2、目标检测基础：常用目标检测算法（YOLO、SSD等）简介、检测框输出格式（坐标、宽高）与置信度

在机器人目标跟随任务中，视觉感知是决策与控制的起点。机器人需要通过摄像头获取的图像，实时判断“目标在哪里”“目标是什么”“目标有多大”。这一过程的核心技术便是目标检测（Object Detection）。与图像分类不同，目标检测不仅要回答“图像中有什么”，还要回答“目标在图像中的具体位置”。本章将围绕目标检测的基础知识展开，重点讲解YOLO、SSD等主流算法的设计思想与适用场景，深入剖析检测框的输出格式（中心坐标、宽高）与置信度的物理含义，帮助学习者为后续的PID控制与丢失重搜逻辑打下坚实的感知基础。

2.1 核心原理：从分类到定位的跨越

目标检测算法的本质是在图像中同时完成“分类”和“定位”两个任务。早期的计算机视觉研究主要集中于图像分类，即判断整张图片属于哪个类别。然而，在机器人跟随场景中，仅仅知道“画面中有人”是远远不够的，机器人必须知道“人在画面的哪个位置”，才能调整自身运动方向。因此，目标检测算法引入了边界框（Bounding Box）的概念，用一个矩形框将目标物体框选出来。

从技术演进路径来看，目标检测算法主要分为两大流派：两阶段检测器与单阶段检测器。两阶段检测器的代表是Faster R-CNN，其思路是先通过区域建议网络（RPN）生成可能包含目标的候选区域，再对这些区域进行分类和边框回归。这种“先粗后精”的策略精度较高，但计算量较大，难以满足机器人实时控制的需求。单阶段检测器则跳过了候选区域生成步骤，直接在特征图上预测目标的类别和位置，代表算法包括YOLO（You Only Look Once）和SSD（Single Shot MultiBox Detector）。

YOLO的核心思想是将图像划分为S×S的网格，每个网格负责预测固定数量的边界框及其置信度。以YOLOv5为例，输入图像被划分为80×80、40×40、20×20三种尺度的网格，分别对应小、中、大目标的检测。SSD则在不同尺度的特征图上进行预测，浅层特征图保留更多细节信息，适合检测小目标；深层特征图语义信息丰富，适合检测大目标。对于机器人跟随任务，YOLO系列因其出色的速度-精度平衡，成为工程实践中的首选。

2.2 检测框输出格式：坐标、宽高与归一化

无论使用哪种检测算法，最终输出的检测框信息都遵循统一的格式约定。理解这些格式是编写控制代码的前提。常见的输出格式有两种：像素坐标格式和归一化坐标格式。

像素坐标格式直接使用图像中的像素值表示检测框位置。例如，对于一张640×480分辨率的图像，检测框可以表示为 (x_min, y_min, x_max, y_max)，即左上角和右下角的坐标。另一种更常用的表示方法是 (cx, cy, w, h)，其中 (cx, cy) 是检测框中心的像素坐标，w 和 h 分别是框的宽度和高度（以像素为单位）。这种中心点表示法在后续的PID控制中非常方便，因为机器人需要直接获取目标中心的像素位置来调整云台角度。

归一化坐标格式则将坐标值缩放到0~1之间。YOLO系列默认使用归一化格式，其计算公式为：

cx_norm = cx_pixel / image_width
cy_norm = cy_pixel / image_height
w_norm = w_pixel / image_width
h_norm = h_pixel / image_height

归一化的好处在于，当输入图像尺寸变化时，检测框的相对位置保持不变，便于模型在不同分辨率下迁移。但在实际控制中，必须将归一化坐标乘以图像宽高，还原为像素坐标后才能用于PID计算。

2.3 置信度：衡量检测结果的可信程度

置信度（Confidence）是目标检测算法输出的另一个关键参数，它表示模型对“当前边界框内确实包含目标”以及“边界框定位准确”的综合信心。在YOLO中，置信度由两部分组成：目标存在概率（Pr(Object)）和交并比（IoU）。具体计算公式为：

