亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于深度學(xué)習(xí)的空間站艙內(nèi)服務(wù)機器人視覺跟蹤

        2018-11-03 03:49:26王兆魁
        上海航天 2018年5期
        關(guān)鍵詞:航天員受試者邊界

        張 銳,王兆魁

        (1.國防科技大學(xué) 空天科學(xué)學(xué)院,湖南 長沙 410073; 2.清華大學(xué) 航天航空學(xué)院,北京 100084)

        0 引言

        空間站長期在軌維護和復(fù)雜科學(xué)研究的實施主要依賴航天員來完成。航天員在軌可用的工作時間通常非常有限。為了輔助航天員,提升其工作效率,國際上提出了多個艙內(nèi)輔助機器人項目,如PSA[1]、Astrobee[2]、Smart Spheres[3]、Int-Ball等。這些機器人多采用遙控方式運行,其自主運行及人機智能交互能力存在一定局限性,需要航天員在軌照料。為發(fā)展更自主的艙內(nèi)跟隨服務(wù)機器人,提升機器人的任務(wù)輔助能力,需要解決機器人對航天員的視覺跟蹤問題。

        指定服務(wù)航天員的穩(wěn)定、準(zhǔn)確跟蹤需要獲得良好的航天員檢測結(jié)果。人體檢測[4]方法通常用Haar[5]、Sift[6]、Hog[7]特征及這些特征的組合進行顯著特征提取,再用支持向量機(SVM)[7]、競爭分類器(boosted classifiers)[8]或隨機森林(random forests)[9]等分類器實現(xiàn)分類。用這些方法檢測站立或行走的人能得到較好的效果,但對于姿態(tài)多樣人體的檢測效果一般。近年來,深度學(xué)習(xí)特別是深度卷積神經(jīng)網(wǎng)絡(luò)成為解決圖像問題的主要方法。目標(biāo)檢測研究領(lǐng)域中,F(xiàn)aster R-CNN[10]、R-FCN[11]及基于回歸方法的YOLO[12]和SSD[13]模型取得了很好的效果??柭鼮V波器(Kalman filter)[14]、粒子濾波器(particle filter)[15]及概率模型(probabilistic model)[16]通常被用來完成準(zhǔn)確、連續(xù)的人體跟蹤任務(wù)。實現(xiàn)穿著多樣、姿態(tài)任意人體的穩(wěn)定跟蹤,是空間站艙內(nèi)輔助機器人實現(xiàn)對航天員跟隨飛行并提供即時任務(wù)輔助的重要前提。本文基于融合的彩色-深度(RGB-D)圖像,提出一種基于深度學(xué)習(xí)和概率模型的航天員跟蹤算法,有效避免了由于穿著相似、遮擋等可能造成的誤跟蹤問題。

        1 問題描述及跟蹤算法框架

        圖1 航天員視覺跟蹤算法框架Fig.1 Architecture of astronaut visual tracking algorithm

        2 基于深度學(xué)習(xí)的航天員檢測模塊

        2.1 航天員檢測深度卷積神經(jīng)網(wǎng)絡(luò)模型

        借鑒文獻[13]中SSD目標(biāo)檢測方法,設(shè)計了一種端到端的航天員檢測深度卷積神經(jīng)網(wǎng)絡(luò),該網(wǎng)絡(luò)包含圖像輸入層、特征提取層、多尺度預(yù)測層和非極大抑制輸出層,如圖2所示。

        輸入的待檢測圖像尺寸均調(diào)整為300×300像素,并采用VGG-16網(wǎng)絡(luò)作為特征提取層進行人體特征提取。在特征提取層上,設(shè)計了多尺度網(wǎng)絡(luò)層進行多尺度檢測。用Conv4_2、Conv5_2、Conv6_2、Conv7_2、Conv8_2、Conv9_2進行最終的多尺度檢測。

        圖2 航天員檢測深度卷積神經(jīng)網(wǎng)絡(luò)Fig.2 Deep convolutional neural network for astronaut detection

        對于分辨率300×300的輸入圖像,表1給出了各層中默認(rèn)邊界框的詳細設(shè)計參數(shù)。在6個多尺度層的每個單元上,預(yù)測相對于默認(rèn)邊界框形狀的偏差及這些默認(rèn)邊界框中是航天員的概率,共產(chǎn)生8 732個檢測結(jié)果。最終的檢測結(jié)果將通過非極大抑制算法從8 732個候選結(jié)果中求得,輸出所檢測到的位置及分類結(jié)果為航天員的概率。

