一種室內(nèi)移動機器人自主避讓行人控制方法

于佳圓，張 雷，張凱博

(北京建筑大學(xué) 電氣與信息工程學(xué)院，北京 100044)E-mail：yujiayuan1010@163.com

1 引 言

隨著計算機性能的不斷提高以及深度學(xué)習(xí)，人工智能等技術(shù)的快速蓬勃發(fā)展，機器人開始進入家庭，為人類提供各種各樣的服務(wù).為了使機器人能夠在家居環(huán)境中與人類自然共居、和諧共處，機器人需要以人類可接受的方式運行和工作，特別是要避免與人類的沖突和碰撞.保證人的絕對安全是服務(wù)機器人進入人類生活空間，并能得到廣泛應(yīng)用的基本前提[1-3].

Christian Vogel等[4]將投影儀放置在機器人工作區(qū)域上方，在機器人周圍形成光柵，光柵的某一區(qū)域產(chǎn)生變化就認(rèn)為有人進入該區(qū)域，機器人對人進行避讓，保證人機安全，但機器人移動過程中可能會出現(xiàn)其他物體遮擋光柵，導(dǎo)致該方法魯棒性較低.Weiquan Ye等[5]利用安裝在機器人本體上的OptiTrack相機和Kinect相機實現(xiàn)人體捕捉和追蹤，但目前OptiTrack相機造價高昂，機器人成本過高，不利于推廣.Mengmeng Wang等[6]利用單目相機和超聲波傳感器實現(xiàn)實時機器人三維人體跟蹤和避讓系統(tǒng)，但由于單目相機安裝在機器人的前部，其他方向會存在視覺盲區(qū).

總的來說，目前大多數(shù)移動機器人僅依賴自身傳感器來實現(xiàn)人體檢測和避讓，但在實際應(yīng)用中，這會導(dǎo)致機器人存在一部分檢測盲區(qū)，為了解決這個問題，通常人們會在檢測盲區(qū)加裝傳感器，但這無疑會增加機器人的生產(chǎn)成本.而且在多數(shù)情況下，同一空間中會存在多個機器人，在這種情況下，將傳感器安裝在空間中而不是機器人身上可以大大降低總體成本，是更加合理的選擇[7].

針對現(xiàn)存方法存在的諸多不足，本文研究智能空間中，基于全局視覺的機器人自主避讓控制系統(tǒng)，通過全局視覺對人和機器人進行檢測、定位和追蹤.提出基于深度圖像和人體骨骼模型的人體檢測方法和改進KCF算法的人體追蹤方法，以及一種基于顏色標(biāo)記特征的機器人檢測和定位方法.系統(tǒng)通過設(shè)置合適的人機安全距離[8,9]，并根據(jù)檢測到的人機相對位置和運動軌跡，實時控制機器人的運動，以實現(xiàn)機器人對人的避讓.

2 機器人避讓控制系統(tǒng)

本文提出的機器人自主避讓控制系統(tǒng)結(jié)構(gòu)如圖1所示.該系統(tǒng)主要由視覺檢測系統(tǒng)(包括深度相機Kinect和PC機)、室內(nèi)全方位移動機器人、服務(wù)器和無線網(wǎng)絡(luò)構(gòu)成.

圖1 人機避讓控制系統(tǒng)示意圖

視覺檢測系統(tǒng)通過Kinect相機實時采集環(huán)境圖像，對人體和機器人的位置進行實時三維定位和軌跡追蹤.根據(jù)人體和機器人的相對位置以及二者的運動狀態(tài)，視覺檢測系統(tǒng)得出相應(yīng)的機器人避讓控制策略，并通過無線網(wǎng)將控制策略數(shù)據(jù)傳輸給服務(wù)器.服務(wù)器接收這些數(shù)據(jù)并利用無線網(wǎng)絡(luò)將控制指令實時發(fā)送給機器人，同時將數(shù)據(jù)存儲到數(shù)據(jù)庫中.機器人收到指令并執(zhí)行相應(yīng)的運動，從而實現(xiàn)對人的避讓.

