研究生開題報(bào)告.doc

學(xué)科代碼080203編號(hào)045碩士學(xué)位論文開題報(bào)告學(xué)號(hào)：152080201045研究生：衛(wèi)玉梁導(dǎo)師：靳伍銀研究員研究方向：機(jī)器視覺及圖像處理論文題目：基于視覺導(dǎo)航的智能車跟隨系統(tǒng)研究學(xué)科：機(jī)械制造及自動(dòng)化學(xué)院：機(jī)電工程學(xué)院入學(xué)時(shí)間：2015年 9月開題時(shí)間：2017年 1月13日2017年1月13日學(xué)位論文題目基于視覺導(dǎo)航的智能車跟隨系統(tǒng)研究課題來源國(guó)家自然科學(xué)基金項(xiàng)目一、 課題意義及國(guó)內(nèi)外研究現(xiàn)狀綜述1、 課題意義隨著汽車工業(yè)的迅速發(fā)展，關(guān)于智能車輛的研究越來越受人關(guān)注。智能車不僅在工業(yè)智能化上得到廣泛的應(yīng)用；運(yùn)用于智能家居中的產(chǎn)品也越來越受到人們的青睞；而且，智能車的研究也為解決道路交通安全以及交通擁堵提供了一種新的途徑1。在汽車行業(yè)快速發(fā)展的帶動(dòng)下，作為現(xiàn)代社會(huì)產(chǎn)物的智能小車也成為目前較為熱門的研究課題2。智能小車是一個(gè)集環(huán)境感知、規(guī)劃決策、自動(dòng)行駛等功能于一身的多學(xué)科高新技術(shù)的集成體，集中運(yùn)用了信息、傳感、通信、導(dǎo)航、計(jì)算機(jī)、機(jī)械設(shè)計(jì)及自動(dòng)控制等技術(shù)，是典型的高新技術(shù)綜合體3-4。因此，不論是從科學(xué)發(fā)展、理論研究的角度，還是從汽車工業(yè)發(fā)展以及市場(chǎng)競(jìng)爭(zhēng)的角度看，對(duì)智能車輛和智能小車的研究都具有很高的科學(xué)理論價(jià)值和實(shí)際意義5。智能小車作為智能車輛理論縮影與研究模型，在其快速發(fā)展的帶動(dòng)下也不斷創(chuàng)新。究其系統(tǒng)分類而言，可以簡(jiǎn)單的分為三類：遙控式、半自主式以及全自主式系統(tǒng)6。遙控式一般由人觀察并做出決策，使用遙控器與小車進(jìn)行信息的無線傳輸，從而達(dá)到對(duì)小車控制的目的，其原理相對(duì)簡(jiǎn)單，應(yīng)用于市場(chǎng)上的大多數(shù)玩具模型等。半自主式小車通常自己采集數(shù)據(jù)并處理，由核心處理芯片做出決策來實(shí)現(xiàn)其對(duì)行駛方向、啟停以及速度的控制，一般無需人為控制，是目前大多數(shù)智能小車的研究方法。第三類全自主式小車多采用嵌入式的方式，將決策層與運(yùn)動(dòng)層結(jié)合在一起，通過相應(yīng)的算法達(dá)到智能化運(yùn)動(dòng)的目的，其靈活性高、功能性強(qiáng)，但全自主式小車的性能受到硬件條件的制約呈現(xiàn)兩極化，如何平衡硬件條件以及優(yōu)化算法是目前研究的前沿 7。本文采用將決策層與運(yùn)動(dòng)層相結(jié)合的全自動(dòng)控制系統(tǒng)，在低成本的硬件設(shè)計(jì)要求下開發(fā)優(yōu)化更加高效的代碼和算法，實(shí)現(xiàn)可以快速的對(duì)周圍環(huán)境進(jìn)行信息提取并反饋給動(dòng)力系統(tǒng)從而做出相應(yīng)動(dòng)作。近年來，隨著智能化與自動(dòng)化技術(shù)的發(fā)展，智能車輛所具備的功能越來越多，所包含的技術(shù)種類也越來越豐富，而在智能車輛的相關(guān)技術(shù)中，跟蹤技術(shù)是一項(xiàng)非常有研究意義的新型技術(shù)，也是一個(gè)涵蓋了機(jī)器視覺、圖像處理以及嵌入式與微系統(tǒng)等多學(xué)科的研究課題，具有廣闊的研究前景8。根據(jù)跟蹤對(duì)象運(yùn)動(dòng)狀態(tài)的不同，可將其分為對(duì)靜止和對(duì)運(yùn)動(dòng)物體的跟蹤兩大類9。對(duì)靜止物體跟蹤一般是通過在關(guān)鍵節(jié)點(diǎn)上設(shè)置具有特定形狀、大小、顏色等突出特征的目標(biāo)物，為智能小車提供方位等引導(dǎo)信息，使之可以按照預(yù)計(jì)的路線實(shí)現(xiàn)對(duì)目標(biāo)的跟蹤10。這一方法小車所要提取和識(shí)別的信息相對(duì)較少，且節(jié)點(diǎn)周圍環(huán)境已知，因此較為容易實(shí)現(xiàn)。而對(duì)運(yùn)動(dòng)物體的跟蹤則需要提取更多的有效信息，對(duì)算法的開發(fā)設(shè)計(jì)要求更高，同時(shí)需要考慮目標(biāo)物的自身形狀、明暗程度、外圍環(huán)境在運(yùn)動(dòng)過程中所發(fā)生的改變11。例如對(duì)人體的跟蹤就是現(xiàn)代跟蹤學(xué)的一個(gè)研究熱點(diǎn)和難點(diǎn)12。而關(guān)于智能車的跟隨方案目前還沒有特別優(yōu)良穩(wěn)定的算法。因此，開發(fā)設(shè)計(jì)一種智能、高效、低成本的跟隨小車控制方案具有重要的實(shí)際意義和科學(xué)理論價(jià)值。2、 國(guó)內(nèi)外研究現(xiàn)狀2.1智能車輛的研究現(xiàn)狀國(guó)外智能車輛的研究歷史較長(zhǎng)，始于上世紀(jì)50年代。