移動(dòng)機(jī)器人目標(biāo)物體識(shí)別研究

許金波+楊晶東+韓太軍

摘要：

基于視覺(jué)信息的運(yùn)動(dòng)目標(biāo)識(shí)別是室內(nèi)移動(dòng)機(jī)器人自主導(dǎo)航的重要研究?jī)?nèi)容。背景噪聲干擾、自然光照、機(jī)器人視角變化等因素經(jīng)常影響識(shí)別穩(wěn)定性。針對(duì)該問(wèn)題，提出一種有效的目標(biāo)物體識(shí)別方法，采用體素網(wǎng)格濾波和支持kd-tree結(jié)構(gòu)對(duì)點(diǎn)云數(shù)據(jù)有效組織，以識(shí)別復(fù)雜環(huán)境中的物體。實(shí)驗(yàn)表明，該方法在滿足實(shí)時(shí)性前提下，相比傳統(tǒng)迭代最近點(diǎn)、采樣一致性初始配準(zhǔn)算法具有更高的準(zhǔn)確率，更適合復(fù)雜環(huán)境下的物體識(shí)別。

關(guān)鍵詞：

物體識(shí)別；點(diǎn)云濾波；迭代最近點(diǎn)；采樣一致性初始配準(zhǔn)算法

DOIDOI：10.11907/rjdk.172033

中圖分類號(hào)：TP301

文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)文章編號(hào)：16727800（2018）001001405

Abstract：Moving object recognition based on visual information is an important research content of autonomous navigation of indoor mobile robot. The existing methods often affect the stability due to background noise interference， natural light and robot angle change. An effective target object recognition method is proposed for this problem， and the object in the complex environment is identified by using the voxel mesh filtering and supporting the kdtree structure to effectively organize the point cloud data. Experiments show that the method of sampling coherence initial registration algorithm has higher accuracy and more suitable for object recognition in complex environment than the traditional iterative nearest point under the premise of satisfying realtime.

Key Words：object recognition； point cloud filtering； iterative closest point； initial registration algorithm

0引言

利用視覺(jué)對(duì)物體進(jìn)行識(shí)別，廣泛應(yīng)用于圖像檢索、機(jī)器人抓取、場(chǎng)景識(shí)別和移動(dòng)定位。點(diǎn)云旋轉(zhuǎn)錯(cuò)位、平移錯(cuò)位以及點(diǎn)云的不完整性等影響物體點(diǎn)云匹配識(shí)別的精準(zhǔn)性。點(diǎn)云的配準(zhǔn)指通過(guò)攝像頭在不同角度下掃描獲得點(diǎn)云數(shù)據(jù)，這些點(diǎn)云數(shù)據(jù)之間有一定的重疊區(qū)域，通過(guò)變換坐標(biāo)，可以將多幅點(diǎn)云數(shù)據(jù)合并到同一直角坐標(biāo)系下。

目前常用的點(diǎn)云匹配算法包括經(jīng)典的迭代最近點(diǎn)（Iterative Closest Point，ICP）算法、基于歐式距離不變性的Greedy bound算法、采樣一致性初始配準(zhǔn)（Sample Consensus Initial Alignment，SACIA）算法和利用kd tree加速搜索算法、優(yōu)化ICP算法，實(shí)驗(yàn)效果都較好，但存在龐大數(shù)量級(jí)點(diǎn)云匹配時(shí)的時(shí)間效率問(wèn)題。面對(duì)大數(shù)量級(jí)別的點(diǎn)云集合（大于100 000個(gè)點(diǎn)）對(duì)應(yīng)的剛體變換，Martin Magnusson提出了利用正態(tài)分布算法加以優(yōu)化，這種思路在時(shí)間效率上有了很大改進(jìn)，但在局部準(zhǔn)度上卻有所降低。本文提出一種基于點(diǎn)云特征的目標(biāo)識(shí)別方法（IICP—SACIA），在獲得點(diǎn)云原圖后對(duì)其進(jìn)行體素網(wǎng)格濾波，采用改進(jìn)的ICP算法和SACIA算法匹配識(shí)別物體的點(diǎn)云特征，最大限度地濾除了背景點(diǎn)云，有效提高了算法的識(shí)別效率。實(shí)驗(yàn)表明該方法在室內(nèi)環(huán)境下能有效識(shí)別物體特征，滿足了移動(dòng)機(jī)器人視覺(jué)自主導(dǎo)航要求。