3 人體檢測與定位

人體檢測對于圖像和視頻的語義理解，視頻監(jiān)控，輔助駕駛系統(tǒng)等有重要的研究意義和應(yīng)用價值.近年來，圖像和視頻中的人體檢測是計算機視覺和機器學(xué)習(xí)領(lǐng)域的熱門研究話題.目前對于圖像和視頻中的人體檢測，主要有三種方法[10]：基于DPM算法的方法主要通過對人體輪廓進行建模，根據(jù)輪廓特征對人體進行檢測；基于統(tǒng)計學(xué)習(xí)的方法通過提取特征訓(xùn)練分類器模型，特征主要有 Hear特征[11]、HOG特征[12,13]等；基于深度學(xué)習(xí)的方法通過訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)(如CNN)實現(xiàn)人體檢測.

由于人機共居環(huán)境的復(fù)雜性和多變性，目前還沒有一種可普遍適用的成熟算法能夠完全解決這種環(huán)境下的人體檢測和定位問題.上述方法都是基于2D的圖像和視頻進行人體檢測，不能對人體位置進行三維空間中的定位.近幾年，飛行時間相機(Time-of-Flight cameras)和其他深度傳感器的出現(xiàn)為推動該領(lǐng)域的發(fā)展創(chuàng)造了新的機遇[14,15].本文使用的深度相機為Microsoft Kinect v2，Kinect SDK中包含了一種使用大量標(biāo)記數(shù)據(jù)訓(xùn)練的骨骼估計模型，可以進行實時骨骼追蹤.因此，本文提出一種基于全局視覺的方法實現(xiàn)人體檢測和定位，

為了提高系統(tǒng)的實時性，減少圖像處理過程中的計算量，首先對深度圖像進行預(yù)處理，深度圖像中的每個像素都包含自身的深度信息，將深度小于一定的閾值的像素視為感興趣區(qū)域(ROI)，即可能存在人體的區(qū)域，將這些像素提取出來.然后采用關(guān)節(jié)點模型與得到的可能包含人體的區(qū)域進行匹配，獲取圖像中人體各個關(guān)節(jié)點的位置.具體過程如下：

首先，提取包含人體對象的深度數(shù)據(jù)幀，對于深度圖像中的指定像素x，計算它的特征：

(1)

得到人體關(guān)節(jié)點的位置信息后，需要通過坐標(biāo)變換將其映射到彩色圖像中，為了確定深度相機和彩色相機之間的關(guān)系，將深度相機的相機中心設(shè)置為原點.

CDepth=KDepth[RDepth|tDepth]=KDepth[I|0]

(2)

其中I是單位矩陣，0是空向量，KDepth是深度相機的校準(zhǔn)矩陣，彩色相機的校準(zhǔn)矩陣為KRGB，彩色相機相對于深度相機產(chǎn)生的旋轉(zhuǎn)為RRGB，產(chǎn)生的變換為tRGB.

CRGB=KRGB[RRGB|tRGB]

(3)

深度圖像中坐標(biāo)為xh的點x，可以通過原點投影為世界坐標(biāo)系中的一條直線L.

(4)

通過深度圖像中點x的ix值，可以得到該點在直線上的相應(yīng)位置.

(5)

然后，就可以將世界坐標(biāo)系中坐標(biāo)為Xh的點X，投影到彩色攝像機上.

xRGB=CRGBXh

(6)

通過上述坐標(biāo)變換，可以得到深度圖中檢測出的人體在彩色圖中的對應(yīng)位置.如圖2所示，圖2(a)為原始彩色圖像，圖2(b)為原始深度圖像，圖2(c)為將關(guān)節(jié)點映射到彩色圖像中的結(jié)果，圖2(d)為最終的人體檢測結(jié)果.

圖2 人體檢測結(jié)果

已知人體關(guān)節(jié)點的位置和深度信息，就可以得到人體在三維空間內(nèi)的位置.由于人體在運動過程中，其脊柱中心點的位置變化幅度較小，所以以脊柱中心點為人體代表點，把該點在環(huán)境中的位置記為人體在環(huán)境中的位置.

