基于棋盘格标定技术的机器人精准定位.docx

基于棋盘格标定技术的机器人精准定位1 引言足球机器人的研究在近几年得到了迅速发展，使得这个多学科交叉的课题受到越来越多的关注。NAO机器人高尔夫球赛作为RoboCup SPL比赛的前瞻项目，提供了较为简化但又十分重要的研究平台。在NAO机器人高尔夫项目中，高尔夫球场的实时环境复杂多变，现场的光照强度、噪音以及场外观众的着装等都会对NAO机器人的正常工作造成重大影响。机器人如何能在复杂多变的环境下能准确的识别目标并对其进行精准定位显得非常重要。本专利主要介绍南京邮电大学Apollo球队在高尔夫比赛中使用的一种目标识别与精准定位方法，详细介绍了该方法中的目标识别模块和目标定位模块。该方法极大的提高了机器人的目标识别精准度，并助力Apollo球队荣获2016年江苏省机器人大赛一等奖。2 基于棋盘格标定的精准定位方法本专利提出的定位方法主要有目标识别模块与目标定位模块协作完成。目标识别模块提取出有效目标，结合目标定位模块最终精准定位出有效目标的确切位置。NAO机器人在高尔夫比赛时，主要是利用其视觉系统来识别目标物体同时感知球场环境。机器人头部上下垂直排列着两个摄像头，可提供分辨率为640*480的YUV422图像，并且每秒30帧的帧速可以确保图像的实时性，如图1所示。该定位方法中，目标识别模块通过对机器人所采集的图像进行分析与处理，提取出有效目标，再结合目标定位模块，应用棋盘格标定技术，精准定位出有效目标在球场上的位置。图1 NAO机器人摄像头示意图2.1 目标识别模块机器人对自身所采集的图片进行适当的分析与处理，获得有效目标的过程是目标识别模块所需完成的任务。其详细工作流程如下：2.1.1 图像的预处理NAO机器人的摄像头有一定的局限性，在比赛过程中，所采集的图像信息存在一定的噪声与畸变。这些不确定因素极大的影响了有效目标识别的准确性，为得到更高质量的图像信息，需要对这些噪声和畸变进行去噪与修正处理，图像预处理主要用于抑制无用信息，增强有用信息并提高图像质量。下面介绍Apollo球队使用的预处理技术。颜色阈值的确定在不同的光照强度和不同的成像距离条件下，物体的颜色会存在一定的偏差，获得相对稳定的颜色阈值，是获取有效目标的关键。为了节省机器人赛前调试时间，Apollo球队采用现场获取RGB值的方式来获取目标物体的颜色阈值，再通过离线训练确定目标物体颜色特征相对稳定阈值。简化确定阈值的运算处理，提高处理速度，大大提升比赛性能。图像分割机器人搜集到图像信息后利用图像分割技术提取有效目标特征区。在NAO机器人视觉系统中，特征区域即球场中有效目标，Apollo球队采用了基于阈值的分割算法将有效目标提取出来，并在此基础上实现后续的详细识别工作。图像噪声处理经图像分割后的图像信息会出现大量椒盐噪声，椒盐噪声给图像的精确处理带来很多困难，直接影响特征提取和图像识别。Apollo球队采用中值滤波算法对图像分割后产生的椒盐噪点进行初步处理。2.1.2 NAO有效目标的识别在赛前调试时间中，NAO机器人已获取球场有效目标的颜色阈值，以高尔夫黄色旗杆为例，确定机器人获取的图片信息中满足预处理中所获得的阈值范围内的黄色像素点。NAO识别旗杆的主要思路是：在球场上发现黄色目标区域，且经过一系列的图像分析处理，若凸显出的区域为长方形，且此长方形和原图的旗杆比例相同，则认为识别出了目标旗杆。针对NAO机器人摄像头所获取的的原始图图像信息（如图2所示），进行如下的图像分析处理，以识别有效目标。图2 机器人所摄图片读取图片像素点信息。用宽度为20像素网格将图像分为的方形像素块。在RGB颜色空间中，将背景像素点语法值设置为，黄色像素点语法值域设置为至。将获取的图片信息进行重构，组成标准二维计数数组，一个32*24的二维数组就代表一个像素块，数组元素就代表像素点。图像预处理之后，对每一行每一个像素点进行扫描，当满足实际比赛场地获得的黄色阈值时，就认为该像素点是一个黄色像素点，当图像扫描完毕后，即获取了有效目标的全部像素点信息，由NAO机器人判定该区域为黄色旗杆。高斯滤波平滑图像。高斯滤波是一种线性平滑滤波，广泛用于图像处理中的减噪过程。简单来说，高斯滤波就是对整幅图像进行加权平均的过程，对抑制服从正态分布的噪声非常有效。具体操作是用一个卷积扫描图像的每一个像素，用卷积确定的领域内像素的加权平均灰度值去替代卷积中心像素点的值。颜色空间转换。RGB颜色空间与HSV颜色空间都是当今图像处理广泛采用的颜色系统。RGB是由红色、绿色和蓝色三基色的字母缩写，通过三基色不同程度的迭加，来产生各种各样的不同颜色，能够涵盖人类视力所能感知的所有颜色，RGB颜色空间模型图如图3所示，该模型为图像中每个像素点的RGB分配一个0-255的灰度值，因此，RGB图像的全彩色共颜