📚 课程目录第3章目标检测基础

3. 目标检测基础

目标检测是机器人目标跟随系统的“眼睛”，其核心任务是在图像或点云数据中定位感兴趣目标的边界框（Bounding Box）和类别标签。在ROS2框架下，检测算法需要被封装为独立的组件节点，通过话题（Topic）或服务（Service）与感知、规划、控制模块解耦通信。本章将系统梳理传统视觉方法与深度学习方法的适用边界，并给出在ROS2中集成检测算法的工程化路径。

3.1 传统目标检测方法：原理与适用场景

传统方法不依赖大规模标注数据，基于手工设计的特征与浅层分类器，在计算资源受限的嵌入式平台（如树莓派、Jetson Nano）上仍具实用价值。

3.1.1 Haar Cascade 级联分类器

核心原理：Haar特征描述图像局部灰度变化（边缘、线条、中心环绕），通过积分图快速计算。Adaboost算法迭代选择最优弱分类器，级联结构逐层拒绝非目标区域，实现快速筛选。

# ROS2中加载Haar模型示例
import cv2
from cv_bridge import CvBridge
cascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')
gray = cv2.cvtColor(cv_image, cv2.COLOR_BGR2GRAY)
faces = cascade.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=5, minSize=(30,30))

适用场景：人脸检测、简单刚体目标（如固定形状的箱子）。对计算资源要求极低，但光照变化、遮挡、旋转会导致漏检率显著上升。

3.1.2 HOG + SVM

HOG（方向梯度直方图）统计局部梯度方向分布，对目标轮廓敏感。SVM（支持向量机）在特征空间寻找最大间隔超平面。行人检测是经典应用案例。

经验提醒：HOG特征维度较高（通常3780维），在ROS2中建议使用OpenCV的HOGDescriptor预训练模型，避免自行训练时正负样本不平衡问题。

3.1.3 模板匹配

通过滑动窗口计算模板与图像子区域的相似度（如归一化相关系数NCC）。适用于目标外观固定、无尺度变化的场景（如二维码定位）。

3.2 深度学习目标检测方法

深度学习方法通过卷积神经网络自动学习特征，在复杂场景下精度远超传统方法。根据检测流程分为两阶段和单阶段两类。

3.2.1 两阶段检测器：Faster R-CNN

RPN（区域提议网络）先生成候选框，再通过ROI Pooling提取固定尺寸特征，最后进行分类和回归。精度高但推理速度慢（约5-10 FPS），适合静态场景或离线处理。

3.2.2 单阶段检测器：YOLO系列

YOLO将检测视为回归问题，一次前向传播同时输出边界框坐标和类别概率。YOLOv5/v8在工程中应用最广，支持TensorRT加速，在Jetson Orin上可达30-60 FPS。

模型	输入尺寸	mAP@0.5	推理时间(ms)	模型大小(MB)
YOLOv5s	640×640	37.4	6.3	14.4
YOLOv8s	640×640	44.9	8.7	22.5
YOLOv5m	640×640	45.4	12.1	42.0

选择建议：机器人跟随场景优先选择YOLOv5s或YOLOv8s，平衡精度与实时性。若目标类别单一（如仅人），可裁剪模型输出层减少计算量。

3.2.3 轻量化模型：MobileNet-SSD

MobileNet作为骨干网络大幅减少参数量，适合CPU推理。在树莓派4上可达15 FPS，但精度较YOLO低约10个百分点。

3.3 ROS2中集成检测算法的工程架构

ROS2的组件化设计允许将检测算法封装为独立节点，通过话题通信实现模块解耦。推荐使用rclpy或rclcpp编写节点，并利用cv_bridge完成ROS图像消息与OpenCV Mat的转换。

3.3.1 节点设计与话题定义

# 自定义消息: DetectionBox.msg
std_msgs/Header header
string class_name
float32 confidence
float32 x_min
float32 y_min
float32 x_max
float32 y_max
# 目标中心在相机坐标系下的3D位置（需结合深度）
geometry_msgs/Point center_3d