4 人體目標(biāo)追蹤

通過上述方法檢測和定位到人體目標(biāo)后，接下來需要對不斷運動的人體目標(biāo)進行實時追蹤.傳統(tǒng)的目標(biāo)追蹤方法，如光流法、meanshift算法、粒子濾波算法等已經(jīng)比較成熟，在很多領(lǐng)域都獲得了廣泛的應(yīng)用.但由于人機共居環(huán)境比較復(fù)雜，環(huán)境中的人體運動狀態(tài)是隨機的，并且很難預(yù)測，上述方法的追蹤效果將會受到很大影響.近年來，深度學(xué)習(xí)在計算機視覺領(lǐng)域的成功，使得用于視覺跟蹤的深層架構(gòu)成為一種趨勢.但是，這些基于深度學(xué)習(xí)的跟蹤器具有相同的缺陷，即實時性能差且具有高復(fù)雜性[16,17]，不適用于本文的應(yīng)用場景.

KCF 核相關(guān)濾波算法是由Henriques等人在2014年所提出[18]，是對2012年提出的CSK核循環(huán)結(jié)構(gòu)檢測跟蹤算法[19]的改進，使用多通道的梯度方向直方圖(HOG)特征代替原來的單通道灰度特征，并利用核嶺回歸，使得計算復(fù)雜度大大降低，大幅提升了相關(guān)濾波跟蹤的準(zhǔn)確度.KCF算法相比于傳統(tǒng)目標(biāo)跟蹤算法，擁有更高的準(zhǔn)確性，相比于深度學(xué)習(xí)方法，擁有更高的實時性，本文基于KCF算法對運動人體目標(biāo)進行實時追蹤.

4.1 KCF算法原理

典型的相關(guān)濾波過程如圖3所示，首先，在輸入視頻第t幀中的目標(biāo)位置Pt周圍進行采樣和特征提取，訓(xùn)練一個可以計算響應(yīng)的分類器.然后，在第t+1幀，在前一幀的目標(biāo)位置Pt周圍進行采樣，用訓(xùn)練好的分類器計算每個樣本的響應(yīng).最后，將響應(yīng)最大的樣本位置作為當(dāng)前幀(第t+1幀)的目標(biāo)位置Pt+1.

圖3 相關(guān)濾波原理

1)核相關(guān)濾波

通常，相關(guān)濾波器w的目的是找到一個函數(shù)f(z)=wTz，使得在相同大小的高斯函數(shù)標(biāo)簽y上的具有M×N個像素點的圖像塊z上采樣樣本的平方誤差最小，即：

(7)

其中，i∈{0,1,…,M-1}×{0,1,…,N-1}，λ是一個非負(fù)正則化參數(shù).由于訓(xùn)練不僅需要正例，還需要負(fù)例，因此相關(guān)濾波器通常采用循環(huán)移位的方法來近似采樣窗口的位移.

使用核方法，可以將非線性回歸轉(zhuǎn)換為線性回歸，目標(biāo)函數(shù)可以寫成w=∑iαiφ(xi)，這樣所需優(yōu)化的變量就從w變成了α.將目標(biāo)函數(shù)替換為核函數(shù)，得到了新的訓(xùn)練函數(shù).

(8)

其中，k(z,xi)表示訓(xùn)練樣本xi與測試樣本z之間的核函數(shù)，文獻[20]給出了嶺回歸的核化版本的解決方案：α=(K+λI)-1y，由于矩陣K和矩陣I都是循環(huán)矩陣，得益于循環(huán)矩陣的特性，可以通過離散傅里葉變換(DFT)將其對角化.

(9)

其中，F(xiàn)和F-1分別表示離散傅里葉變換以及它的逆變換.

在視頻的第一幀中對分類器進行訓(xùn)練之后，通過計算如下的響應(yīng)，在下一幀中對相同大小的圖像塊z進行位置估計.

f(z)=F-1(F(a)⊙F(k(z,x)))

(10)

其中，⊙表示元素乘積，選擇使得f(z)獲得最大值的位置作為當(dāng)前幀的目標(biāo)位置.