Confidence = Pr(Object) × IoU(pred, truth)

其中，Pr(Object) 表示网格单元内是否存在目标的概率，IoU 表示预测框与真实框的重叠程度。在实际推理时，模型还会为每个检测框输出一个类别概率向量，最终得分由置信度与类别概率相乘得到。例如，YOLOv5的输出维度为 (batch_size, num_anchors, 5 + num_classes)，其中前5个值分别为 (cx, cy, w, h, confidence)，后续为各类别的概率。

在机器人跟随任务中，置信度阈值的选择直接影响系统的鲁棒性。阈值设置过高，可能导致目标漏检（假阴性），机器人会丢失目标；阈值设置过低，则可能引入大量误检（假阳性），机器人会跟随错误的目标。通常建议将置信度阈值设置在0.4~0.6之间，具体数值需根据实际场景的光照、遮挡情况和模型训练质量进行调优。

2.4 实战场景：从检测输出到跟随控制的桥接

为了更直观地理解检测框输出如何驱动机器人运动，我们以一个具体的跟随任务为例进行拆解。假设机器人搭载的摄像头分辨率为640×480，使用YOLOv5s模型检测目标人物，模型输出以下归一化检测结果：

类别: person
置信度: 0.87
归一化中心坐标: (cx_norm=0.52, cy_norm=0.48)
归一化宽高: (w_norm=0.15, h_norm=0.35)

首先，将归一化坐标转换为像素坐标：

cx_pixel = 0.52 × 640 = 332.8
cy_pixel = 0.48 × 480 = 230.4
w_pixel = 0.15 × 640 = 96
h_pixel = 0.35 × 480 = 168

此时，机器人控制程序可以获取目标中心在图像中的位置 (332.8, 230.4)。若摄像头画面中心为 (320, 240)，则水平偏差为 332.8 - 320 = 12.8 像素，垂直偏差为 230.4 - 240 = -9.6 像素。这些偏差值将作为PID控制器的输入，驱动云台电机转动，使目标始终保持在画面中心附近。

同时，检测框的宽高信息也有重要用途。当目标距离机器人较近时，检测框的宽高值会增大；距离较远时，宽高值会减小。通过计算检测框面积的变化率，可以粗略估计目标与机器人的相对距离变化，从而控制机器人的前进速度，实现“近停远走”的跟随策略。

2.5 常见误区与总结复盘

在目标检测基础的学习和实践中，学习者常陷入以下几个误区，需要特别警惕：

• 误区一：混淆归一化坐标与像素坐标。在编写控制代码时，忘记将归一化坐标乘以图像尺寸，导致目标位置计算错误，机器人转向错误方向。解决方法是建立统一的坐标转换工具函数，并在代码注释中明确标注当前坐标类型。
• 误区二：忽视置信度阈值的动态调整。固定使用一个置信度阈值应对所有场景，导致在逆光、夜间等复杂光照条件下检测性能急剧下降。建议根据场景亮度、目标大小等特征，动态调整阈值。
• 误区三：将检测框中心直接等同于目标物理中心。当目标部分被遮挡时，检测框中心可能偏离目标的实际几何中心。此时应结合目标类别先验知识（如人体中心通常位于框的下半部分）进行修正。
• 误区四：忽略多目标情况下的匹配问题。当画面中出现多个同类目标时，仅凭置信度无法确定哪个是跟随目标。需要引入目标ID跟踪（如DeepSORT）或基于位置连续性的匹配策略。

总结而言，目标检测是机器人视觉感知的基石。理解YOLO、SSD等算法的设计哲学，掌握检测框的坐标格式与置信度含义，能够帮助开发者正确解析模型输出，为后续的PID控制和丢失重搜逻辑提供可靠的数据支撑。在下一阶段的开发中，建议学习者先在仿真环境中验证坐标转换和阈值筛选逻辑，再迁移到实体机器人上调试，这样可以大幅缩短开发周期，降低调试风险。