论文部分内容阅读
目前视觉系统在机器人领域得到了广泛应用,已经成为衡量机器人性能的重要标准,目标检测跟踪作为机器人视觉的关键技术之一,一直是研究的热点问题。传统的目标检测跟踪技术一般依靠单目视觉,信息量较少,无法获取目标的位置信息,而双目视觉立体匹配技术能够从一对共极线的匹配图像中获取深度信息,但是由于其计算复杂,不适合实时运算。近年来随着CUDA的问世,GPU的并行数据处理能力逐渐得到重视,因此本课题将双目视觉与GPU应用到目标检测跟踪中,提出一种基于GPU的双目视觉运动目标检测跟踪算法。首先,研究基于双目视觉立体匹配的目标检测方法。提出基于SIFT的视差图背景差分法,SIFT是一种较为稳定的特征算子,由于特征点数目有限,需要对SIFT进行区域增长,获得稠密视差图序列,之后通过均值漂移算法建立背景模型,结合最大类间方差法进行二值化阈值分割,最后对二值化图像进行形态学处理,分割出完整的目标图像。其次,研究目标检测的并行化方法。为了保证目标检测的实时性,需要利用GPU的并行计算能力,深入研究CUDA编程模型和存储器模型,在CPU+GPU异构平台上对图像预处理算法和耗时较多的SIFT立体匹配算法进行加速,对算法的并行任务进行详细划分,利用CUDA平台编程实现。然后,研究基于Kalman滤波器的改进Cam Shift目标跟踪算法。Cam Shift是基于颜色特征的跟踪算法,为保证Cam Shift的跟踪精度,对图像的颜色空间模型进行分析。针对Cam Shift算法缺少有效的运动预测模块和目标更新机制,提出将Kalman滤波器和Cam Shift算法有效结合,设计遮挡情况下的Kalman滤波器更新策略,解决目标容易丢失的问题。最后,搭建双目视觉平台对课题算法进行实验验证。在不同场景、不同条件下对算法性能进行实验分析,验证算法的可行性。实验结果表明,在近距离范围内,本文算法能够准确检测跟踪运动目标,实现目标的三维定位,定位精度满足一定的性能指标,达到了预期的实验效果。