        2.2 網(wǎng)絡(luò)訓(xùn)練及驗證

        為與未來在軌應(yīng)用情況盡可能保持一致,網(wǎng)絡(luò)訓(xùn)練的數(shù)據(jù)集圖像來源于在地面實驗空間站模擬艙中通過手持相機錄制或艙內(nèi)監(jiān)控攝像頭錄制的視頻。受試者在地面實驗?zāi)M艙中模擬航天員操作或行走,其衣色可為淺藍、靛藍、墨綠。從記錄的視頻中挑選出3 250幅圖像,標(biāo)注真實邊界框和分類標(biāo)簽,完成訓(xùn)練數(shù)據(jù)集的制作。網(wǎng)絡(luò)訓(xùn)練目標(biāo)損失函數(shù)定義為定位損失和置信度損失的加權(quán)和,有

        表1各層默認(rèn)邊界框設(shè)計參數(shù)

        Tab.1 Design of default bounding boxes in each layer

        (1)

        訓(xùn)練時,首先采用VGG-16訓(xùn)練好的模型參數(shù)初始化網(wǎng)絡(luò)特征層的參數(shù),并用零均值高斯分布初始化多尺度預(yù)測層參數(shù)。采用隨機梯度下降法進行迭代計算,該算法的初始學(xué)習(xí)速率為0.001,權(quán)重為0.9,正則項為0.000 5。學(xué)習(xí)速率分別在20 000,40 000和60 000次迭代時依次減小10倍。網(wǎng)絡(luò)訓(xùn)練過程共包含80 000次迭代,網(wǎng)絡(luò)采用Caffe深度學(xué)習(xí)框架實現(xiàn),并基于圖像處理單元實現(xiàn)并行加速計算。

        3 基于概率模型的航天員跟蹤模塊

        3.1 跟蹤模塊概述

        航天員跟蹤模塊流程如圖3所示。航天員跟蹤問題主要為最大化后驗概率問題,即最大化概率,此概率可通過多種因素估計。本文目標(biāo)是通過RGB-D圖像數(shù)據(jù)實現(xiàn)跟蹤,獲得RGB-D圖像數(shù)據(jù),后驗概率可描述為

        (2)

        argmaxPk(p|Li)Pk(p|Ii)

        (3)

        如果跟蹤模塊連續(xù)30次以上未得到滿足要求的檢測或跟蹤匹配結(jié)果,跟蹤過程將停止并退出。機器人將主動報警以提示失去對服務(wù)航天員的連續(xù)跟蹤,并請求重新確認(rèn)跟蹤目標(biāo)。

        3.2 空間位置預(yù)測匹配

        圖3 航天員跟蹤模塊流程圖Fig.3 Flowchart of astronaut tracking module

        為進行服務(wù)航天員的位置預(yù)測,需要獲取其相對于機器人的空間位置。選取檢測結(jié)果邊界框中心點(uman,vman)作為航天員在彩色圖像中的二維位置,如圖 4(a)所示。通過校準(zhǔn)彩色和深度相機間的視角差異,獲得融合的RGB-D圖像。用彩色和深度相機在多個視角場景下的棋盤拍攝圖像,并用GML Calibration Toolbox相機標(biāo)定軟件分別獲得彩色相機的內(nèi)參矩陣HRGB、外參矩陣RRGB和TRGB,以及深度相機的內(nèi)參矩陣HIR、外參矩陣RIR和TIR。隨后,將深度圖像中各像素點pIR與彩色圖像中各像素點pRGB進行匹配,有

        (4)

        圖像融合只針對深度與彩色圖像的視角重疊部分。完成融合后,可得彩色圖像中各像素點對應(yīng)的深度值。航天員位置深度值Zman為檢測結(jié)果框內(nèi)距離最近6個稀疏采樣點的平均深度值,如圖 4(b)所示。航天員在彩色相機中的空間位置(XRGB,YRGB,ZRGB)為

        (5)

        此處,彩色相機的內(nèi)參數(shù)矩陣HRGB通過標(biāo)定為

        (6)

        通過簡單的坐標(biāo)系旋轉(zhuǎn)和平移變換即可實現(xiàn)彩色相機坐標(biāo)系到Kinect相機體坐標(biāo)系間的轉(zhuǎn)換,如圖 4(c)所示。進而求得航天員在Kinect相機體坐標(biāo)系下的三維位置(X,Y,Z)為

        (7)

        式中:d為彩色相機中心與Kinect相機體坐標(biāo)原點間的距離,d=13 mm。獲得人體相對于相機的空間三維位置坐標(biāo)后,設(shè)計改進的卡爾曼濾波器來預(yù)測航天員在機器人體坐標(biāo)系中的空間位置。