1954年美國(guó)Barrett Electronics 公司研究開發(fā)了世界上第一臺(tái)自主引導(dǎo)車系統(tǒng)AGVS（Automated Guided Vehicle System）13。因其可以在固定路線上運(yùn)行，并自主完成貨物運(yùn)輸，因此標(biāo)志著智能車輛的誕生14。隨后，世界主要發(fā)達(dá)國(guó)家對(duì)智能車輛開展了卓有成效的研究。在歐洲，普羅米修斯項(xiàng)目開始在這個(gè)領(lǐng)域的探索；在美洲，美國(guó)成立了國(guó)家自動(dòng)高速公路系統(tǒng)聯(lián)盟（NAHSC）；在亞洲，日本成立了高速公路先進(jìn)巡航/輔助駕駛研究會(huì)15。至此，智能車輛進(jìn)入了深入、系統(tǒng)、大規(guī)模研究階段。其中，美國(guó)卡內(nèi)基.梅隆大學(xué)（Carnegie Mellon University）機(jī)器人研究所一共完成了Navlab系列的10臺(tái)自主車（Navlab1Navlab10）的研究，取得了顯著的成就16。近年來，國(guó)外智能車技術(shù)依然保持快速發(fā)展，2010年由德國(guó)國(guó)防大學(xué)研制成功的高速公路自主駕駛車VaMoRS在行駛速度上突破150km/h，隨后又由奧迪等公司將其不斷刷新至最高可達(dá)240km/h的速度。2012年5月，谷歌公司研發(fā)的自動(dòng)駕駛汽車拿到了美國(guó)首個(gè)自動(dòng)車輛許可證。2016年3月聯(lián)合國(guó)頒布國(guó)際道路交通公約：“在全面符合聯(lián)合國(guó)車輛安全管理?xiàng)l例情況下，將駕駛車輛的職責(zé)交給自動(dòng)駕駛技術(shù)可以應(yīng)用到交通運(yùn)輸當(dāng)中” 17。這意味著在不久的將來，自動(dòng)駕駛智能車輛將真正的走進(jìn)大眾的生活。相比于國(guó)外，我國(guó)開展智能車輛技術(shù)方面的研究起步較晚，開始于20世紀(jì)80年代。而且大多數(shù)研究處在于針對(duì)某個(gè)單項(xiàng)技術(shù)研究的階段。但是也取得了一系列的重要成果：中國(guó)第一汽車集團(tuán)公司和國(guó)防科技大學(xué)機(jī)電工程與自動(dòng)化學(xué)院于2003年研制成功我國(guó)第一輛自主駕駛轎車；2016年3月由中國(guó)電子科技大學(xué)研制成功的中國(guó)第一代警用標(biāo)準(zhǔn)巡邏原型車，可以在120公里/小時(shí)的速度下，自動(dòng)捕獲方圓60米視野內(nèi)的人臉，識(shí)別其性別、年齡，并可與已有人臉庫(kù)進(jìn)行比對(duì)分析，按人員特征進(jìn)行篩選識(shí)別，對(duì)可疑人員做出警報(bào)提示；2016年4月，由長(zhǎng)安公司自主研發(fā)的無人駕駛汽車，從重慶開往北京，歷時(shí)6天，測(cè)試總里程超過2000公里。智能小車相對(duì)于智能車輛而言，其研究成本更低、拓展性更強(qiáng)、普及率更廣。因此對(duì)于智能小車的研究具有很高的實(shí)際意義和科學(xué)理論價(jià)值。2016年05月08日Puma聯(lián)合NASA、麻省理工的機(jī)器人工程師及研究人員，開發(fā)出一款基于Arduino平臺(tái)，能夠通過智能手機(jī)精確控制行駛速度和距離，名為Beatbot的競(jìng)速機(jī)器人，它可以自動(dòng)識(shí)別跑道并跟上運(yùn)動(dòng)員的步伐，速度甚至可以超越奧運(yùn)冠軍博爾特。而我國(guó)很多高校、研究所研發(fā)設(shè)計(jì)的智能小車普遍能夠?qū)崿F(xiàn)循跡、避障、檢測(cè)貼片、尋光入庫(kù)、避崖等功能，更有的增設(shè)許多其他功能，例如在近幾屆的電子設(shè)計(jì)大賽中，智能小車又在向聲音控制、無線定位以及視頻傳輸與物體識(shí)別等方向發(fā)展，其中較為出名的飛思卡爾智能小車更是走在前列18-19。但是智能小車在對(duì)目標(biāo)識(shí)別與跟蹤方面，多數(shù)設(shè)計(jì)方案采用的均為紅外、超聲波傳感器對(duì)距離的測(cè)量來實(shí)現(xiàn)目的識(shí)別，所使用的方法較為單一。本文采用了基于單目視覺的視頻采集與圖像處理技術(shù)對(duì)目標(biāo)物進(jìn)行智能的篩選與分析，較之于傳統(tǒng)的紅外以及超聲波測(cè)距識(shí)別更為直觀、準(zhǔn)確并且適用范圍更廣、容錯(cuò)率更高20。對(duì)于智能車輛目標(biāo)識(shí)別與自動(dòng)駕駛技術(shù)的研究具有一定的參考意義。2.2跟蹤技術(shù)研究現(xiàn)狀常用的跟蹤的方法有很多種，如基于紅外、超聲波等測(cè)距傳感器、基于視頻圖像的視覺傳感器、基于射頻識(shí)別RFID(Radio Frequency Identification)技術(shù)、基于全球定位系統(tǒng)GPS(Global Positioning System)導(dǎo)航及無線電定位與導(dǎo)航等21-22。本文所采用的視覺跟蹤方法相對(duì)于其他的幾種方法是最直觀也是最困難的，它需要利用攝像機(jī)來獲取外部環(huán)境的圖像信息并將之轉(zhuǎn)換成數(shù)字信號(hào)，通過PC機(jī)、微處理器或者其他嵌入式系統(tǒng)來實(shí)現(xiàn)對(duì)信號(hào)的采集與傳輸23。