本發(fā)明涉及自主跟隨的技術(shù)領(lǐng)域，具體涉及一種基于移動機(jī)器人的自主跟隨方法。

背景技術(shù)：

跟隨移動機(jī)器人是服務(wù)于特定目標(biāo)的熱門研究領(lǐng)域，跟隨移動機(jī)器人可以在特定的場合幫助人們完成指定任務(wù)。比如，在機(jī)場或超市幫助人們攜帶行李，在工廠的倉庫中幫助規(guī)整貨物，目前的跟隨方式主要有基于視覺的跟隨技術(shù)、基于紅外的跟隨技術(shù)和基于超聲波的跟隨技術(shù)。

基于視覺的跟隨技術(shù)是移動機(jī)器人的重要發(fā)展方向，這種機(jī)器人具有目標(biāo)識別和自主導(dǎo)航兩大重要功能，而當(dāng)前的跟隨技術(shù)大多依賴簡單的傳感器，這往往僅能跟隨特定的人或物，如fiveelementsrobotics推出的budgee機(jī)器人，僅針對老年人或殘疾人的輕量級機(jī)器人，跟蹤速度受限制、實時性不好，caddytrek推出的電動高爾夫輪式機(jī)器人只能取代部分勞動力，它依賴于特定的超音波發(fā)射器，易受外界干擾、且價格昂貴。

技術(shù)實現(xiàn)要素：

本發(fā)明提供了一種基于移動機(jī)器人的自主跟隨方法，解決了現(xiàn)有移動機(jī)器人在目標(biāo)識別和自主導(dǎo)航上實時性差、準(zhǔn)確率低和成本較高的等問題。

本發(fā)明可通過以下技術(shù)方案實現(xiàn)：

一種基于移動機(jī)器人的自主跟隨方法，包括以下步驟：

步驟一、在被跟隨載體上設(shè)置有圖案，在跟隨載體上設(shè)置有攝像頭，對被跟隨載體進(jìn)行視頻拍攝；

步驟二、對包含所述圖案的被跟隨載體的移動視頻進(jìn)行處理，獲取所述圖案在移動視頻的各幀圖像上的位置信息；

步驟三、對所述圖案進(jìn)行特征提取，并和圖案模板做特征匹配，若匹配成功，則執(zhí)行步驟四，否則返回步驟二；

步驟四、計算所述圖案在各幀圖像上的最小外接矩形的形狀信息，決策被跟隨載體此刻的運動方向；

步驟五、每隔一個執(zhí)行周期，重復(fù)執(zhí)行步驟二至四，決策被跟隨載體下一時刻的運動方向。

進(jìn)一步，所述步驟二中獲取所述圖案在移動視頻的各幀圖像上的位置信息的方法包括：

步驟ⅰ、對所述移動視頻進(jìn)行3×3中值濾波預(yù)處理，去掉隨機(jī)噪聲；

步驟ⅱ、將各幀圖像中的圖案作為前景，其他作為背景，利用三幀差法對各幀圖像進(jìn)行處理，得到二值化圖像；

步驟ⅲ、將各個所述二值化圖像進(jìn)行連通域處理，進(jìn)而將所述前景連成一個整體，標(biāo)記為mconimg；

步驟ⅵ、對mconimg圖像中的圖案進(jìn)行最小外接矩形擬合，從而獲取所述圖案在各幀圖像上的位置信息。

進(jìn)一步，所述步驟三中采用sift特征提取算法對所述圖案進(jìn)行特征提取，采用flann法中的暴力搜索法將所述圖案和模板做特征匹配。

進(jìn)一步，所述形狀信息包括所述圖案的最小外接矩形的高度所在直線與水平線所成的弧度，通過霍夫直線檢測計算所述弧度，所述弧度為0.178～1.396，被跟隨載體左轉(zhuǎn)；所述弧度為1.745～2.962，被跟隨載體右轉(zhuǎn)；否則，被跟隨載體直行。

進(jìn)一步，所述圖案采用紋理清晰、層次分明的圖案，所述執(zhí)行周期設(shè)置為十毫秒，所述跟隨載體采用移動機(jī)器人。

本發(fā)明有益的技術(shù)效果在于：

利用事先在被跟隨載體物上設(shè)置的層次分明、紋理清晰的圖案，只需要檢測出圖案就可發(fā)現(xiàn)目標(biāo)，這會縮小檢測范圍，降低檢測的運算量，同時目標(biāo)匹配也只對該圖案進(jìn)行就可，綜合來說，降低了很多計算量，增強(qiáng)了實時性。另外，本發(fā)明簡單可靠，操作方便，易于實現(xiàn)，便于推廣應(yīng)用。