典型话题流：/camera/image_raw（传感器）→ /detection/boxes（检测结果）→ /target/pose（TF变换后）→ /cmd_vel（速度指令）。

3.3.2 集成流程（以YOLOv8为例）

模型导出：使用yolo export model=yolov8s.pt format=onnx导出ONNX格式，便于跨平台部署。
推理封装：创建YoloDetector类，加载ONNX模型，使用ONNX Runtime或TensorRT推理。
ROS2节点：订阅Image消息，在回调中调用推理接口，发布DetectionBox数组。
性能优化：使用rclpy的qos设置（如SensorDataQoS）减少延迟；多线程执行器处理图像回调。

class YoloNode(Node):
    def __init__(self):
        super().__init__('yolo_detector')
        self.sub = self.create_subscription(Image, '/camera/image_raw', self.callback, 10)
        self.pub = self.create_publisher(DetectionBoxArray, '/detection/boxes', 10)
        self.model = YOLO('yolov8s.pt')
    
    def callback(self, msg):
        cv_img = self.bridge.imgmsg_to_cv2(msg, 'bgr8')
        results = self.model(cv_img, verbose=False)
        boxes = self.parse_results(results)
        self.pub.publish(boxes)

3.3.3 坐标变换与目标定位

检测框仅提供像素坐标，需结合相机内参和深度信息（或假设目标在地面平面）计算3D位置。使用tf2_ros将目标坐标从camera_link变换到base_link，供控制节点使用。

风险提示：相机畸变会导致检测框偏移，务必先进行相机标定（使用camera_calibration包）。深度相机（如RealSense D435）需对齐RGB与深度图，否则3D坐标误差可达数厘米。

3.4 实战案例：基于YOLOv5的室内人员跟随

场景与约束：室内走廊环境，机器人搭载Intel RealSense D435i相机，目标为实验室成员（单人），要求检测帧率≥20 FPS，跟随距离1-3米。

初始现象：使用YOLOv5s原始模型，检测精度良好但推理延迟达45ms（约22 FPS），且深度图对齐后目标中心点抖动严重。

分析过程：

延迟瓶颈：ONNX Runtime在CPU上推理耗时30ms，图像预处理（缩放+归一化）耗时10ms。
抖动原因：深度图噪声导致中心点深度值波动±5cm，直接映射到速度指令引起机器人抖动。

优化措施：

将输入尺寸从640×640降至416×416，mAP下降约2%，但推理时间降至18ms。
使用TensorRT FP16量化，推理时间进一步降至8ms。
对深度值应用中值滤波（核大小5），并限制目标中心点变化速率（低通滤波α=0.6）。
采用PID控制器，比例系数Kp=0.8，积分Ki=0.1，微分Kd=0.2，输出限幅±0.5 m/s。

结果对比：优化后帧率稳定在30 FPS，目标中心点标准差从4.2cm降至1.1cm，机器人跟随过程无明显抖动。

复盘经验：检测算法集成需关注端到端延迟（图像采集→推理→控制），而非仅模型推理时间。深度数据滤波与控制参数需联合调优，避免“检测准但控制差”的脱节问题。

3.5 常见误区与总结

误区	后果	正确做法
直接使用未标定相机	检测框偏移，3D定位误差大	先标定相机内参和畸变系数
忽略QoS设置	图像话题丢帧，检测延迟增大	使用SensorDataQoS（Best Effort）
模型输入尺寸过大	推理时间超标，无法实时	根据硬件能力选择合适输入尺寸
未处理深度噪声	目标位置抖动，控制不稳定	滤波+限制变化速率

核心要点：目标检测方法选择需权衡精度、速度、硬件约束；ROS2集成应遵循“节点解耦、话题通信、参数可调”原则；检测结果必须经过坐标变换和滤波才能用于速度控制。下一环节将深入TF坐标变换的具体实现。