基于神经网络的四足机器人运动目标检测.docVIP

基于神经网络的四足机器人运动目标检测 　　摘要：本文基于神经网络学习对四足机器人运动过程中的图像流进行预测，在避免复杂背景建模的同时实现准确的运动目标检测。该方法通过当前图像中的光流得到向量场作为神经网络的输入，同时根据三个方向的加速度传感器获得机器人当前步态循环中的位置信息作为另输入，根据两方面信息对神经网络进行训练，输出下一幅图像的预期光流信息，根据预期图像和当前图像中的异常变化来检测环境中的运动物体 关键词：运动目标检测 光流法 神经网络 中图分类号：TP242 文献标识码：A 文章编号：1007-9416（2016）11-0084-01 1 前言 机器人在未知环境中运动时，检测出环境中的动态目标非常重要，它能为机器人提供更加详尽的信息与策略。而腿式机器人要比轮式机器人具有更多的优点，但是腿式机器人行动时相对稳定性差，使得图像背景变化的模式和规律更加复杂，对于检测环境中的运动物体带来了更大的挑战。本文提供了一种方法，使足式机器人能在较高速度下准确的检测环境中物体的移动。该方法首先不对图像进行预处理，减少了信息计算量；其次在神经网络的输出中加入了实质性的后期处理步骤；最后对得到的差异信息进行重构，从而识别出动态目标。本文提供的方法对于一个以最高速度10CM/S自由行走的机器人来说是有效的 2 外部运动检测方法 图1描述的是我们使用的算法。首先，我们需要计算图像中的光流，将得到的向量场作为神经网络的输入，同时根据从三个加速度传感器获得的机器人当前步态循环中的位置信息作为神经网络的另一个输入。根据以上两方面信息输出下一幅图像的预期光流信息。机器人对接收到的下一幅图像进行光流计算并且和神经网络的预期进行比较。用后期处理算法寻找两幅图像中不一致区域的不连续处，从而判断在图像中是否发现移动的物体 我们用自己搭建的电子狗机器人平台获得光流的训练和测试序列，并且作为一系列图形文件传输到个人计算机上进行光流计算，计算出来的光流场重新储存到硬盘中用于后来预期光流的产生和与其进行比较 利用获得的最新的光流场的图像和机器人的加速度及在整个步态中的位置，神经网络能有效的获得下一个光流场的图像。经过和获得的光流场对比，我们就能看到图像中哪一部分存在着没有预见的运动。我们用已有的光流场序列来训练这个网络，得到不同速度下的神经网络预测器 通过比较预期的和真实获得的光流场，我们能获得向量场。捕捉向量场中每个元素的梯度我们将获得一个相同大小的矩阵，称之为差异场。如果场景中由外部移动的物体，那么在差异场中就会出现急剧的不连续，通过在每个差异场中运行边缘检测算法就会检测出来 最后利用边缘检测进行后期处理，首先通过找到它的最大像素点，将和最大像素点差距大的像素点赋值为0，其他赋值为1，可以获得一个二进制版本的差异场，接下来用一个常规的边缘检测算法对二进制差异场进行分析，获得动态目标的形状 3 实验及结果 我们用自主搭建的电子狗机器人获得实验图像，电子狗的四肢和头部都有3个自由度。它的头部有一个CMOS的摄像头，1秒钟能大约能采集25幅图像。机器人尝试识别出白色背景下运动的2-3个黄色不规则目标，我们设定机器人的运动速度为10CM/S。在光流计算前，图像也会从全色转化成灰度级 机器人获得的图像和光流场由35列，27行组成。低分辨率的图像能使用一个简单的神经网络进行处理，并且使光流场计算的运行时间减少。在神经网络训练中用到了循环架构，网络有120个单位的隐藏层。网络通过数据回溯的方法进行训练，训练的数据来自于机器人在空场地的10次行进，每次行进大约由80幅连续的图片组成 多次实验证明，利用训练好的神经网络预测器，系统能正确的标定出图像中包含大部分运动的小块， 大约95%的动态图像块均被正确的标注 4 结语 本文提出了一种快速移动四足机器人检测外部动态目标的方法。通过对神经网络进行训练，系统不仅能快速准确的识别出环境中的动态目标，同时系统计算量也大幅减少。实验证明系统具有较高的可靠性 参考文献 [1]屠大维，江济良.改进的光流运动图像分析方法及其应用[J].光学精密工程，2011（05）. [2]朱克忠.基于光流法对移动目标的视频检测与应用研究[D].合肥工业大学，2007. [3]邵文坤，黄爱民，韦庆.动态场景下的运动目标跟踪方法研究[J].计算机仿真，2006（05）. [4]许涛，陈启军.四腿机器人步态参数自动进化研究与实现[J].机器人，2009（01）. [5]孙志军，薛磊，许阳明，王正.深度学习研究综述[J].计算机应用研究，2012（08）. 1