附圖說明

圖1為本發(fā)明的流程示意圖；

圖2為本發(fā)明的移動機(jī)器人示意圖；

圖3為本發(fā)明的被跟隨載體即運動中的人的示意圖；

圖4為本發(fā)明的通過三幀差法處理后得到被跟隨載體的二值化圖像的示意圖；

圖5為本發(fā)明的圖4經(jīng)過通域處理后的示意圖；

圖6為本發(fā)明的圖5進(jìn)行最小外接矩形擬合處理的示意圖；

圖7為本發(fā)明的圖案進(jìn)行sift特征提取的關(guān)鍵點分布示意圖；

其中，1-移動機(jī)器人，2-攝像頭，3-運動中的人，4-風(fēng)景圖案。

具體實施方式

下面結(jié)合附圖及較佳實施例詳細(xì)說明本發(fā)明的具體實施方式。

如圖1所示，本發(fā)明的流程示意圖，本發(fā)明提供了一種基于移動機(jī)器人的自主跟隨方法，包括以下步驟：

步驟一、在被跟隨載體上設(shè)置有圖案，在跟隨載體上設(shè)置有攝像頭，對被跟隨載體進(jìn)行視頻拍攝；

為了快速、準(zhǔn)確地檢測出視頻中的被跟隨載體，在進(jìn)行跟隨之前，需要在被跟隨載體的后背且攝像頭易于識別的位置，設(shè)置有紋理清晰、層次分明的圖案，這個圖案即是我們需要檢測的目標(biāo)。該被跟隨載體可以為任一能夠自主或受控運動的物體，如移動機(jī)器人，對戰(zhàn)中的坦克等。

步驟二、對包含該圖案的被跟隨載體的移動視頻進(jìn)行處理，獲取該圖案在移動視頻的各幀圖像上的位置信息；

具體方法如下所述：

步驟ⅰ、對移動視頻進(jìn)行3×3中值濾波預(yù)處理，去掉隨機(jī)噪聲；

步驟ⅱ、將各幀圖像中的圖案作為前景，其他作為背景，利用三幀差法對各幀圖像進(jìn)行處理，得到二值化圖像即將移動視頻中連續(xù)兩幀差圖像和背景差圖像直接進(jìn)行與操作，將所得結(jié)果利用canny算子進(jìn)行邊緣檢測，從而得到二值化圖像；

步驟ⅲ、將各個二值化圖像進(jìn)行連通域處理，進(jìn)而將前景連成一個整體，標(biāo)記為mconimg；

步驟ⅵ、對mconimg圖像中的圖案進(jìn)行最小外接矩形擬合，從而獲取圖案在各幀圖像上的位置信息和形狀信息。

步驟三、對該圖案進(jìn)行特征提取，并和圖案模板做特征匹配，若匹配成功，則執(zhí)行步驟四，否則返回步驟二；

由于采用的是紋理清晰、層次分明的圖案，該圖案具有豐富的局部信息，而sift算法主要基于物體上的一些局部外觀的興趣點而與圖像的大小和旋轉(zhuǎn)無關(guān)，對于光線、噪聲、拍攝視角改變的容忍度也相當(dāng)高，因此，本發(fā)明使用sift算法進(jìn)行特征提取。盡管sift算法計算量較大，但我們僅對被跟隨載體上面的圖案進(jìn)行運算，可以保證實時性，并且sift算法會提取出具有方向和尺度不變性的特征點，這些特征點被描述為128維特征向量的形式。

采用flann法進(jìn)行特征匹配，該方法能進(jìn)行兩種搜索方式：線性的、暴力的搜索和利用kd樹進(jìn)行平行搜索，其中構(gòu)造kd樹進(jìn)行平行搜索，對于大量數(shù)據(jù)進(jìn)行搜索，優(yōu)勢明顯，比如在上百幅圖片中查找匹配圖像。而本發(fā)明要解決的問題是將攝像頭拍攝的當(dāng)前幀圖像和圖案模板進(jìn)行匹配，使用簡單的線性、暴力搜索(brute-force)即可，若特征向量匹配成功的數(shù)量超過匹配閾值，即匹配成功的特征向量個數(shù)超過特征向量總數(shù)的50％以上，則匹配成功。