1相關(guān)理論

1.1物體識(shí)別原理

物體點(diǎn)云匹配識(shí)別指通過(guò)攝像頭在不同角度下掃描獲取點(diǎn)云數(shù)據(jù)，這些點(diǎn)云數(shù)據(jù)之間有著一定的重疊區(qū)域。通過(guò)變換坐標(biāo)，可以使多幅點(diǎn)云數(shù)據(jù)疊合到同一直角坐標(biāo)系下，最終得到物體的點(diǎn)云準(zhǔn)確配準(zhǔn)。三維空間上的幾何模型變換一般含有平移、縮放和旋轉(zhuǎn)，本文研究的點(diǎn)云匹配是剛性點(diǎn)云匹配，在不考慮縮放的前提下，通過(guò)求得目標(biāo)點(diǎn)云集Q到源點(diǎn)集P的平移向量W和旋轉(zhuǎn)矩陣B，使坐標(biāo)變換后得到的轉(zhuǎn)換矩陣（B*P +W）與Q之間的距離最小，即求min‖Q-（B×P+W）‖＼+2。

1.2改進(jìn)的迭代最近點(diǎn)算法

傳統(tǒng)的迭代最近點(diǎn)（Interative Closest Point，ICP）是經(jīng)典的點(diǎn)云匹配算法，運(yùn)用四元素模型，經(jīng)過(guò)最小二乘法迭代運(yùn)算來(lái)最小化源點(diǎn)云和目標(biāo)點(diǎn)之間的歐式距離函數(shù)，繼而完成空間上自由曲面的配準(zhǔn)問(wèn)題。算法過(guò)程：①在兩組點(diǎn)云中查找多對(duì)點(diǎn)，在這些點(diǎn)對(duì)里，其中的一個(gè)點(diǎn)在目標(biāo)點(diǎn)云中，另一個(gè)在待配準(zhǔn)點(diǎn)云里，兩者之間滿足歐式距離最近；假設(shè)某一點(diǎn)對(duì)之間的距離小于給定閾值，即能確認(rèn)兩個(gè)點(diǎn)云對(duì)之間存在一一對(duì)應(yīng)關(guān)系；②構(gòu)造所有成對(duì)點(diǎn)之間的“距離誤差和”的目標(biāo)函數(shù)，求取變換矩陣，要求目標(biāo)函數(shù)值最小，也就是整體對(duì)點(diǎn)之間的距離之和最??；③迭代運(yùn)算，重復(fù)上述過(guò)程，一直到距離誤差和的值小于給定閾值或者運(yùn)算達(dá)到最大迭代次數(shù)為止；④假如最后配準(zhǔn)效果滿足指標(biāo)要求，即將通過(guò)整體變換后的待配準(zhǔn)點(diǎn)云疊加到目標(biāo)點(diǎn)云圖中，完成該對(duì)點(diǎn)云的配準(zhǔn)。endprint

本實(shí)驗(yàn)粗配準(zhǔn)階段使用改進(jìn)的ICP算法：

（1）點(diǎn)云的準(zhǔn)確性：Mitra等證明了點(diǎn)對(duì)的正確性對(duì)ICP結(jié)果的重要性，提出當(dāng)輸入點(diǎn)云自身存有較多噪聲時(shí)，算法會(huì)把不正確的點(diǎn)對(duì)配對(duì)在一起，使匹配的過(guò)程不收斂。本實(shí)驗(yàn)對(duì)點(diǎn)云圖像體素化網(wǎng)格濾波的預(yù)處理操作就是為了防止這種情況發(fā)生，為匹配過(guò)程奠定良好基礎(chǔ)。

（2）捜索策略：ICP算法效率不高的一個(gè)重要原因是，每次迭代都需要遍歷整個(gè)點(diǎn)云中的點(diǎn)用以搜素匹配的點(diǎn)對(duì)，本實(shí)驗(yàn)運(yùn)用kdtree結(jié)構(gòu)對(duì)點(diǎn)云數(shù)據(jù)進(jìn)行合理組織，加快了ICP算法的搜索效率。