2)循環(huán)矩陣

為了提取更多的訓(xùn)練樣本，克服傳統(tǒng)隨機采樣存在的采樣重復(fù)等缺點，KCF算法使用循環(huán)矩陣對圖像進行密集采樣，循環(huán)矩陣C(x)如式(11)所示：

(11)

可以看出，循環(huán)矩陣中的每一行元素都是由上一行元素向右平移一位得到，這樣可以保證每個循環(huán)矩陣都可以對角化，且進過傅里葉變換后都是對角矩陣，矩陣C(x)的傅里葉變化矩陣F為：

(12)

可以看出F是一個對稱酉矩陣，則循環(huán)矩陣C(x)可對角化表示為：

(13)

對比傳統(tǒng)的隨機采樣，利用循環(huán)矩陣進行密集采樣可以提取更多的訓(xùn)練樣本，能夠提取目標(biāo)的全部信息，這對目標(biāo)跟蹤過程的實現(xiàn)是至關(guān)重要的.

3)目標(biāo)檢測與分類器更新

在KCF目標(biāo)追蹤的過程中，首先讀取視頻的第一幀圖像，圖像中包含所需追蹤的目標(biāo)位置，用密集采樣的方法提取目標(biāo)以及背景的HOG特征，將其作為初始樣本對分類器進行初始化.然后讀取下一幀圖像，從上一幀圖像中的目標(biāo)位置提取圖像塊，單個候選圖像塊z應(yīng)的分類器響應(yīng)為：

(14)

其中，ai為分類器在第i幀的參數(shù)，xi為第i幀的目標(biāo)模板，將候選圖像塊z與上一幀更新的目標(biāo)模板xi-1進行循環(huán)移位，生成循環(huán)矩陣，得到：

Kz=C(kxi-1z)

(15)

其中，kxi-1z為候選圖像塊z與目標(biāo)模板xi-1的核相關(guān)，得到z循環(huán)移位后的輸出為：

f(z)=(Kz)Ta

(16)

找到使式(16)取得最大響應(yīng)值的位置，即得到當(dāng)前幀的目標(biāo)位置x′.

y=F-1(F(kxi-1z)F(a))

(17)

最后，將檢測到當(dāng)前幀的目標(biāo)位置做循環(huán)移位，對分類器和目標(biāo)模板進行更新：

xi=(1-β)xi-1+x′ai=(1-β)ai-1+ax′

(18)

其中β是更新系數(shù)，xi-1為上一幀的目標(biāo)模板，ai-1為上一幀的分類器的系數(shù).通過對分類器系數(shù)和目標(biāo)模板的不斷更新，實現(xiàn)視頻序列的實時目標(biāo)追蹤.

4.2 KCF算法的改進

KCF算法的一個明顯優(yōu)勢是在保證追蹤精度和準(zhǔn)確性的同時，能達到很快的追蹤速度，但當(dāng)運動目標(biāo)被完全遮擋時，會導(dǎo)致追蹤目標(biāo)丟失，無法繼續(xù)追蹤.為了彌補KCF算法在目標(biāo)被遮擋情況下會導(dǎo)致追蹤失敗的不足，本文將檢測模塊加入到目標(biāo)追蹤的過程中，當(dāng)追蹤目標(biāo)丟失時，啟動檢測模塊，以保證及時重新找到目標(biāo)并繼續(xù)追蹤，流程如圖4所示.

圖4 改進KCF算法流程圖

檢測模塊濾波器Rd的訓(xùn)練模板選擇，對于目標(biāo)丟失時重新檢測的成功與否至關(guān)重要，如果僅用初始幀來訓(xùn)練濾波器，在追蹤過程中，隨著目標(biāo)的外觀不斷發(fā)生改變，濾波器的性能將不斷降低.因此，本文設(shè)計一個能量函數(shù)對每一幀進行評估，當(dāng)目標(biāo)出現(xiàn)遮擋時，能量函數(shù)的值會減小.而當(dāng)目標(biāo)外觀出現(xiàn)改變時，能量函數(shù)的值會增大.將能量函數(shù)與相關(guān)響應(yīng)綜合考慮，來評判每一幀的質(zhì)量.在追蹤過程中，我們可以將目標(biāo)被遮擋的幀忽略掉，不更新追蹤模塊的濾波器Rt，避免由于遮擋導(dǎo)致的漂移.同時，不斷用質(zhì)量更高的幀對檢測模塊的濾波器Rd進行持續(xù)更新，提高檢測模塊的魯棒性.

