CN108527382A - 一种巡检机器人 - Google Patents

Abstract

本发明公开了一种巡检机器人，包括：机器人本体模块、无线通信模块、及后台服务器模块和监控模块。本发明提出的巡检机器人可用于在小区或者一些重要区域进行人体检测，利用传统算法和深度学习算法相结合，进行双重人体检测的确认，防止人体的入侵，并可以入侵人体的运动轨迹进行跟踪监测，预测路线。

Description

一种巡检机器人

技术领域

本发明属于巡检机器领域，特别是一种具有人体识别，防入侵巡检机器人。

背景技术

传统的巡检方式是保安人员在小区或者一些重要机构中，按照预定的时间和路线，进行 24小时巡逻。目前主流措施是利用红外装置，进行入侵物的检测。由于人工巡检工作量大，达不到及时性和存在间断性，因而具有一定的安全隐患。而对于红外装置，容易受到各种热源、阳光源的干扰，当环境温度和人体温度接近时，探测灵敏度明显下降，有时会造成短时失灵；另外，红外穿透力差，人体的红外辐射容易被遮挡，不易被探测器接收；另外红外探测器易受射频辐射的干扰。由于盗窃行为时有发生，发生重大盗窃行为将造成较大的损失。目前的巡检机制，耗费人工，工作量大，达不到及时性。为了减轻工作人员的劳力，加强小区或者一些重要区域的安全性，急需一种巡检系统，可以对行人进行实时双重检测确认，并有效跟踪入侵人体的路线轨迹。

发明内容

本发明为解决现有技术的上述缺陷，提供了一种室外巡检机器人，前端利用传统的行人检测HOG+SVM，然后进行预测人体跟踪，后端服务器利用深度学习Yolo V3，对前端发来的数据进行确认。双重确认后，推送消息到机器人本体模块和监控模块，机器人本体模块进行人体跟踪，能够对入侵者的进行实时检测、跟踪和报警，可以有效解决和避免盗窃事故的发生。

本发明提出了一种巡检机器人，包括：机器人本体模块、无线通信模块、及后台服务器模块和监控模块。

所述机器人本体模块包括：高清摄像头和红外摄像头；高清摄像头、红外摄像头与机器人主板相连,高清摄像头主要是，在白天进行实时的画面捕捉；红外摄像头主要是，在夜晚进行实时画面的捕捉；高清摄像头和红外摄像头把捕捉的图像实时的传给主板中的处理中心，处理中心进行实时的人体检测。当检测到人体时，机器人本体会通过无线通信模块，传到后台服务器模块。

所述无线通信模块是连接机器人本体模块和后台服务器模块的中间枢纽。；

所述后台服务器模块通过无线通信模块与机器人本体模块连接。后台服务器接到机器人本体发来的消息(机器人本体检测到人体)，会应用Yolo V3检测算法进一步进行确认；当检测到人体时，把消息传给监控模块；

所述监控模块包括电脑、对讲机和遥控设备，与后台服务器模块相连。当后台服务器模块检测确认为人体时，发给监控模块；监控模块接到后台服务器模块发来的消息，进行相应的报警，并在电脑上呈现检测到人体；对讲机主要是方便监控人员相互交流；遥控设备主要用于监控人员对机器人的遥控。；

考虑到能耗问题，机器人本体模块利用HOG+SVM进行人体检测，一旦前段机器人本体检测到人体，通过无线通信模块发送信号到后台服务器模块，并将图片传到后台服务器模块上，后台服务器模块检测到发来信号，并利用深度学习网络Yolo V3进行行人检测，当后台服务器确认是人体后，发给机器人本体模块进行人体跟踪，并同时发送给监控模块进行相应处理。

其中，所述HOG+SVM模型包括：

HOG+SVM模型的训练：机器人本体模块为了保证检测的效率，利用HOG+SVM进行实时的人体检测；首先根据检测场景情况进行实地图片拍摄，进行正负样本分类，然后进行正负样本训练；为了减少误识率，用负样本对模型进行优化；

