基于AGV的目标检测与追踪文献综述

18
5.参考文献
[1]张辰贝西，黄志球.自动导航车(AGV)发展综述[J].信息技术应用.2010,39(1),53-59 [2] Haritaoglu I , Har wood D,Davis L S . W: real-time surveillance of people and their activities [J ]. IEEE Trans on Pattern Analysis and Machine Intelligence, 2000, 22(8) : 809 . [3] WREN C,AZARBAYEJANI A,DARREL T,et al.Pfinder:real-time tracking of the human body [J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1997,19(7):780-785. [4]Stauffer C,Grimson W.Adaptive background mixture models for real time tracking [C] Proceedings of IEEE International Conferenceon Computer Vision and Pattern Recognition,1999:246-252. [5]杨珺,史忠科.基于改进单高斯模型法的交通背景提取[J].光子学报,2009,38(5),1293-1296. [6]陈祖爵, 陈潇君 ,何鸿.基于改进的混合高斯模型的运动目标检测[J].中国图象图形学报,2007,12(9),15851589. [7]刘静,王玲.混合高斯模型背景法的一种改进算法[J].计算机工程与应用,2010,46(13),168-170. [8] Horn,B.K.P.and Sehunc KB.G.Determining optical flow.Artificial Intelligence [J]. Vol17,1981, pp 185-203. [9] B.Lucas and T.Kanade. An iterative image registration technique with an application to stereo vision[J].Proc. DARPA Image Understanding Workshop,1981,121-130. [10].Araki,S.Matsuoka,T.Takemura,H.Yokoya,N.Real-time Tracking ofMultiple Moving Objects in Moving Camera Image Sequences Using Robust Statistics[J].Graduate Sch.of Inf.Sci.Nara Inst.of Sci.&Technol.1998.vol.2,pp 1433~1435. [11]Zhao zheng Yin,Robert Collins.Moving Object Localization in Thermal Imagery by Forward-backward MHI[A].Proceedings of the 2006 Conference on Computer Vision and Pattern Recognition[C].New York :IEEE, 19 2006 :133~133.
10
2.AGV目标检测
动态背景的动态目标检测技术（运动补偿法与光流法）
运动补偿法通过建立相应的仿射模型，来补偿摄像机的运动所带 来的图像总体背景的运动，然后运用静态背景的运动目标检测技 术检测目标。 Shoichi Araki(1998)[10]提出了一种用具有鲁棒统计特性的最小中 位平方（Least Median of Squares）来估计仿射模型的参数,此方法 通过对所有像素建立模型，并提出运动目标上的错误点。
12
3.AGV目标追踪
地面标识线(Landmark)跟踪型AGV
国内研究较多 杨世才，赵林度(2009)[17]提出了一种不同尺度的双目视觉AGV导 引方法，运用多尺度滤波思想获得道路信息，并对前进道路的障 碍物进行了去障研究。
13
3.AGV目标追踪
人体追踪(Human-Following)类型AGV
3
1.AGV概述
光学与磁性导引方式
最早的导引方式，在AGV运行路径 上粘贴反光带或者磁力线，通过 AGV上的光学识别装置和磁力识别 装置识别路径。 优点：导向线路费用低。 缺点：控制和通讯线路需另行单独 铺设；导向线路必须保持清洁。
4
1.AGV概述
电磁感应导引
应用最为广泛，在地板内埋入密封电 磁线，由交流频率发生器输入形成环 路，产生一个同心圆磁场；AGV上装 设感应线圈，可以检测磁场强度偏移 量，实现导引。 优点：埋线隐蔽；不易污染和破损； 易于控制和通讯；抗声光干扰；成本 低。 缺点：路径难改，复杂交叉路径、楼 上有钢筋地板难实现。
Meanshift又叫均值漂移，由Fukunaga (1975)[19]等人在1975年的一篇 关于概率密度梯度函数的估计的文章中提出来的，其最初含义正如其 名，就是偏移的均值向量。 Yizong Cheng(1995)[20]成功把它扩展，并且运用到计算机视觉领域， 这引起了人们的广泛关注。 Comaniciu,Meer et al.(1999,2002)[21,22]成功将Meanshift方法应用到图 像分割和特征空间分析中。 Comaniciu,Meer et al.(2000,2003)[23,24]主要讨论MeanShift中核函数带 宽选择问题和实时追踪问题。
6
1.AGV概述
视觉导引
这是一种处于发展中的技术。主要是通过CCD摄像头获取周边或 者地表图像，然后进行仿生图像识辨确定自身坐标位置，进而导 引AGV。 其一就是标识线图像识别方法，它是在AGV运行所经过的地面上 AGV 画1条标识明显的导向标线，利用CCD系统动态摄取标线图像并识 别出AGV相对于标线的方向和距离偏差，以控制车辆沿着设定的 标线运行。 其二就是利用CCD系统动态摄取运行路径周围环境图像信息，并 与拟定的运行路径周围环境图像数据库中的信息进行比较，从而 确定当前位置及对继续运行路线做出决策。这种方法不要求设置 任何物理路径，因此，在理论上是最佳的柔性导向。但实际应用 还存在问题，主要是实时性差和运行路径周围环境信息库的建立 困难。