具體過程如下，對于給定的一幀圖像，跟蹤濾波器Rt和檢測濾波器Rt的相關(guān)響應(yīng)最大值分別為：

βt=max(ft(z))

(19)

βd=max(fd(z))

(20)

設(shè)定閾值Tγ，如果追蹤模塊和檢測模塊的濾波器相關(guān)響應(yīng)均大于該閾值，即βt>Tγ&&βd>Tγ，那么我們認(rèn)為該幀圖像質(zhì)量達到要求，用公式(18)更新檢測濾波器Rd，通過對幀的能量評估更新追蹤濾波器，能量函數(shù)定義為：

E=2R+G

(21)

其中R表示檢測濾波器Rd的相關(guān)響應(yīng)，G表示R的梯度.應(yīng)用該能量函數(shù)，可以使得追蹤目標(biāo)有遮擋的幀得到低能量值，如果當(dāng)前幀的能量值E大于設(shè)定閾值Tη，即E>Tη，用公式(18)更新追蹤濾波器.

通過上述方法的改進，追蹤濾波器更新時會忽略掉大部分存在目標(biāo)遮擋的幀.但當(dāng)出現(xiàn)目標(biāo)運動過快等情況時，還是會導(dǎo)致追蹤失敗，此時就需要啟動檢測模塊.在追蹤過程中，當(dāng)檢測濾波器的相關(guān)響應(yīng)值βd小于設(shè)定閾值Ts時，我們認(rèn)為此時發(fā)生跟蹤丟失，立即啟動檢測模塊.由于連續(xù)兩幀中，目標(biāo)的位置以及外觀形態(tài)不會出現(xiàn)非常大的變化，因此，為了節(jié)約計算成本，不在整張圖片上對目標(biāo)進行重新檢測，而是使用追蹤丟失前一幀的分類器，對目標(biāo)位置周圍的8個圖像塊進行滑動窗口搜索，直到重新檢測到目標(biāo).

5 機器人檢測及其避讓控制策略

5.1 機器人檢測與定位

與人體檢測過程中人體運動不確定性強的特征不同，一般情況下，人機共居環(huán)境中機器人的運動狀態(tài)是經(jīng)過人為設(shè)定的，是可控的，而且機器人的數(shù)量是一定的，因此機器人在圖像中的狀態(tài)相對穩(wěn)定.本文同樣采用基于全局視覺的方法對機器人進行檢測和定位.由于基于顏色特征的檢測方法對于目標(biāo)位置變化的影響有較強的適應(yīng)性，且對形變、噪聲等影響具有很好的魯棒性.因此，本文采用基于目標(biāo)顏色特征的方法對機器人進行檢測和定位.

首先，利用全局相機Kinect采集的RGB圖像進行機器人檢測.RGB顏色空間由紅(Red)、綠(Green)、藍(Blue)三原色組成，具有簡單直觀、處理方便等優(yōu)點，目前被廣泛應(yīng)用于圖像處理領(lǐng)域.但是RGB顏色空間很容易受到光照的影響，導(dǎo)致圖像顏色失真，檢測失敗.由于人機共居的光照是不斷變化的，在RGB空間中無法對顏色特征進行準(zhǔn)確檢測，因此有必要進行顏色空間的轉(zhuǎn)換.

將RGB顏色空間轉(zhuǎn)換到HSV顏色空間進行處理，因為HSV顏色空間對于光照變化和陰影的影響具有很好的魯棒性，適用于基于顏色進行目標(biāo)檢測的任務(wù)，

接下來，設(shè)置合適的顏色閾值，對圖像進行顏色分割.保留圖像中符合顏色閾值的像素點，并將所有不符合的像素點都去除，得到包含顏色標(biāo)記的位置信息的二值圖像，如圖5所示.圖5(a)為原始圖像，圖5(b)為經(jīng)過顏色分割后得到的二值圖像，對二值圖像進行形態(tài)學(xué)變換，消除干擾像素點，只保留目標(biāo)區(qū)域，最終結(jié)果如圖5(c)所示.

