动态环境下基于深度信息的行人实时检测方法研究
发布时间：2021-02-19 11:08
行人检测是机器视觉研究的热点和难点。随着第四次工业革命的到来,人类生产生活方式也发生了巨大的变化,行人检测在自动驾驶、智能物流、智能监控等领域得到广泛地应用。针对现有移动机器人实践平台,需要增加行人检测功能,研究一种低成本、高效率的行人检测方法来解决当前需求。本文设计了一种高性价比的行人检测方法,利用单线激光雷达和普通平面相机,通过坐标系转换,实现了三维信息数据的获取。激光雷达的深度信息是指激光雷达感知周围环境得到二维平面信息,通过数据聚类、环境切割的方式得到目标的坐标位置、距离、角度信息。结合二维激光雷达的深度信息与低成本的平面视觉方案融合,将这两种传感器的信息进行匹配并融合得到对行人位置的三维感知,提高了行人检测算法的准确率,系统上实现了一种具有低成本、高性能的基于深度和图像信息的行人检测方法。在具体实现方面,该方法在计算资源有限的情况下对激光雷达和视觉图像数据分别采用了滤波+聚类+环境切割以及HOG+SVM的处理方式得到了较好的计算结果,有效结合了激光雷达对行人距离信息的观测以及视觉系统对行人的识别精度,使得系统最终可以在动态环境中检测出行人,解决了雷达在复杂环境中行人检测识别不...
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
机器人移动平台（2）激光雷达
哈尔滨工业大学工程硕士学位论文-6-测，并将增加成本约束在1000元以内。（2）行人检测性能指标为了实现良好的行人检测能力，需要根据移动机器人的机动性能对行人检测的技术指标进行约束，以便移动机器人在检测到行人之后能够及时的做出响应。根据智慧校园巡检机器人项目需求，规定移动机器人在4米范围内行人检测的误检率低于15%或准确率高于85%，漏检率低于10%或召回率高于80%，视觉检测实时性高于10FPS/s。基于上述需求，这里将介绍本课题选用的软硬件平台如下：（1）移动机器人平台硬件本课题选用的DOBOTM1+AGV实验开发平台是一款融合了自主研发的协作型机器人、智能移动底盘的全感知实验平台。机器人移动平台如图1-1所示，关键参数如表1-1所示。表1-1移动机器人关键参数表参数名称参数介绍最大运行速度1.0m/s激光雷达（加装）EAIF4高精度激光雷达避障传感器超声波模块x5防跌落传感器红外模块x5图1-1机器人移动平台图1-2激光雷达示意图（2）激光雷达单线激光雷达，实际是一个高同频脉冲激光测距仪，加上一个一维旋转扫。
哈尔滨工业大学工程硕士学位论文-10-图2-1三角测距原理测量模型示意图由三角形原理，可得公式（2-1）,=tan1(2-1)式中——被测物体与激光头距离，——激光头与镜头光心的距离，——激光光速与镜头光轴的夹角。角度和视觉观测的关系如公式（2-2）所示，=tan1(2-2)式中——视觉系统中直接观测的像素编号，——视觉系统中光心对应的像素编号，——视觉系统的计算焦距，即物理焦距与像素尺寸的比。最终得到检测物体与激光雷达的距离如公式（2-3）所示：=tan(tan1+)(2-3)2.2.2目标检测和跟踪本节将研究激光雷达对行人的双腿模型检测的方法，激光雷达安装示意图如图2-2所示，单线激光雷达安装在机器人离地面0.2m的高度处，保证可以检测到行人的小腿位置，小腿具有类似两个弧形的特征。通过F4PRO激光雷达获取到行人腿部信息之后，为提高检测效果，通过
【参考文献】：
期刊论文
[1]Faster R-CNN行人检测与再识别为一体的行人检索算法[J]. 陈恩加,唐向宏,傅博文. 计算机辅助设计与图形学学报. 2019(02)
[2]基于机器强化学习与蒙特卡洛树的基本原理及其应用[J]. 李承奥. 通讯世界. 2019(02)
[3]基于视觉推理的机器人多物体堆叠场景抓取方法[J]. 张翰博,兰旭光,周欣文,田智强,张扬,郑南宁. 中国科学:技术科学. 2018(12)
[4]基于OpenCV的深度学习目标检测与跟踪[J]. 柯研,刘信言,郑钰辉. 数字技术与应用. 2018(10)
[5]基于深度数据的车辆目标检测与跟踪方法[J]. 陆德彪,郭子明,蔡伯根,姜维,王剑,上官伟. 交通运输系统工程与信息. 2018(03)
[6]地震振幅放大系数检测方法研究[J]. 王可,潘志成,陈尧,叶晓冬,肖梅玲. 价值工程. 2016(26)
[7]结合SVM分类器与HOG特征提取的行人检测[J]. 徐渊,许晓亮,李才年,姜梅,张建国. 计算机工程. 2016(01)
[8]基于目标跟踪的粒子群粒子滤波算法研究[J]. 张才千,葛磊,韩东. 计算机仿真. 2014(08)
[9]深度神经网络的快速学习算法[J]. 卓维,张磊. 嘉应学院学报. 2014(05)
[10]基于局部特征级联分类器和模板匹配的行人检测[J]. 周晨卉,王生进,丁晓青. 中国图象图形学报. 2010(05)