并對(duì)獲取視頻中一幀或者多幀圖像的處理分析，從而幫助小車完成對(duì)周圍環(huán)境信息的了解，這些信息通常包括物體的形狀、姿態(tài)、位置、運(yùn)動(dòng)等，從其中篩選目標(biāo)信息進(jìn)行描述、存儲(chǔ)、傳輸和處理，進(jìn)而做出相應(yīng)動(dòng)作24。實(shí)現(xiàn)目標(biāo)跟蹤極為關(guān)鍵的部分在于對(duì)目標(biāo)物的識(shí)別與定位，目標(biāo)識(shí)別與定位是衡量整個(gè)跟蹤技術(shù)水平高低的標(biāo)桿25。目標(biāo)識(shí)別是運(yùn)用圖像處理技術(shù)對(duì)所要跟蹤的目標(biāo)與其背景進(jìn)行分離的操作26?，F(xiàn)有的視覺跟蹤算法根據(jù)被跟蹤對(duì)象信息使用情況的不同，可大致分為基于對(duì)比度分析的目標(biāo)跟蹤、基于匹配的目標(biāo)跟蹤和基于檢測(cè)的目標(biāo)跟蹤等27。基于對(duì)比度分析的目標(biāo)跟蹤算法的思想是利用目標(biāo)與背景在對(duì)比度上的差異來提取、識(shí)別和跟蹤目標(biāo)28。這類算法按照跟蹤參考點(diǎn)的不同又可分為邊緣跟蹤、形心跟蹤和質(zhì)心跟蹤等29。基于匹配的目標(biāo)跟蹤算法是通過提取目標(biāo)特征來進(jìn)行識(shí)別，即是通過一種變換或者編碼的方式，將數(shù)據(jù)從高維的原始特征空間經(jīng)過映射，變換到低維空間來表示。目標(biāo)特征包括幾何形狀、子空間特征、外形輪廓和特征點(diǎn)等30。其中特征點(diǎn)檢測(cè)是匹配算法中常用的方法，其特性是不隨光照和照相機(jī)視角的改變而改變。常用的特征點(diǎn)包括Moravec特征，Harris、Tomasi(KLT)和SIFT31-32等特征。基于運(yùn)動(dòng)檢測(cè)的目標(biāo)跟蹤算法是通過檢測(cè)序列圖像中目標(biāo)和背景的不同運(yùn)動(dòng)來發(fā)現(xiàn)目標(biāo)存在的區(qū)域，其具有檢測(cè)多個(gè)目標(biāo)的能力，可用于多目標(biāo)的檢測(cè)跟蹤，這類檢測(cè)方法主要有幀間圖像差分法、背景估計(jì)法、能量積累法、運(yùn)動(dòng)場(chǎng)估計(jì)法等。其中基于Camshift算法和基于流光法的目標(biāo)跟蹤是這一類目標(biāo)跟蹤方法的代表性算法33-34。近年來，對(duì)于視覺跟蹤技術(shù)的研究，國(guó)內(nèi)外眾多學(xué)者也是不斷提出各種新的思路和想法：Mansouri采用水平集方法進(jìn)行輪廓跟蹤，用于半徑為r的環(huán)形鄰近的完整目標(biāo)區(qū)域內(nèi)窮盡搜索每個(gè)像素計(jì)算流失量；江曉蓮、李翠華、李雄宗提出的基于視覺顯著性的兩階段采樣突變目標(biāo)跟蹤法35；董文會(huì)等人提出將融合顏色直方圖和SIFT特征檢測(cè)相結(jié)合的自適應(yīng)分塊目標(biāo)跟蹤法36。Michael Kass、Andrew Witkin等人第一次提出了主動(dòng)輪廓模型，設(shè)計(jì)了這樣一種能量函數(shù)：其局部極值組成了可供高層視覺處理進(jìn)行選擇的方案，從該組方案中選擇最優(yōu)的一種是由能量項(xiàng)的迭加來完成37。視覺識(shí)別跟蹤的算法種類繁多，總體上可大致分為基于模型的跟蹤、基于區(qū)域的跟蹤、基于活動(dòng)輪廓的跟蹤和基于特征的跟蹤四種38。本文將通過實(shí)際實(shí)驗(yàn)對(duì)各類跟蹤算法的優(yōu)缺點(diǎn)進(jìn)行調(diào)研和比較，結(jié)合實(shí)際硬件條件，開發(fā)并優(yōu)化在本方案上運(yùn)行最理想、跟蹤效果最好的程序及算法。二、課題研究目標(biāo)、研究?jī)?nèi)容和擬解決的關(guān)鍵性問題1、研究目標(biāo)（1）實(shí)現(xiàn)視頻圖像信息的實(shí)時(shí)采集與傳輸；（2）基于圖像處理技術(shù)對(duì)視頻圖像進(jìn)行分析與處理，快速識(shí)別目標(biāo)物體并準(zhǔn)確定位；（3）實(shí)現(xiàn)無人控制的自主跟隨運(yùn)動(dòng)，在運(yùn)動(dòng)過程中智能避障并實(shí)時(shí)傳輸各類信息顯示到PC端的上位機(jī)界面；2、研究?jī)?nèi)容本課題通過基于單目視覺的視頻采集及圖像處理技術(shù)，對(duì)具有規(guī)定特征的目標(biāo)物體進(jìn)行識(shí)別與跟蹤，擬將重點(diǎn)研究以下三個(gè)方面的內(nèi)容39：（1） 基于STM32的小車實(shí)驗(yàn)平臺(tái)搭建就所要實(shí)現(xiàn)的目的搭建小車實(shí)驗(yàn)平臺(tái)?？傮w上可分為包括車體架構(gòu)、信號(hào)采集系統(tǒng)和運(yùn)動(dòng)控制系統(tǒng)三個(gè)主要部分的設(shè)計(jì)與開發(fā)。其中車體架構(gòu)包括直流電機(jī)、步進(jìn)電機(jī)及舵機(jī)的選用與安裝、各類電機(jī)驅(qū)動(dòng)的優(yōu)劣比較、電池電源以及穩(wěn)壓模塊的合理選擇等。信號(hào)采集系統(tǒng)由攝像頭、紅外傳感器、超聲波傳感器以及無線模塊等構(gòu)成，主要完成對(duì)外部信號(hào)的實(shí)時(shí)采集與傳輸40。