圖5 顏色分割結(jié)果

檢測到機器人在彩色圖像中的位置后，需要得到深度信息，從而實現(xiàn)機器人的定位.對經(jīng)過顏色分割后的二值圖像進行邊緣檢測，邊緣檢測的核心是采用編碼的方式確定圖像中存在的邊界.找到邊界后，繪制矩形框來表示檢測到的機器人，將矩形框中心的像素坐標(biāo)記為(xrec,yrec).利用Kinect彩色圖像坐標(biāo)和深度圖像坐標(biāo)的轉(zhuǎn)換方法，將該像素坐標(biāo)轉(zhuǎn)換到深度空間中，得到對應(yīng)深度圖像上的深度信息，從而得到機器人在空間中的三維坐標(biāo)(x,y,z).

5.2 機器人自主避讓控制策略

得到人和機器人在環(huán)境中的實時位置后，接下來要判斷機器人此時是否應(yīng)該對人進行避讓，如何避讓.如圖6所示，視覺檢測系統(tǒng)檢測到人體和機器人(圖6(a))，并得到了位置信息，圖6(b)為空間內(nèi)人和機器人的位置圖，人機距離可由兩點之間的距離公式計算得到.

圖6 視覺系統(tǒng)的檢測和定位結(jié)果

設(shè)定符合人類心理需求的，合適的人機安全距離，對于保證人機共居環(huán)境中人的安全性和舒適度是非常必要的[20].在工業(yè)生產(chǎn)中，為了防止正在運行的設(shè)備、表面尖銳的生產(chǎn)工具等危險物品對人體健康及生命安全造成傷害，規(guī)定兩者之間必須保持一定的安全距離.而在人機共居環(huán)境中，人機安全距離的設(shè)定更應(yīng)該考慮人的心理需求.本文根據(jù)機器人與人的位置、距離、各自的運動狀態(tài)來設(shè)定當(dāng)前的安全距離，當(dāng)二者間距離小于安全距離時，向機器人發(fā)送相應(yīng)的避讓指令，實現(xiàn)實時準(zhǔn)確的避讓控制.

6 實驗與結(jié)果分析

為了驗證本文設(shè)計的機器人自主避讓控制系統(tǒng)，通過實驗對其中采用的方法和整個系統(tǒng)的有效性，實時性和準(zhǔn)確性進行驗證.

6.1 人體檢測和追蹤實驗

由于人機共居環(huán)境中，人體的運動具有隨機性，不同時刻的人體正面平面與攝像頭平面之間的角度是不同的，如正面，背面，側(cè)面等不斷變化，這會給人體檢測和定位造成很大影響.為了驗證本文提出的人體檢測和定位方法的有效性，在實驗室環(huán)境中，設(shè)計如下實驗：空間中的人體按照“口”字型軌跡持續(xù)運動，這樣全局?jǐn)z像頭就可以捕捉到人體的不同側(cè)面.實驗結(jié)果如圖7所示，上面的四張圖片為人體檢測結(jié)果，下面對應(yīng)的四張圖片為對應(yīng)的位置軌跡.可以看出，無論人體與攝像頭的角度如何變化，檢測系統(tǒng)都能對人體進行準(zhǔn)確檢測和定位，驗證了人體檢測和定位方法的有效性.

圖7 人體檢測和定位實驗結(jié)果

在同一場景下，將本文提出的人體檢測方法與基于HOG特征的方法、高斯背景建模法、以及基于Haar-like特征方法這三種人體檢測方法進行檢測時間的對比，記錄每種方法處理每一幀圖像所需的時間.實驗結(jié)果如圖8所示，從左到右依次為高斯背景建模法、基于Haar-like特征方法、基于HOG特征的方法以及本文提出的方法進行人體檢測時，單幀所消耗的時間.

圖8 檢測方法對比實驗結(jié)果

由實驗結(jié)果可以看出，本文提出的人體檢測方法每幀消耗的時間均少于其他幾種算法，這是由于基于Kinect深度圖像的人體骨骼提取實時性較高，且在人體運動緩慢或靜止?fàn)顟B(tài)也能快速檢測.