硕士论文
[1]基于深度学习的行人再识别技术研究与实现[D]. 段朦.南京邮电大学 2018
[2]机场周界监视雷达入侵目标检测与跟踪技术研究[D]. 刘任.电子科技大学 2018
[3]基于激光雷达与摄像机的车辆辅助驾驶技术研究[D]. 王帅.吉林大学 2018
[4]基于激光雷达的室内移动机器人自主导航与行人跟踪研究[D]. 郑灿涛.华南理工大学 2018
[5]基于机器视觉的目标检测与跟踪的研究与实现[D]. 唐宇晨.北京邮电大学 2018
本文编号：3041032
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
机器人移动平台（2）激光雷达
哈尔滨工业大学工程硕士学位论文-6-测，并将增加成本约束在1000元以内。（2）行人检测性能指标为了实现良好的行人检测能力，需要根据移动机器人的机动性能对行人检测的技术指标进行约束，以便移动机器人在检测到行人之后能够及时的做出响应。根据智慧校园巡检机器人项目需求，规定移动机器人在4米范围内行人检测的误检率低于15%或准确率高于85%，漏检率低于10%或召回率高于80%，视觉检测实时性高于10FPS/s。基于上述需求，这里将介绍本课题选用的软硬件平台如下：（1）移动机器人平台硬件本课题选用的DOBOTM1+AGV实验开发平台是一款融合了自主研发的协作型机器人、智能移动底盘的全感知实验平台。机器人移动平台如图1-1所示，关键参数如表1-1所示。表1-1移动机器人关键参数表参数名称参数介绍最大运行速度1.0m/s激光雷达（加装）EAIF4高精度激光雷达避障传感器超声波模块x5防跌落传感器红外模块x5图1-1机器人移动平台图1-2激光雷达示意图（2）激光雷达单线激光雷达，实际是一个高同频脉冲激光测距仪，加上一个一维旋转扫。
哈尔滨工业大学工程硕士学位论文-10-图2-1三角测距原理测量模型示意图由三角形原理，可得公式（2-1）,=tan1(2-1)式中——被测物体与激光头距离，——激光头与镜头光心的距离，——激光光速与镜头光轴的夹角。角度和视觉观测的关系如公式（2-2）所示，=tan1(2-2)式中——视觉系统中直接观测的像素编号，——视觉系统中光心对应的像素编号，——视觉系统的计算焦距，即物理焦距与像素尺寸的比。最终得到检测物体与激光雷达的距离如公式（2-3）所示：=tan(tan1+)(2-3)2.2.2目标检测和跟踪本节将研究激光雷达对行人的双腿模型检测的方法，激光雷达安装示意图如图2-2所示，单线激光雷达安装在机器人离地面0.2m的高度处，保证可以检测到行人的小腿位置，小腿具有类似两个弧形的特征。通过F4PRO激光雷达获取到行人腿部信息之后，为提高检测效果，通过
【参考文献】：
期刊论文
[1]Faster R-CNN行人检测与再识别为一体的行人检索算法[J]. 陈恩加,唐向宏,傅博文. 计算机辅助设计与图形学学报. 2019(02)
[2]基于机器强化学习与蒙特卡洛树的基本原理及其应用[J]. 李承奥. 通讯世界. 2019(02)
[3]基于视觉推理的机器人多物体堆叠场景抓取方法[J]. 张翰博,兰旭光,周欣文,田智强,张扬,郑南宁. 中国科学:技术科学. 2018(12)
[4]基于OpenCV的深度学习目标检测与跟踪[J]. 柯研,刘信言,郑钰辉. 数字技术与应用. 2018(10)
[5]基于深度数据的车辆目标检测与跟踪方法[J]. 陆德彪,郭子明,蔡伯根,姜维,王剑,上官伟. 交通运输系统工程与信息. 2018(03)
[6]地震振幅放大系数检测方法研究[J]. 王可,潘志成,陈尧,叶晓冬,肖梅玲. 价值工程. 2016(26)
[7]结合SVM分类器与HOG特征提取的行人检测[J]. 徐渊,许晓亮,李才年,姜梅,张建国. 计算机工程. 2016(01)
[8]基于目标跟踪的粒子群粒子滤波算法研究[J]. 张才千,葛磊,韩东. 计算机仿真. 2014(08)
[9]深度神经网络的快速学习算法[J]. 卓维,张磊. 嘉应学院学报. 2014(05)
[10]基于局部特征级联分类器和模板匹配的行人检测[J]. 周晨卉,王生进,丁晓青. 中国图象图形学报. 2010(05)
硕士论文
[1]基于深度学习的行人再识别技术研究与实现[D]. 段朦.南京邮电大学 2018
[2]机场周界监视雷达入侵目标检测与跟踪技术研究[D]. 刘任.电子科技大学 2018
[3]基于激光雷达与摄像机的车辆辅助驾驶技术研究[D]. 王帅.吉林大学 2018
[4]基于激光雷达的室内移动机器人自主导航与行人跟踪研究[D]. 郑灿涛.华南理工大学 2018
[5]基于机器视觉的目标检测与跟踪的研究与实现[D]. 唐宇晨.北京邮电大学 2018
本文编号：3041032
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/3041032.html
