面向人与机器人交互的目标跟踪与识别算法研究

随着服务机器人的迅猛发展,对人与机器人交互(Human-Robot Interaction, HRI)提出了更高的要求。科技的发展,特别是计算机技术和机器人技术的发展,使得HRI已经逐渐发展成为一个独立的研究领域。视觉HRI是人与机器人通过视觉传感器进行交互的技术,主要包括人的认知、人手势识别和社会交互等子课题。本文以视觉HRI中人的认知为切入点,重点研究了以人体或人脸为主要目标的视觉目标跟踪技术和人脸检测与识别技术。 本文提出了一种基于多特征融合的粒子滤波目标跟踪算法。在该算法中,采用自适应颜色直方图作为目标颜色模型,根据目标的颜色分布自适应地选择整体颜色直方图或多块颜色直方图。同时为了克服背景混淆对目标跟踪的影响,引入边缘方向特征作为目标跟踪的辅助特征,把颜色特征和边缘方向特征视为两条独立的跟踪线索,在粒子滤波框架下采用乘性融合策略实现对目标的跟踪。实验结果表明本文提出的算法不但能够提高目标跟踪的鲁棒性,而且在严重背景混淆下也能够取得不错的跟踪效果,不但能够应用在单目标跟踪场合,还能够应用在多目标跟踪场合。 针对视频人脸跟踪中状态模型和观测模型的非线性、非高斯和多模态的特点,本文提出了一种基于肤色和粒子滤波的人脸检测与跟踪算法。在该算法中,首先通过肤色模型和椭圆模板检测到人脸区域,然后采用加权颜色直方图对目标的颜色分布进行建模,从而获得更为精确的目标颜色模型,并利用巴特查理亚距离描述粒子区域和人脸区域的相似性,作为粒子滤波粒子权值更新的依据,从而实现对人脸的自动跟踪。 针对人脸识别高维、小样本问题,本文提出了一种基于二维Gabor小波和支持向量机的人脸识别算法。在该算法中,首先对输入的人脸图像进行Gabor滤波,然后对Gabor滤波输出用下采样和主成分分析进行降维处理,接着把降维后的Gabor特征向量作为支持向量机的输入进行训练得到人脸分类器。通过ORL和Yale两个人脸图像库的测试比较,表明本文提出人脸识别算法具有高识别率,并且算法复杂度低。