3.一些想法 • 与SIFT结合的追踪算法（EKF，MS） • 不同尺度图像的距离测量（SIFT特征的尺度信息）

  22. Thanks for your attention！

More Related