（3）去除錯(cuò)誤點(diǎn)對(duì)：當(dāng)經(jīng)過(guò)ICP算法匹配完成后，不是所有的匹配關(guān)系都符合要求，錯(cuò)誤配對(duì)的點(diǎn)對(duì)將對(duì)旋轉(zhuǎn)矩陣和平移矩陣的運(yùn)算產(chǎn)生負(fù)面干擾，這些有誤差的配準(zhǔn)點(diǎn)對(duì)應(yīng)在精確配準(zhǔn)階段剔除。排除手段有閾值、比例、分布等。本實(shí)驗(yàn)運(yùn)用較為簡(jiǎn)單的最大歐氏距離來(lái)限制約束，就是當(dāng)匹配后的點(diǎn)對(duì)Yi和Xi的歐氏距離大于預(yù)設(shè)的限制Dmax時(shí)，判斷為一個(gè)錯(cuò)誤的匹配，不參與矩陣估計(jì)。假如產(chǎn)生一對(duì)多的情況，僅僅取與目標(biāo)點(diǎn)云歐氏距離最近的那個(gè)點(diǎn)作為其對(duì)應(yīng)點(diǎn)，剔除錯(cuò)誤的對(duì)應(yīng)關(guān)系。

1.3采樣一致性算法配準(zhǔn)原理

SACIA配準(zhǔn)是根據(jù)點(diǎn)云的FPFH特征展開(kāi)的，匹配原理與過(guò)程如下：

設(shè)目標(biāo)點(diǎn)云為Q，待配準(zhǔn)點(diǎn)云為P，①n個(gè)采樣點(diǎn)選取自待配準(zhǔn)點(diǎn)云P，這些采樣點(diǎn)滿足兩兩之間的距離大于dmin，即預(yù)先給定最小距離閾值，偏向于擁有不同的FPFH特征，這樣在不影響點(diǎn)云整體特征統(tǒng)計(jì)的同時(shí)降低計(jì)算量；②針對(duì)點(diǎn)云P中的每個(gè)樣點(diǎn)，在目標(biāo)點(diǎn)云Q中查找與P中該點(diǎn)擁有類似FPFH特征的一系列點(diǎn)，也就是說(shuō)P中的一個(gè)采樣點(diǎn)也許會(huì)在Q中匹配到多個(gè)與之相似的點(diǎn)；③運(yùn)算從P中選擇的n個(gè)采樣點(diǎn)與在Q中查找到的對(duì)應(yīng)點(diǎn)剛體變換矩陣，依次求得所有對(duì)應(yīng)點(diǎn)變換之后的“距離誤差和”函數(shù)，判斷當(dāng)前配準(zhǔn)變換效果。這時(shí)的距離誤差和函數(shù)一般用Huber罰函數(shù)表達(dá)，

式（1）中：第i組對(duì)應(yīng)點(diǎn)在變更之后的距離差是li，ml為給定值。目的是尋求一個(gè)最優(yōu)的變換，把誤差函數(shù)值降到最小，此時(shí)的變換即是最終的匹配變換矩陣所得的匹配結(jié)果。

2物體識(shí)別

2.1點(diǎn)云濾波

因?yàn)樯疃润w感相機(jī)采集的原始點(diǎn)云數(shù)據(jù)龐大，直接用來(lái)配準(zhǔn)會(huì)加大計(jì)算機(jī)系統(tǒng)運(yùn)算負(fù)擔(dān)，降低匹配效率。本實(shí)驗(yàn)運(yùn)用點(diǎn)云體素化網(wǎng)格濾波，在物體識(shí)別之前對(duì)點(diǎn)云進(jìn)行濾波，可使體感相機(jī)獲取點(diǎn)云細(xì)節(jié)特征，具有較高的配準(zhǔn)率。VG濾波器用以建立一個(gè)三維體素柵格，體素重心的點(diǎn)用下式表示：

式（2）中：Pl為體素基元，Pmin為點(diǎn)云最小點(diǎn)，Pmul為點(diǎn)云中體素基元Pl各個(gè)方向上的擴(kuò)展體素，Pid為該點(diǎn)體素重心，Round為基于基元Pl的矢量積，取整函數(shù)。

