基于深度学习的机器人视觉跟踪算法研究与实现

发布时间：2021-05-22 06:46

　　机器人目标跟踪技术在机器人导航定位、人机交互、无人驾驶等领域的应用越来越广泛,其中在智能服务领域的应用也在生活中发挥重要作用。本文以博物馆讲解、商场导购为应用场景,采用单目摄像头来设计并实现了一种基于深度学习的智能机器人目标跟踪方法。目标跟踪模型中最为重要的一点在于对目标的特征提取,本文选取了一些当前特征描述能力优秀的深层卷积神经网络算法,进行了深入对比研究。在机器人上试验了现有的GOTURN和TLD单目视觉跟踪算法,发现GOTURN算法缺乏跟踪失败检测机制。同时,传统的TLD算法在跟踪过程中存在着易受光照影响等情况。为了能够同时保证跟踪准确性与实时性,提出一种改进的算法GOTURN-LD,该方法将离线训练好的深度学习模型用于在线跟踪,并且与传统的带检测器的算法框架TLD相融合。此外,还改进GOTURN-LD算法的检测模块,加入区域建议算法,减小扫描区域,从而减少检测的计算量,加快目标遮挡或丢失后重新找回的速度,进一步提高算法的跟踪准确度。本文将改进后的跟踪算法应用到机器人系统进行实际场景实验,主要完成机器人运动、信息采集和处理等功能。通过跟踪系统总体设计,数据与机器人底层指令变换设计... 

【文章来源】：南京邮电大学江苏省

【文章页数】：60 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 课题的研究背景
    1.2 国内外研究现状
        1.2.1 国外机器人视觉跟踪研究
        1.2.2 国内机器人视觉跟踪研究
        1.2.3 视觉跟踪问题的分析
        1.2.4 视觉目标跟踪最新进展
    1.3 课题的目的和意义
    1.4 论文的组织架构
第二章 基于深度学习的目标跟踪算法
    2.1 深度学习
        2.1.1 深度学习简介
        2.1.2 卷积神经网络概述
        2.1.3 卷积神经网络结构
    2.2 基于卷积神经网络的跟踪算法
        2.2.1 目标跟踪流程
        2.2.2 FCNT算法
        2.2.3 HCF算法
        2.2.4 MDNet算法
    2.3 基于Caffe的实时跟踪GOTURN算法
        2.3.1 Caffe框架
        2.3.2 GOTURN算法的网络结构
        2.3.3 GOTURN算法的主要原理
    2.4 本章小结
第三章 目标跟踪算法的设计与改进
    3.1 TLD和GOTURN算法分析
        3.1.1 TLD算法的优缺点
        3.1.2 GOTURN算法的优缺点
    3.2 GOTURN-LD算法设计
        3.2.1 GOTURN-LD算法流程
        3.2.2 GOTURN-LD算法实现
    3.3 GOTURN-LD算法跟踪模块的实现
        3.3.1 跟踪器设计
        3.3.2 实验结果分析
    3.4 GOTURN-LD算法检测模块的实现
        3.4.1 检测器设计
        3.4.2 P-N学习
        3.4.3 实验结果分析
    3.5 本章小结
第四章 GOTURN-LD算法在移动机器人的实现
    4.1 智能机器人的系统架构
    4.2 跟踪系统的软件开发环境
    4.3 跟踪系统框架
        4.3.1 系统总体设计
        4.3.2 数据与指令变换设计
        4.3.3 数据传输
    4.4 实验结果及分析
        4.4.1 目标跟踪算法的验证
        4.4.2 性能指标与分析
    4.5 本章小结
第五章 总结与展望
    5.1 总结
    5.2 展望
参考文献
附录1 攻读硕士学位期间申请的专利
致谢



本文编号：3201182