控制系統(tǒng)采用以STM32F1系列芯片為核心的控制開發(fā)板，實(shí)現(xiàn)對(duì)視頻圖像及其他信息的處理。合理分配與利用I/O接口驅(qū)動(dòng)各個(gè)模塊正常運(yùn)作，通過對(duì)電機(jī)的控制，達(dá)到對(duì)小車總體的運(yùn)動(dòng)控制；開發(fā)相應(yīng)上位機(jī)，使整個(gè)跟蹤系統(tǒng)更為完善，通過無線模塊將小車的實(shí)時(shí)信息傳送到PC端，從而實(shí)現(xiàn)對(duì)小車跟蹤狀況的遠(yuǎn)程監(jiān)測(cè)，以及在特殊情況下可以對(duì)小車進(jìn)行人工控制41。（2） 基于圖像處理的算法優(yōu)化及代碼開發(fā)在小車實(shí)驗(yàn)平臺(tái)的基礎(chǔ)上，完成對(duì)現(xiàn)有跟隨方式的調(diào)研，對(duì)上文中各類算法的優(yōu)缺點(diǎn)進(jìn)行分析與比較，重點(diǎn)分析基于單目視覺的小車導(dǎo)航算法42。對(duì)自主跟隨小車的算法進(jìn)行模擬與仿真，結(jié)合實(shí)際進(jìn)行優(yōu)化與改善。通過編寫對(duì)小車控制的代碼工程文件，將理論算法固化并應(yīng)用于小車控制系統(tǒng)當(dāng)中。以基于對(duì)比度分析跟蹤中的質(zhì)心跟蹤算法優(yōu)化過程為例。質(zhì)心法跟蹤基于如下數(shù)學(xué)原型：其中為圖像的灰度值，取值范圍為0-255，、分別為各像素點(diǎn)的橫縱坐標(biāo)，、分別為質(zhì)心的橫縱坐標(biāo)。小車對(duì)攝像頭將拍攝到的圖像進(jìn)行灰度化處理，再將灰度圖像二值化。通過計(jì)算二值圖像的像素平均值來尋找像素質(zhì)心點(diǎn)，從而確定目標(biāo)位位置。此跟蹤方法計(jì)算量少、實(shí)時(shí)性高，缺點(diǎn)是容易受噪聲干擾，在背景不均勻的情況下，容易出現(xiàn)誤差。雖然小車系統(tǒng)導(dǎo)航提取的是方位信息，并不需要精確的坐標(biāo)結(jié)構(gòu)，有一定的容錯(cuò)率43。但是為了提高跟隨的準(zhǔn)確性、增強(qiáng)系統(tǒng)的抗干擾能力，需要對(duì)現(xiàn)有算法進(jìn)行優(yōu)化處理。優(yōu)化思路為：結(jié)合其他的目標(biāo)識(shí)別方法以及改進(jìn)目標(biāo)跟蹤函數(shù)等。例如在獲取質(zhì)心位置前，使用基于輪廓匹配的輪廓檢測(cè)方法進(jìn)行預(yù)處理：提取灰度信息之后對(duì)圖像進(jìn)行濾波去除系統(tǒng)中雜散光干擾，剔除隨機(jī)噪聲；再通過對(duì)單幀圖像中目標(biāo)物體輪廓的檢測(cè)，篩選出目標(biāo)物所處的大概位置，縮小目標(biāo)在背景中的區(qū)域范圍；最后對(duì)灰度圖取反，利用重心法求取圖像的質(zhì)心位置，從而對(duì)小車的運(yùn)動(dòng)方向進(jìn)行導(dǎo)航44。（3） 實(shí)驗(yàn)驗(yàn)證與方案優(yōu)化在小車實(shí)驗(yàn)平臺(tái)成功運(yùn)行的基礎(chǔ)上，開發(fā)相應(yīng)上位機(jī)并進(jìn)行實(shí)驗(yàn)驗(yàn)證。通過對(duì)不同目標(biāo)物在不同的環(huán)境下進(jìn)行跟隨實(shí)驗(yàn)，分析比較跟蹤效果，總結(jié)算法的跟蹤特點(diǎn)與要求；將相應(yīng)算法優(yōu)化處理后對(duì)同種目標(biāo)物在相同環(huán)境下進(jìn)行跟隨實(shí)驗(yàn)，比較優(yōu)化前后跟蹤狀況，是否達(dá)到提高跟蹤效果、增強(qiáng)抗干擾能力等目的。在充分多的試驗(yàn)次數(shù)下，收集并記錄實(shí)驗(yàn)數(shù)據(jù)、分析誤差來源、優(yōu)化跟蹤算法、提高跟蹤效率，完成對(duì)基于視覺導(dǎo)航的低成本、高準(zhǔn)確度和較強(qiáng)抗干擾能力智能跟隨小車的實(shí)現(xiàn)。3、 擬解決的關(guān)鍵問題課題通過采集并實(shí)時(shí)的對(duì)視頻圖像進(jìn)行處理與分析，以期能對(duì)設(shè)定的目標(biāo)進(jìn)行識(shí)別并準(zhǔn)確跟蹤。在具體的研究過程中擬解決如下幾個(gè)關(guān)鍵問題：（1）實(shí)驗(yàn)平臺(tái)搭建實(shí)驗(yàn)平臺(tái)的優(yōu)劣與否會(huì)對(duì)實(shí)驗(yàn)效果及結(jié)論產(chǎn)生很大的影響，其中包括車身結(jié)構(gòu)的選用，驅(qū)動(dòng)方式以及系統(tǒng)電路的設(shè)計(jì)、硬件的連接等。由于車體架構(gòu)的不同，小車在實(shí)際運(yùn)動(dòng)過程中攝像機(jī)以及其他傳感器的工作穩(wěn)定性差異較大，導(dǎo)致采集到的視頻圖像質(zhì)量高低不盡相同，因而增加了目標(biāo)物的識(shí)別難度，令跟蹤效果降低。因此，合理搭建小車實(shí)驗(yàn)平臺(tái)，是一個(gè)本課題將要面臨的關(guān)鍵性問題。（2）對(duì)目標(biāo)快速準(zhǔn)確識(shí)別在實(shí)現(xiàn)目標(biāo)跟蹤的過程中，對(duì)目標(biāo)的識(shí)別是極其關(guān)鍵的一步。