針對(duì)480×640深度圖像，采用體素網(wǎng)格法向下取整，得到體素范圍內(nèi)具有相同標(biāo)識(shí)點(diǎn)云簇。計(jì)算點(diǎn)云在體素Pl下重心Pid信息。該方法對(duì)于曲面采樣點(diǎn)具有較高效率，能有效降低點(diǎn)云密度，確保局部點(diǎn)云特征。體素濾波要考慮點(diǎn)云壓縮效率和后期處理時(shí)間，確保在點(diǎn)云特征不丟失前提下設(shè)定壓縮參數(shù)。

圖1、圖2分別是點(diǎn)云圖和VG濾波后點(diǎn)云圖（見(jiàn)封二彩圖）?？梢钥闯鰹V波后點(diǎn)云密集度降低。VG濾波器將源點(diǎn)云數(shù)據(jù)根據(jù)體素比例投影到新點(diǎn)云集合中，在新集中每一個(gè)點(diǎn)都有唯一ID標(biāo)識(shí)，根據(jù)ID對(duì)源點(diǎn)云進(jìn)行處理，經(jīng)過(guò)VG濾波后，可濾除不必要的點(diǎn)云簇，有效提高后期物體識(shí)別效率。經(jīng)過(guò)多次體素濾波可得到擁有最佳點(diǎn)云特征的體素值。

2.2計(jì)算點(diǎn)云的法線特征

在不干擾整體點(diǎn)云幾何特征的情況下，降低點(diǎn)云幾何特征的運(yùn)算量，對(duì)點(diǎn)云數(shù)據(jù)集進(jìn)行體素網(wǎng)格濾波等處理，獲得點(diǎn)云幾何特征流程如圖3所示。

獲得點(diǎn)云的局部幾何特征直方圖（Point Feature Histograms，PFH）。幾何曲面中一個(gè)重要特征即是表面法線，廣泛運(yùn)用于計(jì)算機(jī)圖形處理。一組點(diǎn)云數(shù)據(jù)集，運(yùn)算全體點(diǎn)的法線方式有以下兩種：①依據(jù)曲面網(wǎng)格化（surface mesh）技術(shù)，對(duì)所獲得的點(diǎn)云數(shù)據(jù)進(jìn)行曲面重建，然后依據(jù)重建的曲面計(jì)算其法線向量；②不進(jìn)行曲面重建，而是用一組點(diǎn)云數(shù)據(jù)計(jì)算每一組點(diǎn)的法線。

本文運(yùn)用第②種方法，曲面上的某一點(diǎn)法線以該點(diǎn)在曲面上的相切平面的法線所代替，因此到相切平面的擬合估計(jì)通常依據(jù)最小二乘法擬合。設(shè)需求點(diǎn)為p，其坐標(biāo)為（x，y，z）＼+T，其k 個(gè)鄰域點(diǎn)為Pi，則在待求點(diǎn)處構(gòu)造協(xié)方差矩陣R如式（3）：

式（4）中：k為正整數(shù)，用來(lái)對(duì)特征值計(jì)數(shù)。協(xié)方差矩陣說(shuō)明了待求點(diǎn)的局部變化。另外，該點(diǎn)處法線的走向依據(jù)協(xié)方差矩陣的最小特征值的特征向量來(lái)估算。

2.3物體識(shí)別

通過(guò)對(duì)原點(diǎn)云進(jìn)行體素網(wǎng)格濾波處理，再依據(jù)物體特征直方圖進(jìn)行物體識(shí)別。

深度相機(jī)點(diǎn)云簇形狀不規(guī)則且分布不均勻，可在3D空間使用固定寬度體素網(wǎng)格表示，并采用kd-tree結(jié)構(gòu)填充。該結(jié)構(gòu)具有二叉樹(shù)結(jié)構(gòu)，且不需空間等分，比八叉樹(shù)更好地包圍圖元。運(yùn)用采樣一致性算法對(duì)待匹配點(diǎn)云進(jìn)行粗配準(zhǔn)，最后結(jié)合改進(jìn)的ICP對(duì)點(diǎn)云進(jìn)行細(xì)配準(zhǔn)以提高配準(zhǔn)準(zhǔn)確度。系統(tǒng)流程如圖4所示。