為了驗證本文提出的人體追蹤方法的實時性和準(zhǔn)確性，在實驗室環(huán)境中，設(shè)計如下實驗：環(huán)境中有兩個人體目標(biāo)，一人靜止不動，另一個人在后方不斷走動，實驗對后面的人進行實時追蹤，視覺系統(tǒng)的追蹤實驗結(jié)果如圖9所示，為了便于觀察實驗結(jié)果，整個過程將前面的人用矩形框框選出來.可以看到，在圖9(a)中，前面的人對后面的人有部分遮擋，依然可以成功追蹤.在圖9(b)中，前面的人完全遮擋住后面的人，追蹤目標(biāo)丟失.在圖9(c)中，后面的人重新出現(xiàn)，追蹤方法及時找到丟失的追蹤目標(biāo)，并繼續(xù)追蹤，證明了追蹤方法的有效性.

圖9 人體追蹤實驗結(jié)果

將本文提出的人體追蹤方法與Camshift算法、MIL算法以及CSRT算法進行實時性和準(zhǔn)確性對比，實驗結(jié)果如圖10所示，其中從左到右依次為Camshift算法、本文算法、MIL算法以及CSRT算法進行人體追蹤時，單幀消耗的時間.

圖10 追蹤算法消耗時間對比

追蹤算法的成功率對比如表1所示，由實驗結(jié)果可以看出，本文提出的改進KCF算法以及Camshift算法在目標(biāo)追蹤過程中消耗的時間較少，且改進KCF的方法在保證高實時性的同時，可以實現(xiàn)最高的追蹤成功率.這是由于傳統(tǒng)的KCF算法實時性很高，改進的方法僅在目標(biāo)出現(xiàn)遮擋時啟動檢測模塊，可以在追蹤目標(biāo)被遮擋的情況下快速進行重新檢測，找到丟失目標(biāo)，同時保證整個系統(tǒng)的高實時性.

表1 追蹤算法準(zhǔn)確度對比

6.2 機器人檢測和追蹤實驗

在實驗室環(huán)境中，控制移動機器人按照“口”字型軌跡運動，視覺系統(tǒng)對機器人進行實時檢測和定位.實驗結(jié)果如圖11所示，上面的四張圖為機器人的檢測結(jié)果，下面四張圖為相應(yīng)的位置軌跡.可以看出，無論機器人對相機的朝向如何變化，視覺系統(tǒng)都能實時準(zhǔn)確檢測和定位，驗證了本文提出的機器人檢測與定位方法的有效性.

圖11 機器人檢測和定位實驗結(jié)果

6.3 機器人避讓控制實驗

為了測試整個避讓控制系統(tǒng)的性能，設(shè)計如下實驗：機器人和人同時在室內(nèi)環(huán)境中，設(shè)置人機安全距離為0.5米，在不同光照條件：白天的自然光照和夜晚的燈光照明，人體朝向全局相機的不同角度：正面朝向、左側(cè)面朝向、右側(cè)面朝向和背面朝向這八種情況下進行機器人避讓控制實驗.

圖12所示為夜晚燈光照明條件下，人體右側(cè)朝向全局相機的實驗場景以及人機距離的變化.可以看到，當(dāng)人機距離小于一定值時，機器人開始運動，人機距離增大.這是因為系統(tǒng)檢測到人機距離小于安全距離，向機器人發(fā)出向右避讓的指令，機器人收到指令后向右移動.

圖12 機器人避讓實驗

每種情況下進行十次實驗，記錄機器人避讓的平均反應(yīng)時間，即檢測人機距離為0.5米的時刻與機器人執(zhí)行避讓指令的時間差，實驗結(jié)果如表2所示.

表2 機器人避讓控制實驗結(jié)果

由實驗結(jié)果可以看出，無論光照以及人體對于全局相機的朝向如何變化，機器人均能在檢測到人機距離達到設(shè)定值后的300ms內(nèi)，執(zhí)行避讓指令，實現(xiàn)對人的避讓.實驗結(jié)果驗證了整個機器人避讓控制系統(tǒng)的實時性和有效性.

7 結(jié) 語

本文構(gòu)建了一套完整的基于全局視覺的機器人避讓控制系統(tǒng)，提出高實時性高準(zhǔn)確性的人體檢測與定位方法和改進KCF的人體追蹤方法，以及一種基于顏色特征的室內(nèi)全方位移動機器人檢測和定位方法，實現(xiàn)了人機共居環(huán)境中，機器人對人的自主避讓控制.經(jīng)過一系列的實驗，驗證了整個系統(tǒng)的準(zhǔn)確性和實時性.