基于計算機視覺的輪椅跟隨系統設計

遲浩

（山東外國語職業技術大學 山東省日照市 276826）

自動跟隨電動輪椅系統的操控方式可以通過跟隨控制系統來實現，該系統現如今應用于機器人編隊和scheggi 的人機編隊控制中。研究了基于視覺和振動觸覺反饋的編隊控制機制。機器人編隊使用一臺黑暗的攝像機來檢測人體軌跡并與人類保持隊形。當人的軌道速度違反編隊控制的約束時，就會發出振動警報，直面危險。采用傳統的領隨者控制策略，需要對領跑者和跟隨者進行精確建模。它對傳感器配置、目標人的模型檢測、以及目標人的勻兌軌跡的預測等有很高的技術要求。受智能旅行箱、智能購物車等先進智能工具的啟發，提出了一種視覺跟蹤與保度圖形相結合的自動跟蹤杯形的電動車輪系統及其控制方法。通過對圖像的二維位置計算，設計了自動車輪網格控制系統，并與經典的銀色導軌從動件控制策略進行了比較。在本文中，領導運動是無證而建的。只使用村落深度彩色相機進行跟蹤定位，相機下方的海灘位置作為反饋。電動輪被控制以保持預期的人機形狀，簡化了傳統的人機編隊控制根部。視覺元素跟蹤可以消除他人的f 阻力，實現對目標跟蹤的全過程。

1 系統設計的現實背景

在當今社會中，在經濟、醫療的快速發展下，人口老齡化已經是整個世界不得不重視的問題。2020年全球老年人人口達到約9.62億，大約占總人口的12.3%，在我國65 歲以上的老年人大約占我國人口的28%，并且目前老年人的數量人處于一個快速增長的狀態。

隨著人口的老齡化，輪椅已經成了人們最普遍，需求量最大的輔助工具，截止2010年，我國腿腳不便的老年人大約就有3500 萬人左右，除此之外還有殘疾人的需求，據殘聯統計，下肢殘疾的大約就有200 萬人左右，在如此龐大的數字面前，對輪椅的設計，制造有著巨大的挑戰。

1.1 輪椅跟隨系統的研究現狀

由于現在人工智能的快速發展，智能化已經應用于生活的每一處，例如基于計算機視覺和人工高智能的輪椅跟隨系統，大大方便的特殊人士的日常生活，目前該項技術還處于研究測試階段。

在國外Kinpara，Y.Takano 等人提出設計的一種根據場景的變化從而改變輪椅的行跡的一種驅動系統。視覺傳感器主要是用于檢測身邊的事物并移動輪椅位置和方向，而且，輪椅通過激光檢測技術檢測障礙物的距離。當檢測到行駛路線上有障礙物時輪椅將停止，并且向另一個方向行駛來避開障礙物，并且可以跟隨護理人員行駛，緊隨其后。例如，當護理員在門口停車時，輪椅將等待，照顧者打開門跟在后面，避開了障礙物。

1.2 國內的研究現狀

反觀國內的計算機視覺技術與國外一些發達的國家相比，我國還有很大的差距，無論是在軟件還是硬件的技術都還相對滯后。當下，基于計算機視覺技術的輪椅已經成為國內比較關注的技術，而且人民也非常期待這樣的智能輪椅的面世，會給特殊人群的生活更加的方便因此我國正在大力推動智能輪椅的發展。

目前在國內也有先進，突出的開發人員，例如，姚拓、毛立民等人，他們設計了基于康復輪椅的智能跟隨系統。此系統使用了Kinect 視覺傳感器，使用Kinect 采集人體運動軌跡，整理為運動參數，構建人體三維模型，并對模型進行處理，識別模型的姿態，此外輪椅還對不同的手勢有著不同指令回應，但使用Kinect 視覺傳感器有著數據量大，造價高等缺點。

2 基于計算機視覺的目標檢測及跟蹤算法

在以往的目標跟隨系統屬于半自動的，需要人工選取目標作為跟隨模型，這樣難免會有人為錯誤，而且在使用該系統時要對使用人員進行培訓，學習。因此本文提出基于計算機視覺的目標檢測與跟蹤技術，先利用目標檢測技術對目標的鎖定，鎖定后啟動目標跟隨算法，同時為了避免目標丟失，本算法當長時間沒有目標鎖定是跟隨算法就會是失效并再次啟動目標鎖定算法。

2.1 基于粒子濾波的TLD跟蹤算法

TLD（TackingLearming Detection）跟蹤算法是將舊式的跟蹤算法和目標檢測算法有效結合的一種準確度高的跟蹤算法，TLD 是通過即時對目標模塊的檢測，使模塊即時更新來實現對目標的長時間的跟蹤，并且可以避免一些遮擋物對目標模型產生的影響。TLD 算法主要是由跟蹤器、學習器和檢測器構成的結構，但是由于該算法使用的是LK 光流法，所以該算法容易受到光線的干擾，降低檢測速率，這也是其最明顯的弊端。

