研究目的
为解决激光测距仪(LRF)在机器人自主定位与避障中的局限性,通过集成TLD(跟踪-学习-检测)图像识别系统以增强定位与避障能力。
研究成果
将摄像头与激光测距仪集成后,成功创建了一个机器人定位与跟踪平台。尽管运行效果良好,但在物体尺寸计算和运行效率方面仍需进一步优化。未来的工作将聚焦于利用CUDA提升效率,并整合图像识别技术以提高跟踪精度。
研究不足
由于TLD操作的计算负载过重,系统会出现短暂的停滞现象,尤其是在同时跟踪多个目标时。未来的改进包括使用CUDA来提升性能,以及增加图像识别功能以提高跟踪精度。
1:实验设计与方法选择:
本研究将激光测距仪(LRF)与TLD图像识别系统相结合,以克服LRF在检测平面外障碍物和高反射率物体时的局限性。TLD系统提供目标跟踪和尺寸计算功能。
2:样本选择与数据来源:
实验装置包括安装在轮式机器人平台上的SICK LMS-100激光测距仪和微软LifeCam Cinema摄像头。
3:实验设备与材料清单:
SICK LMS-100激光测距仪、微软LifeCam Cinema摄像头、INTEL I3-3220 CPU、4G内存、EMGUCV 2.3及微软VB2008开发工具。
4:3及微软VB2008开发工具。
实验流程与操作步骤:
4. 实验流程与操作步骤:对摄像头和LRF进行校准。将图像划分为九个区域以确定目标相对于LRF扫描区域的位置。扩展TLD算法实现多目标跟踪。
5:数据分析方法:
采用Lucas-Kanade光流法进行跟踪,在TLD框架内使用PN学习进行目标检测与学习。通过摄像头焦距和图像传感器数据计算目标尺寸与距离。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容