視頻導(dǎo)航中的地圖生成、障礙檢測(cè)與行人人臉識(shí)別.pdf

1、隨著人工智能的發(fā)展，越來(lái)越多的智能設(shè)備如機(jī)器人能夠在各種場(chǎng)景代替人類工作。在安防領(lǐng)域，很多場(chǎng)景需要安防人員進(jìn)行巡邏，其中存在工作量大、危險(xiǎn)性高等問(wèn)題。這類情況下，使用機(jī)器人或無(wú)人車進(jìn)行巡邏無(wú)疑將是更好的選擇。因此，研究自主巡邏的機(jī)器人或無(wú)人車一直是人工智能領(lǐng)域的一大研究熱點(diǎn)。視頻導(dǎo)航，作為自主巡邏中的一種有效且常用的導(dǎo)航方法，是當(dāng)前研究的一大熱點(diǎn)。本文將針對(duì)視頻導(dǎo)航中存在的若干問(wèn)題展開研究，主要有:室內(nèi)導(dǎo)航中的地圖建立與自我定位、室外導(dǎo)

2、航中的障礙物檢測(cè)以及導(dǎo)航過(guò)程中可疑行人人臉的檢測(cè)與識(shí)別等。本研究主要內(nèi)容包括：
　?、裴槍?duì)室內(nèi)導(dǎo)航常用的設(shè)定路標(biāo)和導(dǎo)軌方法難于實(shí)施，適應(yīng)能力不強(qiáng)的問(wèn)題，提出了一種快速易實(shí)施的基于引導(dǎo)人地圖生成與自然路標(biāo)選取的室內(nèi)導(dǎo)航方法。該方法利用視頻幀差法以及顏色信息，檢測(cè)出引導(dǎo)人所在的位置，跟隨引導(dǎo)人行走并記錄路徑，同時(shí)在行走過(guò)程中記錄自然場(chǎng)景作為路標(biāo)，從而形成拓?fù)涞貓D，地圖建立后可以在此基礎(chǔ)上實(shí)現(xiàn)自主巡邏。由于不需要提前設(shè)定路標(biāo)和導(dǎo)軌，所以

3、易于實(shí)施，適應(yīng)性強(qiáng)。實(shí)驗(yàn)結(jié)果表明，該方法在會(huì)議室、辦公室以及實(shí)驗(yàn)室等復(fù)雜環(huán)境下平均導(dǎo)航成功率能夠達(dá)到91.5％。
　?、漆槍?duì)室外導(dǎo)航中障礙物檢測(cè)中難以區(qū)分障礙物與道路陰影和標(biāo)志線的問(wèn)題，提出了一種基于兩幀間的幾何投影模型的TCF障礙物檢測(cè)方法。該方法不需要提前對(duì)攝像機(jī)進(jìn)行人工標(biāo)定以及其他先驗(yàn)知識(shí)，利用點(diǎn)在圖像平面上投影的位置信息，通過(guò)兩連續(xù)幀間的對(duì)應(yīng)點(diǎn)的位置變化，來(lái)推斷其在實(shí)際坐標(biāo)中的高度信息，并利用高度信息區(qū)分真實(shí)障礙物和道路陰

4、影、標(biāo)志線。利用特征點(diǎn)的檢測(cè)匹配，來(lái)計(jì)算特征點(diǎn)的高度信息，從而達(dá)到實(shí)時(shí)性要求。同時(shí)，為了提高檢測(cè)準(zhǔn)確率，本文還使用了置信濾波器來(lái)降低噪聲的影響。最后，通過(guò)一種權(quán)值平均的方法來(lái)實(shí)現(xiàn)狀態(tài)的更新，并在更新的同時(shí)再一步降低噪聲、提高準(zhǔn)確率。本文方法在障礙物檢測(cè)上比常見(jiàn)的基于表征信息以及光流法等算法略高，特別是在區(qū)分障礙物與道路陰影和標(biāo)志線方面，本文算法能夠達(dá)到90％以上的準(zhǔn)確率，遠(yuǎn)遠(yuǎn)超過(guò)其他算法。
　?、轻槍?duì)TCF方法對(duì)遠(yuǎn)處障礙物的高度難