簡(jiǎn)單的特征提取算法無法精準(zhǔn)捕獲目標(biāo)物體規(guī)定特征，造成識(shí)別不準(zhǔn)確、多目標(biāo)錯(cuò)誤識(shí)別和不識(shí)別等問題。而由于實(shí)際硬件設(shè)施的制約，過于復(fù)雜的算法會(huì)因?yàn)樘崛⌒畔⒍?、?jì)算量大導(dǎo)致系統(tǒng)運(yùn)行變慢，造成視頻采集時(shí)的丟幀或少幀等現(xiàn)象，降低了小車的運(yùn)動(dòng)的流暢性與實(shí)時(shí)性45。因此，開發(fā)設(shè)計(jì)合理的特征提取算法，結(jié)合自身實(shí)際，在系統(tǒng)運(yùn)行速度與目標(biāo)物識(shí)別效率之間尋找到最佳平衡點(diǎn)，是本課題需要解決的關(guān)鍵問題之一。（3）提高系統(tǒng)的抗干擾能力實(shí)際運(yùn)動(dòng)中，由于外界的干擾，例如目標(biāo)物所處的背景環(huán)境光線明暗的變化、目標(biāo)自身形狀發(fā)生的變化以及其運(yùn)動(dòng)軌跡的突變，都可能會(huì)造成目標(biāo)物所具有的規(guī)定特征隱藏或者不可見，使目標(biāo)短暫性的丟失或者無法準(zhǔn)確識(shí)別，從而無法繼續(xù)對(duì)目標(biāo)進(jìn)行跟蹤46。因此，如何降低外界不確定因素的干擾，提高系統(tǒng)魯棒性是一個(gè)有待且必須解決的實(shí)際問題。同時(shí)，在目標(biāo)丟失后如何快速尋找并重新拾取目標(biāo)也是需要考慮的一部分。三、擬采取的研究方法、技術(shù)路線、試驗(yàn)方案及其可行性分析1、研究方法目前，對(duì)于智能小車系統(tǒng)設(shè)計(jì)的方案有很多，但是鑒于本課題的研究目標(biāo)和所要實(shí)現(xiàn)功能，擬采用具有高性能、低成本、低功耗的嵌入式ARM Cortex-M3內(nèi)核的STM32F103ZET6處理芯片：最高工作頻率72MHz；片上集成512KB的Flash存儲(chǔ)器，64KB的SRAM存儲(chǔ)器；具備強(qiáng)大的運(yùn)算處理能力，同時(shí)擁有大量的外設(shè)I/O接口可連接和驅(qū)動(dòng)為實(shí)現(xiàn)指定功能所需的各類傳感器與外部設(shè)備47。根據(jù)前面敘述的研究?jī)?nèi)容，本課題的研究方法是將整體方案的設(shè)計(jì)開發(fā)分為硬件設(shè)計(jì)、軟件設(shè)計(jì)以及實(shí)驗(yàn)驗(yàn)證三大主要部分，具體方法如圖1所示： 圖1 研究方法示意圖在開題前進(jìn)行大量的文獻(xiàn)閱讀和資料查詢，學(xué)習(xí)并積累相關(guān)知識(shí)。首先對(duì)整體的硬件進(jìn)行設(shè)計(jì)，其中包括選擇所需要使用的各模塊種類，繪制電路圖，根據(jù)電路連接相關(guān)外設(shè)并驅(qū)動(dòng)其正常工作；再對(duì)系統(tǒng)的軟件部分進(jìn)行設(shè)計(jì)與開發(fā)，主要是識(shí)別與跟蹤代碼的開發(fā)與優(yōu)化，包括對(duì)現(xiàn)有的一些跟蹤算法進(jìn)行調(diào)研分析，比較其優(yōu)缺點(diǎn)，結(jié)合自身硬件設(shè)施采用最適宜的跟蹤思路，完成識(shí)別算法的模擬與跟蹤仿真，并根據(jù)仿真結(jié)果對(duì)算法進(jìn)行合理的優(yōu)化，開發(fā)編寫優(yōu)化后的小車識(shí)別跟蹤代碼，燒錄至小車控制主板中，完成軟件與硬件的結(jié)合；最后通過實(shí)驗(yàn)驗(yàn)證來觀察整個(gè)跟蹤系統(tǒng)的效果，試驗(yàn)前開發(fā)相應(yīng)的上位機(jī)，用來接收小車傳輸?shù)膶?shí)時(shí)畫面以及各項(xiàng)數(shù)據(jù)資料，收集處理相應(yīng)數(shù)據(jù)，分析跟蹤誤差來源并進(jìn)行誤差消除與系統(tǒng)優(yōu)化，最終完成高效、準(zhǔn)確的智能車跟隨系統(tǒng)開發(fā)。2、技術(shù)路線如圖2所示，系統(tǒng)使用STM32作為主控芯片，通過驅(qū)動(dòng)動(dòng)力、導(dǎo)航、避障、通信等模塊來實(shí)現(xiàn)整體運(yùn)作。其中動(dòng)力模塊主要包括電機(jī)與電機(jī)驅(qū)動(dòng)構(gòu)成的動(dòng)力系統(tǒng)，以及相應(yīng)的電源模塊對(duì)整體系統(tǒng)的供電；導(dǎo)航模塊是以攝像頭為核心的相關(guān)外設(shè)，用于采集所需跟蹤目標(biāo)物的視頻圖像信息，為小車提供方向指引，達(dá)到導(dǎo)航目的；避障模塊包括紅外傳感器和超聲波傳感器用來探測(cè)小車所處周圍環(huán)境信息，目的是實(shí)現(xiàn)小車在跟蹤目標(biāo)的過程中自行避開障礙物的功能，同時(shí)也為小車的導(dǎo)航信息提供一定的矯正，從而提高跟隨的實(shí)時(shí)性與準(zhǔn)確性48；通信模塊是用于實(shí)現(xiàn)小車與上位機(jī)的通信，將采集的視頻圖像和小車自身相關(guān)數(shù)據(jù)實(shí)時(shí)傳輸?shù)絇C端，便于觀察跟蹤效果以及小車運(yùn)動(dòng)情況，同時(shí)上位機(jī)應(yīng)具有對(duì)實(shí)時(shí)數(shù)據(jù)的同步處理、繪制曲線以及在特殊情況下取得對(duì)小車的控制權(quán)等功能。