HOG+SVM模型检测：利用上述步骤中训练好的模型进行人体检测。

本发明提出的巡检机器人中，所述Yolo V3模型包括：

Yolo V3模型的训练：通过实地拍摄和网络收集大量的正样本和负样本进行模型训练；

Yolo V3模型的检测：当前端机器人本体模块检测到人体时，主动发送数据到后端服务器模块；后端服务器模块接收到机器人本体模块发来的数据，进行该帧图像的人体检测，当确认后，后端服务器模块发送信号到前端机器人本体模块和监控模块。

本发明提出的巡检机器人中，所述人体跟踪包括：

高速KCF行人跟踪：前端机器人本体模块接收到信息后，为了能很好地了解入侵人员的走向，预测行人的踪迹和动机，系统进行人体跟踪，机器人会随着人体的走向进行跟踪拍摄，以标记行人的路线踪迹，传输到监控模块。

监控模块：工作人员对监控到的情况进行处理。

本发明利用传统算法和深度学习算法相结合，进行双重人体检测的确认。一方面由于传统算法误报率比较高，但对硬件的要求比较低，能耗比较低。另一方面深度学习算法准确率比较高，误检率比较低，但对硬件要求比较高，能耗高。因此，本发明在机器人本体模块运行传统人体检测算法，解决能耗的问题，而对于错误率交给后台服务器模块运行深度学习算法进行确认处理，解决了错误率高的问题。本发明在机器人本体模块运行人体追踪算法，并能够对入侵对象进行跟踪监测，预测路线。能够准确对行人进行检测，并有效地向监控模块推送消息。很好地解决了对入侵对象的检测及报警。

附图说明

图1为本发明室外巡检机器人系统的主要硬件组成。

图2为巡检机器人的工作流程图。

具体实施方式

结合以下具体实施例和附图，对本发明作进一步的详细说明。实施本发明的过程、条件、实验方法等，除以下专门提及的内容之外，均为本领域的普遍知识和公知常识，本发明没有特别限制内容。

本发明巡检机器人可用于室内/室外巡检，所述巡检机器人系统如图1所示，包括：

机器人本体模块、无线通信模块、及后台服务器模块和监控模块

所述机器人本体模块与机器人主板相连,高清摄像头主要是，在白天进行实时的画面捕捉；红外摄像头主要是，在夜晚进行实时画面的捕捉；高清摄像头和红外摄像头把捕捉的图像实时的传给主板中的处理中心，处理中心进行实时的人体检测。当检测到人体时，机器人本体会通过无线通信模块，传到后台服务器模块。

所述无线通信模块是连接机器人本体模块和后台服务器模块的中间枢纽。

所述后台服务器模块通过无线通信模块与机器人本体模块连接。后台服务器接到机器人本体发来的消息(机器人本体检测到人体)，会应用Yolo V3检测算法进一步进行确认；当检测到人体时，把消息传给监控模块。；

所述监控模块包括电脑、对讲机和遥控设备等，与后台服务器模块相连。当后台服务器模块检测确认为人体时，发给监控模块；监控模块接到后台服务器模块发来的消息，进行相应的报警，并在电脑上呈现检测到人体；对讲机主要是方便监控人员相互交流；遥控设备主要用于监控人员对机器人的遥控。；

其中，机器人本体模块主要包括高清摄像头和红外摄像头。考虑到能耗问题，机器人本体模块利用HOG+SVM模型进行人体检测，一旦前段机器人本体检测到人体，通过无线通信模块发送信号到后台服务器模块，并将图片传到后台服务器模块上，后台服务器模块检测到发来信号，并利用深度学习网络Yolo V3模型对人体进行确认，当后台服务器确认是人体后，发给机器人本体模块进行人体跟踪，并同时发送给监控模块进行相应处理。

其中，所述HOG+SVM模型包括：

(1)HOG+SVM模型的训练：机器人本体模块为了保证检测的效率，利用传统的HOG+SVM 进行实时的人体检测。首先根据检测场景情况进行实地图片拍摄，进行正负样本分类，然后进行正负样本训练。为了减少误识率，用负样本对模型进行优化。