步驟四、計算該圖案在各幀圖像上的形狀信息，決策被跟隨載體此刻的運動方向；

該形狀信息包括該圖案的最小外接矩形的高度所在直線與水平線所成的弧度，若弧度為0.178～1.396，被跟隨載體左轉(zhuǎn)；若弧度為1.745～2.962，被跟隨載體右轉(zhuǎn)；否則，被跟隨載體直行。

步驟五、每隔一個執(zhí)行周期，重復(fù)執(zhí)行步驟二至四，決策被跟隨載體下一時刻的運動方向，該執(zhí)行周期可根據(jù)實際需要進(jìn)行設(shè)置，如十毫秒。

以移動機(jī)器人自主跟隨運動中的人為例，我們對本發(fā)明的自主跟隨方法做具體描述如下：

首先，在移動機(jī)器人1上設(shè)置攝像頭2，在運動中的人3身穿后背帶風(fēng)景圖案4的襯衫，如圖2和3所示。

其次，跟隨軟件圖像處理模塊會在初始化中打開移動機(jī)器人上面的攝像頭2，通過三幀差法處理后得到運動中的人體的二值化圖像如圖4所示，經(jīng)過連通域處理去掉內(nèi)部小缺口結(jié)果如圖5所示，對進(jìn)過連通域處理后的圖像進(jìn)行外接矩形擬合結(jié)果如圖6所示，其中位于中間位置的較小框為跟隨圖案即風(fēng)景圖案4的外接矩形框，其它的矩形框為干擾框，對這些矩形框加入面積限定，就可以篩選出所需跟隨圖案的外接矩形框，進(jìn)而得到圖案在圖像中的位置信息。

根據(jù)跟隨圖案位置信息，將跟隨圖案作為感興趣區(qū)域，提取它的sift特征點，圖7是本實施例中特征提取示意圖，該圖片僅供參考，可以根據(jù)實際情況進(jìn)行選取。sift特征的提取過程，分為兩步:1)提取sift特征點，該sift特征點賦予了包含位置、尺度和方向的信息后，稱之為關(guān)鍵點，如圖7中的圓圈所示，將這些關(guān)鍵點存入128維sift特征向量中；2)將特征向量描述為矩陣的形式，以便于后面的特征匹配。

sift特征匹配過程，即將檢測到的圖案圖像和模板圖像的sift特征點做兩兩比較找出相互匹配的若干對特征點，建立物體間的對應(yīng)關(guān)系。我們選用了暴力匹配法進(jìn)行sift特征點的匹配，即首先在第一幅圖像中選取一個關(guān)鍵點然后依次與第二幅圖像的每個關(guān)鍵點進(jìn)行距離測試，本實施例中選用了歐式距離，最后返回距離最近的關(guān)鍵點。在本實施例中我們根據(jù)匹配成功的特征向量的數(shù)量是否大于模板特征向量和檢測到的圖案圖像特征向量數(shù)量的均值的一半，來判定是否匹配成功。

最后，當(dāng)檢測圖案圖像和模板圖像匹配成功后，根據(jù)對圖案擬合出的最小外接矩形作為感興趣區(qū)域，對最小外接矩形的高度所在的直線進(jìn)行霍夫直線檢測，檢測出該直線與水平線所成弧度在0.178～1.396范圍時程序給出左轉(zhuǎn)的指令，在1.745～2.962之間時程序給出右轉(zhuǎn)的指令，否則程序給出直行的指令。

本發(fā)明利用事先設(shè)置在被跟隨載體上的層次分明、紋理清晰的圖案，只需要檢測出圖案就可發(fā)現(xiàn)目標(biāo)，這會縮小檢測范圍，降低檢測的運算量，同時目標(biāo)匹配也只對該圖案進(jìn)行就可，綜合來說，降低了很多計算量，增強(qiáng)了實時性。另外，簡單可靠，操作方便，易于實現(xiàn)，便于推廣應(yīng)用。

雖然以上描述了本發(fā)明的具體實施方式，但是本領(lǐng)域的技術(shù)人員應(yīng)當(dāng)理解，這些僅是舉例說明，在不背離本發(fā)明的原理和實質(zhì)的前提下，可以對這些實施方式做出多種變更或修改，因此，本發(fā)明的保護(hù)范圍由所附權(quán)利要求書限定。