5、以估計(jì)的問(wèn)題，提出了一種基于攝像機(jī)自運(yùn)動(dòng)消除和幀差法相結(jié)合的遠(yuǎn)距離運(yùn)動(dòng)障礙物檢測(cè)方法。該方法從圖像中提取運(yùn)動(dòng)信息，對(duì)攝像機(jī)自運(yùn)動(dòng)進(jìn)行消除，然后再利用幀差法檢測(cè)遠(yuǎn)處運(yùn)動(dòng)障礙物。同時(shí)，利用一種最小邊界分割方法將障礙物區(qū)域進(jìn)行分割，能夠獲得障礙物區(qū)域的置信度，從而判斷障礙物的概率以及相對(duì)運(yùn)動(dòng)方向。實(shí)驗(yàn)結(jié)果表明，該方法對(duì)遠(yuǎn)距離運(yùn)動(dòng)障礙物檢測(cè)能夠達(dá)到90％以上的精確率與召回率。
　　⑷針對(duì)利用運(yùn)動(dòng)信息進(jìn)行障礙物檢測(cè)時(shí)容易受特征點(diǎn)檢測(cè)結(jié)果影響

6、而造成檢測(cè)誤差的問(wèn)題，提出了一種基于單幅圖像表征信息的深度學(xué)習(xí)障礙物檢測(cè)方法。該方法將圖像分塊，并利用深度網(wǎng)絡(luò)對(duì)候選塊進(jìn)行分類，從而將圖像中的障礙物區(qū)域分離出來(lái)。在深度網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程中，考慮到候選塊只具有局部信息，該方法利用局部信息與整幅圖像的全局信息相融合的方式組成深度神經(jīng)網(wǎng)絡(luò)。實(shí)驗(yàn)結(jié)果表明，該方法比其他常見(jiàn)方法在準(zhǔn)確率和召回率提升1％～15％，對(duì)于障礙物檢測(cè)，在DUSSB數(shù)據(jù)集以及本文的視頻導(dǎo)航實(shí)驗(yàn)中，最重要的召回率指標(biāo)能夠達(dá)98％

7、。
　?、舍槍?duì)傳統(tǒng)方法對(duì)導(dǎo)航視頻人臉檢測(cè)效果較差的情況，提出了一種基于人體分塊模型的人臉檢測(cè)方法。該方法受到行人檢測(cè)的人體分塊模型的啟發(fā)，考慮到巡邏視頻中行人的人臉與身體其他部位一般會(huì)被同時(shí)捕捉到的情況，按照人體分塊模型，利用深度網(wǎng)絡(luò)，學(xué)習(xí)到一個(gè)適用于巡邏視頻人臉檢測(cè)的分塊深度模型。實(shí)驗(yàn)結(jié)果表明，該方法相對(duì)于著名的Viola-Jones方法，準(zhǔn)確率和召回率都有7％～47％的非常明顯的提高。對(duì)于相對(duì)重要的召回率指標(biāo)，在NICTA數(shù)據(jù)

8、集上能夠達(dá)到67.56％，在本文的視頻導(dǎo)航實(shí)驗(yàn)中能夠達(dá)到80.87％。
　　⑹針對(duì)實(shí)際應(yīng)用中需要快速準(zhǔn)確地分析海量視頻數(shù)據(jù)，本文基于一種“海云協(xié)同”架構(gòu)開展了相關(guān)研究，提出了一種局部與全局兩種模型結(jié)合的深度網(wǎng)絡(luò)學(xué)習(xí)方法，并用于巡邏過(guò)程中的行人人臉識(shí)別。該方法利用深度網(wǎng)絡(luò)在海端學(xué)習(xí)得到局部模型，而云端通過(guò)海端上傳的局部模型以及少量的數(shù)據(jù)，重新整合調(diào)優(yōu)，得到到準(zhǔn)確度更高的全局模型。經(jīng)過(guò)整合后的云端全局模型，只利用少量數(shù)據(jù)便可以達(dá)到用所