圖2 系統(tǒng)整體框圖圖3 目標(biāo)識(shí)別框圖如圖3所示，STM32處理器首先對(duì)采集來圖像直接進(jìn)行灰度取反、然后通過濾波處理來降低圖像中的噪聲干擾，結(jié)合了基于輪廓匹配的目標(biāo)識(shí)別算法，對(duì)目標(biāo)物體邊緣檢測(cè)并進(jìn)行輪廓識(shí)別，判斷出目標(biāo)處于圖像中的大致區(qū)域，將輪廓區(qū)域內(nèi)部的圖像信息保留用于下一步分析，輪廓區(qū)域外部的圖像信息舍去，即將該部分圖像像素值全部設(shè)為0，降低圖像的信息量，達(dá)到消除目標(biāo)背景及其他干擾因素影響的目的。再通過將輪廓內(nèi)部圖像二值化處理，得到背影統(tǒng)一且包含目標(biāo)物的二值圖像49。最后通過重心法求質(zhì)心來確定目標(biāo)的位置，反饋給控制芯片，進(jìn)而控制電機(jī)使小車運(yùn)動(dòng)繼續(xù)追蹤目標(biāo)物。3、可行分析在對(duì)于目標(biāo)識(shí)別與跟蹤的研究方向上，國(guó)內(nèi)外已經(jīng)有過許多有效可行的算法設(shè)計(jì)開發(fā)，其中包括飛行器、機(jī)器人、智能小車等各個(gè)領(lǐng)域。下面對(duì)本文的設(shè)計(jì)方案進(jìn)行可行性分析。（1） 代碼移植與固化的可行性MATLAB以及STM32的編程環(huán)境Keil MDK都是基于C語言及C+的語言基礎(chǔ)，在MATLAB仿真中的編程原理是，將圖像灰度化后的每一個(gè)像素點(diǎn)用范圍為0-255的一個(gè)數(shù)字表示，用一個(gè)數(shù)字矩陣來表示一幀圖像；而STM32也是經(jīng)過A/D轉(zhuǎn)換后利用數(shù)組矩陣的方法來實(shí)現(xiàn)對(duì)圖像的采集、傳輸與運(yùn)算。理論上可以通過再編程的方法將MATLAB仿真好的跟蹤識(shí)別代碼移植到STM32的編程環(huán)境Keil MDK中，再使用J-LINK將代碼燒錄至芯片，實(shí)現(xiàn)算法的固化50。（2） 從理論仿真到實(shí)際驗(yàn)證的可行性近年來目標(biāo)跟蹤技術(shù)發(fā)展取得了很大進(jìn)步，研發(fā)出了多個(gè)性能優(yōu)良的跟蹤器，可以在簡(jiǎn)單場(chǎng)景中實(shí)時(shí)跟蹤目標(biāo)51。應(yīng)用假設(shè)可以使跟蹤問題簡(jiǎn)單化（如平滑的運(yùn)動(dòng)、少量阻塞、光照恒定性、高對(duì)比度背景等），但這些假設(shè)在現(xiàn)實(shí)場(chǎng)景中是不存在的，限制了其在自動(dòng)化監(jiān)控、人機(jī)交互、視頻檢索、交通監(jiān)控、車輛導(dǎo)航等領(lǐng)域的應(yīng)用。同樣，本文所開發(fā)設(shè)計(jì)實(shí)際應(yīng)用的智能車跟隨系統(tǒng)同樣將面臨諸多考驗(yàn)型問題。如以下幾個(gè)跟蹤難點(diǎn)：目標(biāo)外觀隨時(shí)間而變化，即尺度變化、旋轉(zhuǎn)、超平面旋轉(zhuǎn)、光照變化引起的目標(biāo)顏色不均勻變化、非剛體形變、視角變化引起的外觀變化等；目標(biāo)背景的復(fù)雜多變；實(shí)際運(yùn)動(dòng)中相機(jī)不穩(wěn)導(dǎo)致的圖像采集模糊；完全遮擋或丟失后造成的時(shí)間不連續(xù)等52。但可以通過算法的優(yōu)化以及硬件的改良來減小上述問題的影響，達(dá)到較好的實(shí)驗(yàn)效果。（3） 系統(tǒng)優(yōu)化的可行性在前面的學(xué)習(xí)實(shí)踐中，已經(jīng)在一定程度上實(shí)現(xiàn)了多個(gè)不同功能的智能小車研發(fā)，其中包括基于51單片機(jī)的紅外遙控超聲波避障小車、基于Arduino的紅外巡線小車、基于STM32的自平衡小車以及基于安卓APP的顏色識(shí)別跟蹤小車。為本方案設(shè)計(jì)開發(fā)打下一定的基礎(chǔ)，借鑒以往的經(jīng)驗(yàn)，系統(tǒng)需要經(jīng)過硬件與軟件的雙優(yōu)化而最終達(dá)到優(yōu)良的實(shí)驗(yàn)?zāi)康?。本文中由于?shí)際運(yùn)動(dòng)的各種不確定因素都會(huì)對(duì)跟蹤效果產(chǎn)生影響，以及大量的數(shù)據(jù)傳輸與處理會(huì)導(dǎo)致在目標(biāo)跟蹤的連續(xù)性上不平滑。因此，在優(yōu)化了算法識(shí)別目標(biāo)并確定方位信息的基礎(chǔ)上，進(jìn)一步對(duì)硬件進(jìn)行優(yōu)化，采用軟件開發(fā)與硬件設(shè)計(jì)相結(jié)合的方式，增強(qiáng)系統(tǒng)的抗干擾能力，提高跟隨的實(shí)時(shí)性與準(zhǔn)確性53。在本課題開展之前，蘭州理工大學(xué)機(jī)電工程學(xué)院就智能小車?yán)碚摷皩?shí)驗(yàn)設(shè)備方面做了大量的研究，這些研究和設(shè)備為本課題的完成提供了幫助。四、課題的創(chuàng)新性(1) 以低成本的STM32F1系列小車主控板直接對(duì)圖像進(jìn)行處理分析，系統(tǒng)靈活性高、運(yùn)行速度快，實(shí)現(xiàn)低成本、高效、準(zhǔn)確的智能車跟隨系統(tǒng)開發(fā)；(2) 調(diào)研對(duì)比各類算法的優(yōu)缺點(diǎn)，結(jié)合實(shí)際運(yùn)動(dòng)情況，對(duì)相應(yīng)算法進(jìn)行優(yōu)化，提高識(shí)別與跟蹤算法的魯棒性。