【AGV小车目标识别与定位国内外研究现状文献综述4300字】

位置可以分为全局视觉导航和局部视觉导航2,全局视觉导航相机安装在场景正定位可分为识别和定位两步，首先在全局图像中识别到AGV,然后确定AGV在针对图像特征点的检测与匹配主要流程一般包括描述子提取、目标匹配。其中特征点检测为关键步骤，特征点包括角点和斑年MoravecH⁴提出的Moravec角点检测算法通过对比目标点与周围点的相似度点。1988年HarrisC等[5提出的Harris算法是对Moravec算法进行的改进，相比检测算法在工程中实际应用，2006年Rosten等[6提出FAST算法，该算法计算速性好。1999年Lowe⁷提出的SIFT算法引入尺度空间理论，有效的解决了目标旋该算法是对SIFT算法的改进，相较于SIFTAlcantarilla针对SURF和SIFT局部精度不够的问题，分别在2012年、2013年提别不好定义，因此基于深度学习的关键点提取方法较少，2015年Verdie!11提出洞现象。背景减除法是目前广泛使用的移动目标检测方法，1999年Stauffer[17]以在复杂场景下检测出运动物体。2012年Barnich¹8提出VIBE算法对单帧图像手动设计特征+分类器的识别方式首先需要手动设计特征，然后分类器对特征分类，最后通过边框回归等方式定位目标。2004年PaulViola等人19提出将人脸图像制作成Haar特征，通过AdaBoost算法对其分类实现人脸识别。2010年此目标检测的方式逐渐以基于深度学习的方式为主。2014年Girshick等[22提出R-CNN,提出区域候选框概念，在VOC2012数据集上比当时最好的算法准确率提高了17%。2015年何凯明23提出SPP-net,该网络模型基于空间金字塔池化层该网络模型结合空间金字塔池化层概念共享卷积过程，与R-CNN相比测试速度R-CNN采用RPN提取候选区域，相较于之前的SelectiveSearch方式大大提高了45fps,2020年最新的YOLO改进版本YOLOv4、YOLOv5通过大量整合计算机视觉领域的最新技术显著改善了检测性能。2016年刘伟[27]结合回归思想和anchors机制提出SSD算法，在检测速度上相较于YOLO更快，可以达到59fps。2017年Lin等人28提出RetinaNet,通过新的损失函数解决类别不均衡问题。基于深度学习的目标检测方法准确率较高，One-Stage方法可以满足实时检测的要1.2目标识别在全局视觉中应用研究现状鱼进行定位，并利用椭圆区域检测进一步提高速度和准确率[291;黄瑞民采用机器人坐标，SIFT机器人计算与模板之间的角征点速度慢的情况使用BRISK特征进行改进30]。通过模识别颜色的目标识别方式。Krajnik等通过检测移动机器人上设计的黑白圆环图案设计了一套全局视觉定位系统；电子科技大学樊帮正通过识别AGV顶部从而完成定位32]。李鹏等针对单目视觉全局定位算法复杂，提出一种识别标定的情况，并对定位方案进行了实验验证33。EmrahDönmez等人在机器人上设计机器人中应用较多381。识别标记的方式色标制作方便，多是基于颜色或形状进行识别，定位过程简单易实现，但识别结果易受光照影响，在AGV速度过快的目标检测的识别方式。通过目标检测方式对AGV进行定位，根据目标检测工业大学宁志雄通过混合高斯模型和轮廓提取完成车辆位姿的粗估，然后通过用传统图像分割和基于深度学习的图像分割方式识别机器鱼的位姿[40];段晓磊等主要针对AGV遮挡丢失问题，利用LSTM(长短期记忆网络)预测目标运动状优点缺点受光照影响小，原理简单AGV表面不能太光滑颜色、形状识别原理简单，成本低，易实基于目标检测目标检测定位准确，受光照影响小，不用对AGV做标记原理复杂，速度较慢，需要大量素材训练模型[2]SeS,DLowe,LittleJ.Globallocalizationus[5]HarrisCG,StephensMJ.Acombinedcornerand[7]LoweDG.DistinctiveImageFeaturesfromScale-[J].InternationalJour[8]BayH,TuytelaarsT,GoolLV.SURF:Speededuprobustfeat[10]AlcantarillaPF,BartoliA,DavisonAJ.KAZEFeatures[J].LectureNotesinScience,2012,7577(1):214-227.[11]VerdieY,YiKM,FuaP,etal.TILDE:ATemporallyInvariantLearneIEEE,2015.CNNFilters[C].2019IEEE/CVFInternationalConferenceonComputerVisi[13]DaniilidisK,MaragosP,ParagiosN[14]RubleeE,RabaudV,KonoligeK,IEEEInternationalConferenceon[17]StaufferC,GrimsonWel.Adaptivebackgroundmixturemodelsforreal-[21]HintonG,etal.