(2)HOG+SVM模型检测：利用步骤(1)中训练好的模型进行人体检测。

其中，所述Yolo V3模型包括：

(1)Yolo V3模型的训练：通过实地拍摄和网络收集大量的正样本(如2万张)和负样本(如3万张)，进行模型训练。

(2)Yolo V3模型的检测：当前端机器人本体模块检测到人体时，主动发送数据到后端服务器模块；后端服务器模块接收到机器人本体模块发来的数据，进行该帧图像的人体检测，当确认后，后端服务器模块发送信号到前端机器人本体模块和监控模块。

其中，所述跟踪包括：

(1)高速KCF行人跟踪：前端机器人本体模块接收到信息后，为了能很好地了解入侵人员的走向，预测行人的踪迹和动机，系统进行人体跟踪，机器人会随着人体的走向进行跟踪拍摄，以标记行人的路线踪迹，传输到监控模块。

(2)监控模块：工作人员对监控到的情况进行相应的处理。

本发明的保护内容不局限于以上实施例。在不背离发明构思的精神和范围下，本领域技术人员能够想到的变化和优点都被包括在本发明中，并且以所附的权利要求书为保护范围。

Claims (6)

1.一种巡检机器人，其特征在于，包括：机器人本体模块、无线通信模块、及后台服务器模块和监控模块，其中，

所述机器人本体模块包括：与机器人主板相连的高清摄像头和红外摄像头；高清摄像头在白天进行实时的画面捕捉；红外摄像头在夜晚进行实时画面的捕捉；高清摄像头和红外摄像头把捕捉的图像实时的传给机器人主板中的处理中心，处理中心进行实时的人体检测；当检测到人体时，机器人本体会通过无线通信模块，传到后台服务器模块；

所述无线通信模块是连接机器人本体模块和后台服务器模块的中间枢纽；

所述后台服务器模块通过无线通信模块与机器人本体模块连接；后台服务器接到机器人本体发来的检测到人体的消息，会应用Yolo V3检测算法进一步进行确认；当确认检测到人体时，把消息传给监控模块；

所述监控模块包括：电脑，其与后台服务器模块相连；当后台服务器模块检测确认为人体时，发给监控模块；监控模块接到后台服务器模块发来的消息，进行相应的报警，并在电脑上呈现检测到人体。

2.如权利要求1所述的巡检机器人，其特征在于，所述监控门模块进一步包括：对讲机和遥控设备；所述对讲机方便监控人员相互交流；所述遥控设备用于监控人员对巡检机器人的遥控。

3.如权利要求1所述的巡检机器人，其特征在于，所述机器人本体模块利用HOG+SVM模型进行对象检测，一旦前端机器人本体检测到人体，通过无线通信模块发送信号到后台服务器模块，并将图片传到后台服务器模块上，后台服务器模块检测到发来信号，并利用深度学习网络Yolo V3进行行人检测，当后台服务器确认是人体后，发给机器人本体模块进行人体跟踪，并同时发送给监控模块进行相应处理。

4.如权利要求3所述的巡检机器人，其特征在于，所述HOG+SVM模型包括：

HOG+SVM模型的训练：机器人本体模块为了保证检测的效率，利用HOG+SVM进行实时的人体检测；首先根据检测场景情况进行实地图片拍摄，进行正负样本分类，然后进行正负样本训练；为了减少误识率，用负样本对模型进行优化；

HOG+SVM模型检测：利用上述步骤中训练好的模型进行人体检测。

5.如权利要求3所述的巡检机器人，其特征在于，所述Yolo V3模型包括：

Yolo V3模型的训练：通过实地拍摄和网络收集大量的正样本和负样本进行模型训练；

Yolo V3模型的检测：当前端机器人本体模块检测到人体时，主动发送数据到后端服务器模块；后端服务器模块接收到机器人本体模块发来的数据，进行该帧图像的人体检测，当确认后，后端服务器模块发送信号到前端机器人本体模块和监控模块。

6.如权利要求3所述的巡检机器人，其特征在于，所述人体跟踪包括：

高速KCF行人跟踪：前端机器人本体模块接收到信息后，为了能很好地了解入侵人员的走向，预测行人的踪迹和动机，系统进行人体跟踪，机器人会随着人体的走向进行跟踪拍摄，以标记行人的路线踪迹，传输到监控模块。

监控模块：工作人员对监控到的情况进行处理。