五、計(jì)劃進(jìn)度、預(yù)期進(jìn)展和預(yù)期成果序號(hào)類別內(nèi)容和要求起止時(shí)間1查閱文獻(xiàn)搜集資料查閱與本課題相關(guān)的期刊論文,了解國(guó)內(nèi)外研究現(xiàn)狀，對(duì)本課題有大體的方向和展望。2015.09-2015.122調(diào)查研究對(duì)與本課題有關(guān)的前沿研究成果進(jìn)行調(diào)查研究，并經(jīng)過分析、總結(jié)，對(duì)研究課題進(jìn)行初步理論探討。2015.12-2016.053軟件學(xué)習(xí)學(xué)習(xí)與課題相關(guān)的軟件，如KEIL MDK、MATLAB等。2016.05-2016.124開題報(bào)告撰寫開題報(bào)告。其內(nèi)容包括所研究課題的目的、內(nèi)容、意義、創(chuàng)新點(diǎn)、關(guān)鍵技術(shù)、實(shí)現(xiàn)方案、以及方案可行性論證等。2016.12-2017.015算法仿真在MATLAB軟件中設(shè)計(jì)目標(biāo)識(shí)別算法，利用不同目標(biāo)物體進(jìn)行相應(yīng)仿真。2017.01-2017.056實(shí)驗(yàn)驗(yàn)證搭建小車實(shí)驗(yàn)平臺(tái)，記錄實(shí)驗(yàn)數(shù)據(jù)分析誤差來源，優(yōu)化算法與程序代碼。2017.05-2017.077理論完善對(duì)以上各階段的研究進(jìn)行總結(jié)，實(shí)驗(yàn)驗(yàn)證，對(duì)出現(xiàn)的各種問題進(jìn)行分析并完善設(shè)計(jì)方案。2017.07-2017.128寫小論文至少發(fā)表論文1篇。2017.12-2018.049學(xué)位論文答辯進(jìn)一步論證，準(zhǔn)備論文答辯。2018.04-2018.05備注：本計(jì)劃在實(shí)際工作中可能會(huì)有所調(diào)整。六、預(yù)期的研究成果：1) 優(yōu)化的算法可以有效的對(duì)于目標(biāo)物體進(jìn)行特征提取并快速實(shí)現(xiàn)識(shí)別與定位；2) 實(shí)驗(yàn)驗(yàn)證中，小車可以良好的實(shí)現(xiàn)目標(biāo)物的跟隨運(yùn)動(dòng)，同時(shí)具有避障及一定的抗干擾能力；3) 在國(guó)內(nèi)核心期刊上發(fā)表科研論文1-2篇。七、與本課題有關(guān)的工作積累、已有的研究工作成績(jī)通過閱讀大量的文獻(xiàn)資料，了解課題相關(guān)內(nèi)容，掌握國(guó)內(nèi)外研究方向的最新動(dòng)態(tài)，通過調(diào)研和比較大量的目標(biāo)識(shí)別與跟蹤算法，已經(jīng)初步開發(fā)設(shè)計(jì)出對(duì)具有規(guī)定特征目標(biāo)物的識(shí)別算法，并且在MATLAB上成功的進(jìn)行了模擬與仿真。此外，再之前的學(xué)習(xí)實(shí)踐中已經(jīng)開發(fā)設(shè)計(jì)過藍(lán)牙遙控超聲波避障小車、紅外自主巡線小車以及自平衡小車等，對(duì)智能小車整體架構(gòu)較為了解。同時(shí)機(jī)電工程院各位前輩學(xué)者對(duì)智能小車方面的多年研究，在基礎(chǔ)理論和實(shí)踐中已經(jīng)取得了豐富的研究成果，對(duì)本課題也有著極為重要的借鑒和指導(dǎo)意義。八、研究經(jīng)費(fèi)預(yù)算計(jì)劃和經(jīng)費(fèi)落實(shí)情況已落實(shí)九、參考文獻(xiàn)1 李鵬勃. 基于ARM的智能車控制系統(tǒng)開發(fā)研究D. 蘭州理工大學(xué), 2013.2 段佳雷. 基于ARM的跟蹤小車的設(shè)計(jì)與實(shí)現(xiàn)D. 蘭州理工大學(xué), 2014.3 賈玉雷, 靳伍銀, 李鵬勃,等. 基于Zig Bee技術(shù)的智能車無線控制系統(tǒng)開發(fā)J. 傳感器與微系統(tǒng), 2013, 32(5).4 賈玉雷. 基于嵌入式ARM-Linux的智能車無線監(jiān)控系統(tǒng)研究D. 蘭州理工大學(xué), 2013.5 張馳. 基于機(jī)器視覺的智能控制與圖像識(shí)別問題研究D. 蘭州理工大學(xué), 2009.6 李婕.基于STM32的無線視頻監(jiān)控智能小車設(shè)計(jì)D.蘭州理工大學(xué),2014.7 虞旦. 基于單目視覺的移動(dòng)機(jī)器人室外環(huán)境下全自主智能跟隨技術(shù)研究D. 浙江大學(xué)電氣工程學(xué)院浙江大學(xué), 2009.8 張馳, 靳伍銀, 劉昊,等. 基于雙目視覺系統(tǒng)的三維目標(biāo)識(shí)別研究J. 機(jī)床與液壓, 2010, 38(1).9 厲茂海, 洪炳镕, 羅榮華,等. 基于單目視覺的移動(dòng)機(jī)器人全局定位J. 機(jī)器人, 2007, 29(2).10 Bian M M, College B V. Hardware Design of Mobile Intelligent Car Based on STM32F103J. Coal Technology, 2014.11 曾巧玲, 文貢堅(jiān). 