設(shè)Po為單位向量，l為體素長(zhǎng)度。Pp、Pr為人、物體、機(jī)器人位置，算法描述如下：

Start輸入源點(diǎn)云Pin

Step1設(shè)置基元體素Pl進(jìn)行濾波

（1）體素參數(shù)Pl=Po/（l，l，l）

（2）獲取點(diǎn)云最大Pmax，Pmin，計(jì)算在x、y、z方向點(diǎn)云體素矢量Pdiv=（Pmax-Pmin）*Pl

（3）體素矢量積Pmul=（1，Pdiv[0]，Pdiv[0]Pdiv[1]，0）

（4）計(jì)算所有乘積系數(shù)點(diǎn)云簇Pid見(jiàn)公式（2）

（5）如果Pid只有一個(gè)，則P=Pin；若有n個(gè)Pid相同，則P=（∑Pin）/n，遍歷所有點(diǎn)endprint

Step2根據(jù)相機(jī)高度Hc，計(jì)算直通濾波參數(shù)

Step3對(duì)VG濾波后的點(diǎn)云Pi填充kdtree結(jié)構(gòu)

Step4采用一致性算法對(duì)待匹配點(diǎn)云進(jìn)行粗配準(zhǔn)

Step5采用IICP算法精準(zhǔn)匹配，輸出結(jié)果

End

3實(shí)驗(yàn)分析

在室內(nèi)進(jìn)行物體識(shí)別實(shí)驗(yàn)，其中部分實(shí)驗(yàn)是在燈光照明環(huán)境下進(jìn)行。操作系統(tǒng)為Ubuntu 12.04，CPU 為Intel（R） Core（TM） i3 2.53GHz，內(nèi)存為2GB。

3.1體素網(wǎng)格濾波

圖5、圖6分別是點(diǎn)云圖和體素網(wǎng)格濾波后點(diǎn)云圖（見(jiàn)封二彩圖），表1為不同體素網(wǎng)格濾波參數(shù)下的點(diǎn)云簇和壓縮效率變化。

由表1可以看出，隨著點(diǎn)云體素增加，濾波后點(diǎn)數(shù)逐漸減少，壓縮效率接近飽和。此時(shí)，點(diǎn)云簇中的每個(gè)點(diǎn)云特征具有最基本的單體特性，點(diǎn)云體素網(wǎng)格濾波對(duì)物體識(shí)別過(guò)程影響較小。表2為不同體素下物體識(shí)別各階段與平均時(shí)間偏差率。

表2中的正負(fù)數(shù)表示超出和低于平均時(shí)間，由此得出，濾波偏差率在-4.55%～7.15%之間波動(dòng)，識(shí)別偏差

率處于-15.52%～9.48%之間。由表2可分析出，當(dāng)體素值為0.01，且參數(shù)在0.02～0.023之間時(shí)，濾波偏差率波動(dòng)較大，處理各階段所需時(shí)間較長(zhǎng)，不能穩(wěn)定識(shí)別物體。當(dāng)體素值大于0.027時(shí)，特征點(diǎn)云點(diǎn)數(shù)趨于飽和，濾波趨于穩(wěn)定，不同體素參數(shù)下濾波點(diǎn)數(shù)也趨于一致。但如果體素參數(shù)無(wú)限增大，可能導(dǎo)致場(chǎng)景中各特征點(diǎn)云相互融合，丟失部分有效的特征點(diǎn)云。因此，在滿足所需點(diǎn)云特征前提下，選擇合理體素可有效提升點(diǎn)云識(shí)別效率。

3.2物體識(shí)別

在實(shí)驗(yàn)室環(huán)境下進(jìn)行物體識(shí)別實(shí)驗(yàn)，按照簡(jiǎn)單環(huán)境識(shí)別和復(fù)雜環(huán)境識(shí)別，分析物體識(shí)別后的距離均方誤差變化情況。圖7、圖8為物體在簡(jiǎn)單環(huán)境下的識(shí)別中體素網(wǎng)格濾波和最后的濾波效果（見(jiàn)封二彩圖）。