        連續(xù)幀之間的航天員運動可視為勻速運動,因此卡爾曼濾波器采用勻速運動模型,狀態(tài)方程不包含加速度項。航天員運動可用下述測量模型進行描述:

        xk=Axk-1+wk

        (8)

        zk=Hxk+vk

        (9)

        運動模型中的狀態(tài)向量可表示為

        xk=[SkVk]T

        (10)

        式中:Sk、Vk分別為航天員在機器人體坐標(biāo)系中的位置和速度矢量,Sk=[XkYkZk],Vk=[VXkVYkVZk]。由于連續(xù)幀之間可視作勻速運動,因此可通過運動學(xué)方程獲得狀態(tài)轉(zhuǎn)移矩陣

        Sk=Sk-1+Vk×Δt

        (11)

        Vk=Vk-1

        (12)

        圖4 RGB-D圖像及相關(guān)坐標(biāo)系定義Fig.4 Images of RGB-D camera and coordinate system definition

        b1(Sk-Sk-1)

        (13)

        改進的卡爾曼濾波器包含預(yù)測和校正2個階段。預(yù)測階段表示為

        (14)

        (15)

        (16)

        (17)

        (18)

        (19)

        式中:Sk為服務(wù)航天員的測量位置值;Rthre為閾值,Rthre=30 cm。

        3.3 邊界框幾何相似匹配

        空間位置預(yù)測將航天員視為質(zhì)點模型,考慮到空間站艙內(nèi)空間有限,航天員身體尺寸不可被忽略。運動中航天員身體尺寸范圍是彩色圖像中檢測到的邊界框,如圖5所示。因此,用當(dāng)前檢測結(jié)果邊界框與跟蹤結(jié)果邊界框的幾何相似性來描述概率Pk(p|Ii)。圖5中,實線矩形框表示第k-1幀中跟蹤到的航天員邊界框,虛線矩形框表示第k幀中檢測結(jié)果的邊界框。由于連續(xù)圖像幀間航天員的姿態(tài)、空間位置變化很小,故與之前跟蹤結(jié)果邊界框距離越近、形狀越相似的檢測結(jié)果更可能是所需要跟蹤的航天員。

        圖5 彩色圖像中的檢測結(jié)果邊界框幾何相似匹配Fig.5 Geometric similarity matching of bounding box in color image

        概率Pk(p|Ii)可描述為

        (20)

        (21)

        (22)

        (23)

        4 實驗與結(jié)果

        為驗證本文所提出的航天員跟蹤算法,在空間站模擬艙環(huán)境中,開展了人體跟蹤實驗,并分析其結(jié)果。提出的算法基于C++語言,在Ubuntu16.04環(huán)境下實現(xiàn),通過 NVIDIA TITAN X加速計算得到63幀/s的計算速度,可支持30幀/s實驗視頻數(shù)據(jù)的實時處理。實驗視頻數(shù)據(jù)采用Kinect相機錄制,分辨率為640×480。通過2組實驗進行驗證,用墨綠色包絡(luò)框繪制出每幀圖像中跟蹤算法給出的跟蹤目標(biāo)判斷結(jié)果,驗證跟蹤算法對指定目標(biāo)準(zhǔn)確、穩(wěn)定跟蹤的能力。

        實驗一,受試者將以多種失重姿態(tài)沿1.4 m×2.0 m的方形參考路徑運動。期間,受試者將以不同的姿態(tài)和相對位置呈現(xiàn)在相機視野中,通過是否能得到連續(xù)、準(zhǔn)確的跟蹤結(jié)果來評價跟蹤算法的性能。受試者衣色可為訓(xùn)練時的3種,本實驗以最常見的淺藍色進行討論。若判斷為跟蹤目標(biāo),則對應(yīng)航天員的檢測結(jié)果包絡(luò)框?qū)⒆優(yōu)槟G色。5種姿態(tài)下的參考路徑跟蹤實驗如圖6所示。對于指定的跟蹤目標(biāo),提出的跟蹤算法始終能保持準(zhǔn)確的檢測和穩(wěn)定持續(xù)的跟蹤。

        實驗二,測試更常見的應(yīng)用情形,即機器人與所服務(wù)的航天員保持懸停或跟隨飛行并提供任務(wù)輔助??紤]一種常見情況,艙內(nèi)有2位航天員,均穿淺藍色的艙內(nèi)工作服。首先將與相機保持一定距離的受試者作為跟蹤目標(biāo),即圖7和圖8中左側(cè)的受試者。該受試者模仿在軌航天員工作和行走的多種肢體動作。與此同時,另一位受試者進入或退出相機視野。2位受試者運動相距很近,跟蹤目標(biāo)圖像可能會被受試者部分或完全遮擋。圖 7中實驗結(jié)果表明:存在相似目標(biāo)干擾情況下,跟蹤算法能對指定的左側(cè)受試者進行穩(wěn)定的跟蹤。圖8中實驗結(jié)果表明:跟蹤算法能較好地檢測相似目標(biāo)的遮擋,在指定的跟蹤受試者被其他穿著相似的受試者遮擋時,能準(zhǔn)確檢測出跟蹤目標(biāo)被遮擋,有效避免了誤跟蹤。