對于上述問題，本文進行了改進，首先在算法中的改進為，將TLD 跟蹤算法改進為粒子濾波跟蹤算法。其次，由于灰度特征在穩定跟蹤方面相對比較困難，所以有本文通過對顏色，紋理，HOG 等信息的融合來實現灰度特征穩定跟隨，將多個特征進行整合實現對目標的穩定跟隨。利用代表目標與候選區域相似度的Battacharyya 系數求解顏色特征、紋理特征和HOG 特征的似然函數，公式如下：

其中ρ 代表Bhattacaryya 公式的系數，隨著ρ 的增加，目標和候選目標越相似。將公式（1）代入似然函數，得到如下公式：

M 表示要跟蹤的目標，H 表示待選擇的目標。當通過公式（1）中結果越大時，以為這H，M 的相似度越大的似然函數計算的結果越大，則意味著目標M 和候選目標H 之間的相似度越高，在同樣的場景對目標變化較大的進行跟蹤時，目標和背景差別較大的權重就大，且權重越大的特征越可靠，因此，在跟蹤的過程中，隨著場景的變化。要定義這兩個特性，計算不相同特征下的目標模型和候選目標模型的相位度，進而得到總的目標的相似性，如式：

根據式（2）計算特征區分度權值，假設目標模型為H={Hn}n=4.5.6，候選目標模型為M={Mn}n=4.5.6，背景模型為B={Bn}n=4.5.6，p1表示目標模型和候選模型的相似度，p2表示候選目標和背景的相似度，通過他們的比值得到特征區分度因子：

隨著p1 值的增加，p2 的值會減小，目標特征的區分度越高，對應特征的權重也越大，所以為了適應環境的變化要隨時更新目標的特征權重應及時更新目標的特征權重以適應跟蹤場景的變化，更新公式為：

其中Wf表示當前場景下特征f 更新后的權值，Wf-1表示上一階段該特征的權值，a 為權值更新速率，在不同的場景中自動調節特征權重能有特別跟蹤目標的自適應性。

將TLD 算法改進為粒子濾波跟蹤算法的同時也對TLD 檢測方式做了改進還運用了Markov 模型移動方向預測算法，根據目標當前的移動方向，合理預測出目標可能的移動范圍，提高檢測的效率。

在日常生活中會出現行人和別的事物的阻擋，對于這種情況別的算法會出現偏差，導致準確率的下降，而本文采用了將多特征融合和Markov 的預測方法實現即使在有事物遮擋的情況下也不會影響跟蹤的準確性，不會導致跟蹤失敗。

通常通過繪制跟蹤重疊率曲線圖來更加直觀的算法在跟蹤目標時的精度。取12 幀到30 幀和32 幀到49 幀，觀察其發生的變化，即便目標的重疊率在降低，但其跟蹤重疊率仍處于0.59，表明此時的跟蹤效果仍然很好。

2.2 系統的硬件設計

本文設計的輪椅跟車系統硬件由上機位和下機位組成。上位機又是由控制器、雙目攝像機和激光雷達傳感器組成。上位機控制器采用Raspbery Pi 第四代B 版（Raspbery Pi4.0）。覆盆子派的Wi-Fi模塊可以通過遠程調試單元將覆盆子派與PC 機連接起來。下位機由STM32 控制器、電機驅動電路、姿態傳感器和GPS 傳感器組成。

該系統通過攝像機先獲取跟蹤目標的模型信息，然后與主機進行數據交換并分析，同時激光雷達對周圍環境的信息進行采集，并上傳到上位機上對數據進行處理，處理過后再通過目標跟蹤算法和雙目定位算法獲得目標的相對位置，并通過接口傳給下機位，同時，下位機STM32 通過imax0 端口實時獲取GPS 傳感器和姿態傳感器發送的世界坐標數據和輪椅姿態信息。下位機通過提供的目標數據計算出PWM 波控制電機驅動電路圖，并控制電機的運動狀態，以實現對目標跟蹤以及避障功能。

2.3 系統軟件設計

輪椅跟隨控制部分是整個系統的核心部分，其主程序流程圖如圖14 所示，當有監護人陪同時，輪椅可以從自動跟隨模式切換到手動控制模式。工作流程如下：

（1）初始化系統；

（2）通過GPS 定位子程序，把輪椅的位置發給使用者的家人，有利于家人的尋找；

（3）有兩種模式可選，跟隨和手動控制；

（4）切換至跟隨模式時，調用跟隨子系統，通過對待目標人的檢測，判斷待檢測目標是否運動，鎖定目標人后，根據感知系統獲取目標人的相對位置，并通過預測算法，預測目標人可能運動的范圍發送給目標跟蹤模塊，這樣來完成整個跟隨過程。

（5）利用雙目測距算法確定目標的相對位置，以此來確定輪椅的移動方向和移動距離。

（6）在跟隨過程中，調用移動控制程序來執行跟隨和避障操作。

（7）如果結束，整個程序將停止，如果未完成，則可重復進行（3）-（7）的操作。

3 總結

本文設計了一種基于計算機視覺的智能輪椅跟蹤系統。通過自適應混合建模技術對目標進行檢測，其次采用TLD 目標跟蹤算法，對遮擋物以及別的干擾物進行檢索，實現穩定的目標的跟蹤，該智能輪椅系統對目標人的檢測很穩定，克服了許多不可抗因素，增強了使用者的生活便利性。