針對(duì)以上場(chǎng)景可測(cè)得物體識(shí)別后的距離均方誤差，圖8為物體點(diǎn)云配準(zhǔn)輸出效果圖，可以看出簡(jiǎn)單環(huán)境下物體的識(shí)別效果達(dá)到了預(yù)期要求。

圖9、圖10為復(fù)雜環(huán)境下的物體識(shí)別實(shí)驗(yàn)（見(jiàn)封二彩圖），環(huán)境中待識(shí)別物體處于兩個(gè)干擾物中間，圖11、圖12、圖13為物體在復(fù)雜環(huán)境下運(yùn)用IICP算法、SACIA算法、聯(lián)合IICP和SACIA算法識(shí)別效果（見(jiàn)封二彩圖）。

ICP和SACIA兩種配準(zhǔn)算法的配準(zhǔn)效果并不客觀，兩幅物體點(diǎn)云中存在嚴(yán)重偏差。為了獲得更精準(zhǔn)的配準(zhǔn)效果，本文提出了一種結(jié)合SACIA算法以及改進(jìn)的ICP配準(zhǔn)算法的點(diǎn)云配準(zhǔn)進(jìn)行改進(jìn)。對(duì)點(diǎn)云進(jìn)行一次SACIA匹配，作為粗配準(zhǔn)準(zhǔn)備，提升配對(duì)點(diǎn)云的吻合度；運(yùn)用改進(jìn)的ICP做一次精配準(zhǔn)，得到最后的效果圖。因?yàn)闅v經(jīng)了一次初始的預(yù)配準(zhǔn)，點(diǎn)云之間的差異大大降低，所以，運(yùn)行改進(jìn)的ICP配準(zhǔn)能更快收斂，得到更好的配準(zhǔn)性能，明顯降低了迭代次數(shù)，節(jié)省了運(yùn)行時(shí)間，提升了配準(zhǔn)概率和配準(zhǔn)效果。

為了比較配準(zhǔn)效果，以“橄欖油包裝盒”點(diǎn)云為配準(zhǔn)模型，與上述效果進(jìn)行對(duì)比。在改進(jìn)的ICP算法及SACIA基礎(chǔ)上，將SACIA的最大迭代次數(shù)由500降低為350，縮短了運(yùn)行時(shí)間，最后由改進(jìn)的ICP來(lái)進(jìn)行精準(zhǔn)配準(zhǔn)。由表3看到，聯(lián)合優(yōu)化的配準(zhǔn)總時(shí)間為268 009ms，其中SACIA配準(zhǔn)用時(shí)304 588ms，改進(jìn)的ICP配準(zhǔn)用時(shí)51 133ms。利用聯(lián)合優(yōu)化的點(diǎn)云配準(zhǔn)流程后，得到“橄欖油包裝盒”模型的源點(diǎn)云和目標(biāo)點(diǎn)云，如圖13所示。從圖13可以看到，兩幀點(diǎn)云中物體盒子的各個(gè)部分都得到了良好的配準(zhǔn)。完成聯(lián)合配準(zhǔn)后源點(diǎn)云和目標(biāo)點(diǎn)云一一對(duì)應(yīng)點(diǎn)對(duì)的距離誤差平方值，如圖14～圖16所示?；诟倪M(jìn)的ICP聯(lián)合SACIA對(duì)應(yīng)點(diǎn)對(duì)的距離均方誤差結(jié)果約為：1.12e-6。

從表3可以得出，僅僅使用改進(jìn)的ICP 算法運(yùn)行時(shí)間最短，但距離均方值誤差最大，配準(zhǔn)結(jié)果最不理想；單單使用SACIA 算法的運(yùn)行時(shí)間最長(zhǎng)，距離均方差較小，但部分區(qū)域偏差較大；SACIA算法和改進(jìn)的ICP算法組合配準(zhǔn)方式的運(yùn)行時(shí)間比SACIA 的時(shí)間少，且匹配后的距離均方誤差很小，此組合優(yōu)化匹配效果最好。

4結(jié)語(yǔ)