運(yùn)動(dòng)目標(biāo)跟蹤綜述J. 重慶理工大學(xué)學(xué)報(bào)自然科學(xué)版, 2016, 30(7).12 余杰. 基于視頻的人體目標(biāo)跟蹤與識(shí)別技術(shù)研究D. 電子科技大學(xué), 2016.13 SPYROS A. REVELIOTIS. Conflict resolution in AGV systemsJ. IIE Transactions, 2000, 32(7).14 王勇, WANGYong. AGV適用性綜述J. 物流科技, 2008, 31(11).15 Huiguang L I, Jinchao L I, Guoyou L I, et al. Path identification and measurement of bi-directional AGV based on monocular visionJ. 計(jì)算機(jī)工程與應(yīng)用, 2015.16 Kumar U, Kumar A G V, Shivaramu M G, et al. An Overview of Cervical Vertebrae Fractures in Road Traffic Accident Cases-A 5 Year Study at Adichunchanagiri Institute of Medical Sciences, Mandya, KarnatakaJ. Medico-Legal Update, 2013, 13(2).17 郭景華, 李克強(qiáng), 羅禹貢. 智能車輛運(yùn)動(dòng)控制研究綜述J. 汽車安全與節(jié)能學(xué)報(bào), 2016, 7(2).18 崔陽,郭旭東,羊壽南等.基于STM32的無線智能車控制與數(shù)據(jù)采集系統(tǒng)設(shè)計(jì)J.傳感器世界,2015,21(7).19 劉磊,孫曉菲,張煜等.基于 STM32的可遙控智能跟隨小車設(shè)計(jì)J.電子測(cè)量技術(shù),2015,(6).20 鄧廣大,李占英.基于 Cortex-M3內(nèi)核的智能循跡小車設(shè)計(jì)方案J.科技創(chuàng)新與應(yīng)用,2013,(3).21 侯志強(qiáng), 韓崇昭. 視覺跟蹤技術(shù)綜述J. ActaAutomaticaSinica, 2006, 32(4).22 姚楠. 基于單目視覺的運(yùn)動(dòng)目標(biāo)跟蹤定位技術(shù)研究D. 上海交通大學(xué), 2014.23 孫彪. 基于單目視覺的運(yùn)動(dòng)目標(biāo)跟蹤定位J. 四川兵工學(xué)報(bào), 2010, 31(4).24 Guenther K W, Macintosh S, Bodegom E. Interactive system and method for shooting and target tracking for self-improvement and trainingJ. Environmental Impact Assessment Review, 2015, 25(5).25 楊慧玲. 移動(dòng)目標(biāo)跟蹤的多特征融合算法綜述J. 電子世界, 2016(12).26 黃瓊, 吳世有, 孟升衛(wèi),等. 基于超寬帶雷達(dá)的運(yùn)動(dòng)人體目標(biāo)跟蹤成像算法J. 電子學(xué)報(bào), 2011, 39(3).27 曾一民. 基于超聲波的機(jī)器人避障和目標(biāo)跟蹤方法的研究D. 電子科技大學(xué), 2008.28 閆慶森, 李臨生, 徐曉峰,等. 視頻跟蹤算法研究綜述J. 計(jì)算機(jī)科學(xué), 2013, 40(6A).29 凌超, 吳薇. 視頻圖像中運(yùn)動(dòng)目標(biāo)跟蹤算法研究綜述J. 科技資訊, 2012(16).30 汪鴻翔, 柳培忠, 駱炎民,等. 單目標(biāo)跟蹤算法綜述J. 海峽科學(xué), 2016(7).31 余靜, 游志勝. 自動(dòng)目標(biāo)識(shí)別與跟蹤技術(shù)研究綜述J. 計(jì)算機(jī)應(yīng)用研究, 2005, 22(1).32 楊威, 付耀文, 潘曉剛,等. 弱目標(biāo)檢測(cè)前跟蹤技術(shù)研究綜述J. 電子學(xué)報(bào), 2014, 42(9).33 裴志松, 時(shí)兵, PEIZhi-song,等. 智能機(jī)器人視覺障礙識(shí)別方法研究與仿真J. 計(jì)算機(jī)仿真, 2016, 33(1).34 陳佳, 朱長(zhǎng)仁, 羅賓. 一種camshift算法與brisk特征點(diǎn)相結(jié)合的運(yùn)動(dòng)目標(biāo)跟蹤方法J. 重慶理工大學(xué)學(xué)報(bào)自然科學(xué)版, 2015, 29(12).35 江曉蓮, 李翠華, 李雄宗. 基于視覺顯著性的兩階段采樣突變目標(biāo)跟蹤算法J. 自動(dòng)化學(xué)報(bào), 2014, 40(6).36 董文會(huì), 常發(fā)亮, 李天平. 融合顏色直方圖及SIFT特征的自適應(yīng)分塊目標(biāo)跟蹤方法J. 電子與信息學(xué)報(bào), 2013, 35(4).37 楊戈, 劉宏. 視覺跟蹤算法綜述J. 智能系統(tǒng)學(xué)報(bào), 2010, 5(2).38 趙運(yùn)基. 基于視覺的目標(biāo)跟蹤算法