[发明专利]一种相机移动条件下高精度检测运动目标的方法

说明书

本发明公开了一种相机移动条件下高精度检测运动目标的方法，包括：在移动机器人移动期间，设置在所述移动机器人上的双目立体相机通过采集当前的场景图像，得到当前的第t‑1帧图像和t帧图像；利用改进后的背景光流补偿差分法，计算出所述第t‑1帧图像和t帧图像中的包含M个候选运动目标的第一候选运动目标集合；采用基于YOLOv3的行人车辆检测算法计算出所述第t帧图像中的包含N个候选运动目标的第二候选运动目标集合；根据所述第一候选运动目标集合和所述第二候选运动目标集合，确定初始可信运动目标集合；利用所述第一候选运动目标集合、所述第二候选运动目标集合以及所述初始可信运动目标集合，得到可信运动目标集合。

技术领域

本发明涉及移动机器人技术领域，特别是涉及一种相机移动条件下高精度检测运动目标的方法。

背景技术

对工作环境内动态障碍物的检测是很多移动机器人环境感知必须要完成的任务。如，无人车需要感知其行驶范围内运动目标，以为无人车决策和路径规划提供依据；商场导购机器人需要知道其工作范围内运动目标，这样机器人才能有效的避开障碍物，避免事故发生。这些问题都可归纳为相机移动条件下运动目标检测问题，因此该问题是移动机器人领域环境感知的基础问题。

需要说明的是，对运动目标的检测，现有的主流技术有采用激光雷达和视觉传感器的方法。激光雷达具有较高的探测精度，但是价格昂贵。视觉传感器价格便宜、体积小、包含信息丰富而受到越来越多研发机构的重视。本申请主要是针对纯视觉条件下运动目标检测。

现有技术的解决方案有如下三种：

(1)背景补偿差分法

背景补偿差分法的核心思想是将动态背景问题转化为静态背景问题，如此可直接利用相机静止条件下(静态背景)下各种运动目标检测方法。将动态背景问题转化为静态背景问题的关键为“背景补偿”。当相机运动时，相邻两帧图像的背景将发生运动，“背景补偿”的目的就是计算出背景的运动模型，借助该模型，将当前帧背景反推回运动前，以此得到估计的静态背景。计算背景运动参数首先要建立恰当的静止背景运动参数模型(全局运动)。根据全局运动参数模型的不同，可分为基于基础矩阵的方法、基于单应矩阵的方法、基于仿射变换的方法，以及基于混合几何模型的方法。

不管是单应约束，基本矩阵约束还是仿射变换约束，都有其特定的适用范围。单应矩阵仅适合于平面场景、基本矩阵仅能将一幅图像的像点映射到另一图像的一条线上、仿射变换仅仅是两幅图像的近似约束。因此，背景补偿差分法检测运动目标时存在原理上不可克服的缺陷。

(2)光流特征分类法

光流特征分类法认为背景运动产生的光流与目标运动产生的光流之间存在差异，故而可以根据这两类光流的差异性，找出运动目标。比如，兰红等认为场景中绝大部分背景的运动状态是一致并且是主要的。他们据此设计了基于光流的动态目标检测方法。首先，利用LK光流法得到相邻两幅图像的特征点光流，并同时创建光流长度，角度的状态向量。通过建立整幅图像光流长度、角度的直方图，去除直方图中最密集区域对应的特征点，进而初步去除背景。然后利用中心迭代法去除不属于目标运动区域的噪声特征点；最后，通过前N帧图像目标特征点的最大交集得到属于目标的稳定特征点并在后续帧中进行跟踪。崔智高等认为运动目标内部和场景背景的光流值大小和方向趋于一致，仅在目标与背景的边界处存在较大的差异。利用该性质，他们首先对目标边界进行定位。然后通过点在多边形内部原理获得边界内部的稀疏像素点，最后以超像素为节点，利用混合高斯模型拟合的表观信息和超像素的时空邻域关系构建马尔可夫随机场模型的能量函数，并通过使目标函数能量最小化得到最终的运动目标检测结果。

基于光流特征分类法的运动目标检测，其核心点是运动目标产生的光流在整体混合光流中存在可辨识。这在一些特定的场景下是可以实现的，比如无人车向前直行，背景的光流具有固定的特征，此时容易对背景光流特性进行建模；但是在车辆转弯时，背景光流和转弯大小、背景物结构都有很大关系，模型很难建立。因此光流特征分类法适应性有限。

(3)背景光流补偿差分法