17
4.研究展望
目标检测方面将集中于动态目标检测，不同于交通监测， 需要在前几帧检测出目标，考虑将光流算法用于匹配后的 检测，同时结合snake算法检测轮廓区域进行追踪。 定位后的目标追踪集中于研究适合Human-Following的AGV追 踪，Meanshift与两种Kalman Filter结合算法。 追踪标记设计，衣服背部贴标签方式，缩小追踪区域。 实时性算法(难点)。
基于AGV的目标检测与追踪文献综述 的目标检测与追踪文献综述 基于
周凯
1目录Leabharlann AGV概述 AGV目标检测 AGV目标追踪 研究展望 参考文献
2
1.AGV概述 按照导引原理的不同，分为外导式和自导式两大 类型[1]。
1）外导式 外导式（固定路径导引）：是在运行路线上设置导 外导式 向信息媒介，如导线、色带等，由于车上的导向传感 器检测接收到导向信息（如频率、磁场强度、光强度 等），再将此信息经实时处理后用以控制车辆沿运行 线路正确地运行。 2）自导式 自导式（自由路径导引）：采用坐标定位原理，即 自导式 在车上预先设定运行作业路线的坐标信息，并在车辆 运行时，实时地检测出实际的车辆位置坐标，再将两 者比较、判断后控制车辆导向运行（激光导引、视觉 导引）。
国外研究较多 Nobutaka Hirai et al.[18]提出人体追踪类型AGV，主要根据人体 特征识别肩膀和后背，达到追踪的目的。
14
3.AGV目标追踪
追踪方法研究
Meanshift Kalman Filter Bayes Filter Partical Filter 结合算法
15
Meanshift
陈祖爵等20076在混合高斯模型基础上在模型更新中引入了加速因子和合理性反馈使得模型能更快更准确地反应真实的背刘静等20107提出一种混合高斯模型背景法与三帧差分法相结合的运动目标检测新算法对目标区域和背景区域进行不同的混合高斯背景模型的更新策略提高了模型的收敛速度达到了实102agv目标检测静态背景的动态目标检测技术光流法光流场不同于运动场光流通过亮度表观运动反应实际的目标运比较著名的有hornschunck光流法8和lucaskanade9光流法前者为致密光流对图像每个像素点进行检测后者为稀疏光流部分检测
7
2.AGV目标检测
静态背景的动态目标检测技术（背景建模）
Haritaoglu I. et al.(2000)[2]运用已有背景与检测到的背景进行差分 ，从而检测出交通监控过程中的运动目标，并按时段进行背景更 新。 如果事先不知道背景，可以用著名的高斯模型进行背景建模，高 斯模型分为单一高斯模型（Christopher W.et al(1997)[3]）和混合高 斯模型（Stauffer C.et al.(1999)[4]），与帧间差分算法结合起来发 展了很多新的算法。
8
YANG Jun et al.(2009)[5]改进了单高斯模型利用均值法初始化背景 模型,引入判断值进行背景更新,从而解决了目标物体停止而造成的 误检测为背景，也抑制了非背景物体造成的干扰。 陈祖爵等(2007)[6]在混合高斯模型基础上，在模型更新中引入了 加速因子和合理性反馈使得模型能更快、 更准确地反应真实的背 景。 刘静等(2010)[7]提出一种混合高斯模型背景法与三帧差分法相结 合的运动目标检测新算法，对目标区域和背景区域进行不同的混 合高斯背景模型的更新策略，提高了模型的收敛速度，达到了实 时性。
11
Robert Collins et al.( 2006)[11]使用一个全局运动模型（仿射或投影） 来估计两帧之间的背景运动。用标准化的互相关匹配两帧之间的 Harris角点来计算稀疏流。给定两帧之间的一组有潜力的对应角点， 采用Random Sample Consensus（RANSAC）算法从得到的偏移矢量中 鲁棒估计出全局运动参数。 Dongxiang Zhou et al.(2009)[12]在此基础上将David G.Lowe(1999， 2004)[13,14]提出的SIFT特征点来代替Harris角点，并与传统的光流法 进行了比较，从而得到了很好的检测效果。 安博(2009)[15]将基于预测的灰度投影法动态背景补偿与基于梯度阈值 的LK-HS光流法相结合，进行了运动目标的检测。 Gilles Aubert et al.( 2001)[16]在获得摄像机的运动参数后，运用基于区 域的主动轮廓模型(ACM)，得到了运动目标的边界，从而分割出运动 目标。
5
1.AGV概述
激光导引
路径的周围安装位置精确的激光反射 板，AGV发射激光束，采集反射的激 光束，确定位置和方向，通过连续的 三角几何运算来实现AGV的导引。 优点：定位精度高；地面无需其他辅 助定位；路径灵活，变更方便；适合 多种环境；适应复杂路径和狭窄通道； 系统兼容性和扩展性好。 缺点：价格较贵；扫描头需较高位置。 近年来，国内及欧洲优先采用。
16
Collins(2003)[25]将尺度空间和Meanshift算法相结合解决了核函数带宽 实时变化的目标跟踪。 彭宁篙，杨杰(2005)[26]使用角点与Meanshift算法进行结合，增强了 对目标缩放的追踪能力。 林庆等(2009)[27]将多尺度空间理论与Kalman滤波器相结合，利用 Kalman滤波器对尺寸变化的目标面积比例进行预测的方法提出目标自 适应的跟踪算法。 颜佳等(2009)[28] 基于Meanshift算法,采用跟踪窗口内协方差矩阵主分 景分析法来计算跟踪目标的方向和尺寸大小。 黄家祥等(2009)[29]将Meanshift中的迭代步长进行了改进，提出了自 适应步长方法，从而增加了收敛速度。
9
2.AGV目标检测
静态背景的动态目标检测技术（光流法）
光流场不同于运动场，光流通过亮度表观运动反应实际的目标运 动。 比较著名的有Horn-Schunck光流法[8]和Lucas-Kanade[9]光流法， 前者为致密光流，对图像每个像素点进行检测，后者为稀疏光流 ，部分检测。光流法可以同时用于静态背景和动态背景两种情况 下的目标检测中，目前的研究集中于光流法与其他算法的结合上 。