目標(biāo)檢測與分類是機(jī)器人模塊面臨的主要挑戰(zhàn)。通航, 采摘和放置其他機(jī)器人活動(dòng)的基礎(chǔ)是識(shí)別物體的能力。下面，我們將了解機(jī)器人目標(biāo)檢測方法的應(yīng)用及發(fā)展。

　　目標(biāo)檢測發(fā)展

　　近年來，在目標(biāo)檢測方面取得了很大進(jìn)展，主要原因是機(jī)器學(xué)習(xí)方法這變得既實(shí)用又有效率。此外，新的數(shù)據(jù)表示和模型也為這項(xiàng)任務(wù)做出了貢獻(xiàn)。被機(jī)器人激活的對象檢測算法被期望檢測和分類一個(gè)對象類型的所有實(shí)例(當(dāng)這些實(shí)例存在的時(shí)候)。即使存在位置、方位、尺度、部分遮擋和環(huán)境變化作為強(qiáng)度的變化，也應(yīng)檢測出它們。

　　其他機(jī)器視覺功能的關(guān)鍵

　　目標(biāo)檢測是其他機(jī)器視覺功能的關(guān)鍵，如建立三維場景、獲取目標(biāo)的附加信息(如人臉細(xì)節(jié))以及利用視頻連續(xù)幀跟蹤其運(yùn)動(dòng)。機(jī)器人的應(yīng)用，如前面提到的，導(dǎo)航和拾取位置，可能需要更詳細(xì)的信息，從圖像.在這種情況下，可以使用額外的圖像捕獲通道。自動(dòng)導(dǎo)航機(jī)器人采用多攝像頭設(shè)置，每個(gè)攝像頭面向不同的方向.使用一組額外的圖像生成傳感器(如激光雷達(dá)和雷達(dá))。計(jì)算機(jī)視覺系統(tǒng)在目標(biāo)檢測算法.

　　對于每個(gè)對象，計(jì)算機(jī)視覺系統(tǒng)提供以下信息：定位(物體在“真實(shí)世界”中的位置和方向)、類型(檢測到對象的類型)以及附加到每個(gè)對象實(shí)例的運(yùn)動(dòng)。

　　經(jīng)典目標(biāo)檢測方法

　　經(jīng)典的目標(biāo)檢測方法包括模板匹配算法。它們中的一些使用了結(jié)構(gòu)化匹配過程：首先，識(shí)別對象部分，然后，全局匹配使用部分匹配。統(tǒng)計(jì)分類器，如神經(jīng)網(wǎng)絡(luò), 阿達(dá)博斯特, 支持向量機(jī), 海灣在存在變異的情況下，用于增強(qiáng)識(shí)別。

　　人類是一個(gè)特殊的階級(jí)，在機(jī)器人與之互動(dòng)的對象中。人面被認(rèn)為是幫助機(jī)器人識(shí)別“物體”的特殊部分。此外，機(jī)器人需要解決被識(shí)別的人體運(yùn)動(dòng)，尤其是機(jī)器人可能與之交互的部分，例如手。

　　效率在這樣的目標(biāo)檢測算法中，多分辨率模型其中，初始識(shí)別是以較低的分辨率進(jìn)行的，而選擇部分(估計(jì)目標(biāo)的位置)則利用高分辨率的子圖像進(jìn)行識(shí)別。這種子圖像的位置和尺寸可以估計(jì)從幀到幀，在視頻中，基于運(yùn)動(dòng)估計(jì)。

　　對對象的初始搜索(在圖像中)可能有幾種選擇。這些替代方案被每幾個(gè)圖像幀(視頻幀)調(diào)用，就像機(jī)器人面臨的信息可能被改變一樣頻繁。在這里，效率也是一個(gè)關(guān)鍵因素。一般框架搜索可以進(jìn)行，一個(gè)過程尋找對象存在的“提示”。當(dāng)檢測到這種“提示”時(shí)，采用了一種精細(xì)的詳細(xì)識(shí)別方法。當(dāng)然，以前圖像幀中的“提示”，即物體的估計(jì)運(yùn)動(dòng)，可以與其他“提示”一起使用。

　　機(jī)器人設(shè)備的目標(biāo)檢測方法

　　機(jī)器人設(shè)備中使用的目標(biāo)檢測方法可以根據(jù)機(jī)器視覺的性能(如何識(shí)別對象)和效率(它們需要多少時(shí)間來“理解”一幅圖像)來分類。

　　在第一組，我們發(fā)現(xiàn)升壓級(jí)聯(lián)分類器(或“粗到細(xì)”量詞)。

　　它們通過消除與某些預(yù)定義對象不匹配的圖像片段來工作。他們通常使用一組過濾器來評估測試中的片段。由于這些操作是從輕到重排序的，因此這項(xiàng)任務(wù)的效率很高

　　第二組，包括基于字典的目標(biāo)檢測算法

　　它們通過檢查圖像中單個(gè)類的存在(或缺位)來工作。因此，當(dāng)圖像環(huán)境已知時(shí)(如人或汽車交通)，預(yù)期的對象可能具有更高的優(yōu)先級(jí)和較高的檢測效率(更少的搜索)。在連接或部分遮擋對象的情況下，這里存在一些限制。在這種情況下，導(dǎo)出的位置不準(zhǔn)確。

　　第三組，基于部分對象處理

　　每個(gè)物體被描述為一組可以測量的部件。部件描述符可以使用帶有方向的漸變。使用這個(gè)參數(shù)和“粗到細(xì)”的方法可以加快這里的處理速度。

　　第四組，這個(gè)卷積神經(jīng)網(wǎng)絡(luò)算法構(gòu)成

　　這一組是當(dāng)今較有能力的，并顯示出它能夠同時(shí)處理許多類對象，并對它們進(jìn)行準(zhǔn)確的分類。因此，它比以前的小組更可靠和有效。屬于這個(gè)組的算法學(xué)習(xí)對象特性，而不是用它們編程。這種面向數(shù)據(jù)的分類器的優(yōu)點(diǎn)在于，我們需要大量的數(shù)據(jù)來實(shí)現(xiàn)它們的性能。

　　第五組，算法包括結(jié)構(gòu)化算法

　　由機(jī)器視覺模塊構(gòu)建，每個(gè)模塊專用于不同類型的檢測項(xiàng)目：對象模塊、功能模塊、文本模塊等等。每個(gè)模塊的參數(shù)都是通過培訓(xùn)來設(shè)置的。這些算法可以構(gòu)成抽象的對象檢測機(jī)器。

　　RSIP視覺具備為您的數(shù)據(jù)選擇合適的解決方案所需的所有經(jīng)驗(yàn)。今天跟我們談?wù)勀憧梢怨?jié)省寶貴的時(shí)間和資金。