        圖6 不同姿態(tài)下的參考路徑跟蹤實驗Fig.6 Reference path tracking test with five different postures

        圖7 存在相似目標(biāo)干擾情況下的穩(wěn)定跟蹤實驗Fig.7 Tracking with other subject entering and moving very close to target subject

        圖8 遮擋檢測及誤跟蹤避免實驗Fig.8 Occlusion detection for avoiding mistaken tracking

        5 結(jié)束語

        航天員視覺跟蹤是空間站艙內(nèi)跟隨服務(wù)機器人實現(xiàn)航天員跟隨飛行并提供任務(wù)輔助的重要前提。本文設(shè)計了深度卷積神經(jīng)網(wǎng)絡(luò),并對穿著、姿態(tài)和手勢多樣的人體進行了檢測,結(jié)合運動信息構(gòu)建了運動預(yù)測概率模型,完成了指定人體的穩(wěn)定、持續(xù)視覺跟蹤。采用包含大多數(shù)航天員活動的視頻數(shù)據(jù)進行了算法驗證,實驗結(jié)果表明:該算法可實現(xiàn)對穿著多樣、姿態(tài)任意的人體的穩(wěn)定跟蹤,并有效避免了由于穿著類似、圖像遮擋可能造成的誤跟隨問題。本文提出的航天員跟蹤算法為空間站艙內(nèi)服務(wù)機器人實現(xiàn)對航天員的視覺跟蹤提供了較好的解決方案。該算法僅基于融合的RGB-D圖像,工程應(yīng)用時易于構(gòu)建和實現(xiàn),且算法包含的檢測和跟蹤模塊均具有很好的普適性,易于拓展到其他應(yīng)用場景,應(yīng)用到各類跟隨服務(wù)機器人中。

        猜你喜歡
        航天員受試者邊界
        寫給航天員的一封信
        軍事文摘(2023年4期)2023-03-22 08:44:26
        涉及人的生物醫(yī)學(xué)研究應(yīng)遵循的倫理原則
        涉及人的生物醫(yī)學(xué)研究應(yīng)遵循的倫理原則
        春節(jié)前寫給航天員的一封信
        軍事文摘(2022年8期)2022-05-25 13:29:16
        拓展閱讀的邊界
        涉及人的生物醫(yī)學(xué)研究應(yīng)遵循的倫理原則
        我要當(dāng)航天員
        來吧,少年航天員
        軍事文摘(2019年18期)2019-09-25 08:08:58
        涉及人的生物醫(yī)學(xué)研究應(yīng)遵循的倫理原則
        論中立的幫助行為之可罰邊界
        国产成人一区二区三中文| 国产精品黄色片在线看| 丰满熟女高潮毛茸茸欧洲视频| 扒开双腿疯狂进出爽爽爽视频| 五月天综合社区| 亚洲国产丝袜美女在线| 久久天堂一区二区三区av| 一品二品三品中文字幕| 国产在线丝袜精品一区免费| 伊人亚洲综合影院首页| 国产影片一区二区三区| 日日天干夜夜狠狠爱| 精品久久久久久国产| 国产日韩一区二区精品| 亚洲香蕉av一区二区三区| 蜜臀色欲av在线播放国产日韩| 国产自精品| 精品女同一区二区三区在线播放器| 亚洲国产精品av在线| 亚洲人午夜射精精品日韩| 国产精品大屁股1区二区三区| 久久青青草原亚洲av| 色偷偷色噜噜狠狠网站30根 | 精品少妇一区二区三区免费观| 自拍偷拍亚洲一区| 亚洲一区二区三区一区| 五月色婷婷丁香无码三级| a级毛片在线观看| 亚洲精品99久久久久久| 亚洲无人区乱码中文字幕能看| 正在播放国产多p交换视频| 国产亚洲一本大道中文在线| 激情视频在线播放一区二区三区| 久久99精品久久久大学生| 大地资源在线播放观看mv| 国产在线高清无码不卡| 中文字字幕在线中文乱码解| 国产婷婷色综合av蜜臀av| 91国在线啪精品一区| 日韩极品在线观看视频| 丁香美女社区|