本文提出了一種有效物體識(shí)別算法，對(duì)基于深度視覺(jué)的原點(diǎn)云進(jìn)行體素網(wǎng)格過(guò)濾，通過(guò)改進(jìn)ICP算法和優(yōu)化配準(zhǔn)流程實(shí)時(shí)對(duì)物體進(jìn)行識(shí)別。實(shí)驗(yàn)表明，該算法相比單純IICP算法和SACIA算法具有更高的準(zhǔn)確率，相比于ICP算法具有更高的識(shí)別速度。在確保實(shí)時(shí)性前提下，較其它物體識(shí)別方法具有較高的識(shí)別精度和穩(wěn)定性，提高了自主機(jī)器人目標(biāo)跟蹤的魯棒性。

參考文獻(xiàn)：

[1]馬爾，姚國(guó)正，劉磊，等.視覺(jué)計(jì)算理論[M].北京：科學(xué)出版社，1988.

[2]ZHANG Z.A flexible new technique for camera calibration[J]. Pattern Analysis and Machine Intelligence， IEEE Transactions， 2000，22（11）：13301334.

[3]陳陽(yáng).三維點(diǎn)云數(shù)據(jù)配準(zhǔn)方法研究[D].天津：天津大學(xué)，2014.

[4]WILMA PAIRO1， JAVIER RUIZDELSOLAR， RODRIGO VERSCHAE1， et al.Person following by mobile robots： analysis of visualand range tracking methods and technologies[C]. 17th annual RoboCup International Symposium， 2014.

[5]HONG HAN， JINGXIANG GOU.Sparse geometric features for visual detection and estimation.image feature detection and description[J].Neurocomputing， 2013，120（1）：192202.endprint

[6]RUSU R B， BLODOW N， BEETZ M. Fast point feature histograms （FPFH） for 3D registration[C]. Robotics and Automation， IEEE International Conference， 2009：32123217.

[7]FELZENSZWALB PF， GIRSHICK R B， MCALLESTER D， et al. Object detection withdiscriminatively trained part based models[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2010，32（9）：120.

[8]BENTLEY J L. Multidimensional binary search trees used for associative searching[J]. Communications of the ACM， 1975，18（9）：509517.

[9]RUSU R B， COUSINS S. 3D is here： point cloud library （pcl）[C]. Robotics and Automation （ICRA）， IEEE International Conference， 2011：14.

[10]戴靜蘭，陳志楊，葉修梓.ICP算法在點(diǎn)云配準(zhǔn)中的應(yīng)用[J].中國(guó)圖象圖形學(xué)報(bào)，2007，12（3）：517521.

[11]EMI MATSUMOTO， MICHLE SEBAG，EINOSHIN SUZUKI.Using SVM to avoid humans： a case of a small autonomous mobile robot in an office[C]. Computer and information Sciences， 2011.

[12]王欣，張明明，于曉，等.應(yīng)用改進(jìn)迭代最近點(diǎn)方法的點(diǎn)云數(shù)據(jù)配準(zhǔn)[J].光學(xué)精密工程，2012，20（9）：20682077.

[13]解則曉，徐尚.三維點(diǎn)云數(shù)據(jù)拼接中ICP及其改進(jìn)算法綜述[J].中國(guó)海洋大學(xué)學(xué)報(bào)：自然科學(xué)版，2010（1）：99103.

[14]楊現(xiàn)輝，王惠南.ICP算法在3D點(diǎn)云配準(zhǔn)中的應(yīng)用研究[J].計(jì)算機(jī)仿真，2010（8）：235238.

[15]ROBIN STRANDA， BENEDEK NAGYB， GUNILLA BORGEFORSC. Digital distance functions on threedimensional grids[J].Theoretical Computer Science， 2011，412（15）：13501363.

[16]STEPHEN J REDMOND， CONOR HENEGHAN. A method for initialising the Kmeans clustering algorithm using kdtrees pattern[J]. Recognition Letters， 2007，28（8）：965973.

[17]劉博源，陸明剛，闞文濤.激光掃描表面特征的點(diǎn)云數(shù)據(jù)處理方法[J].光學(xué)儀器，2016，38（1）：4144.

[18]錢煒，付東翔，李曉燕，等.越障機(jī)器人的設(shè)計(jì)與研究[J].上海理工大學(xué)學(xué)報(bào)，2002（3）：264267.

（責(zé)任編輯：杜能鋼）endprint