CN102542563A - 一种移动机器人前向单目视觉的建模方法 - Google Patents

Abstract

本发明公开了一种移动机器人前向单目视觉的建模方法，包括获得目标信息过程及建立前向单目视觉观测模型过程，建立前向单目视觉观测模型过程主要包括以下步骤：1）通过目标信息确定目标中心在机器人体坐标系中坐标，得到真实检测结果；2）采用测量工具确定目标中心在机器人体坐标系中坐标，得到理想检测结果；3）采用参数估计方法计算真实检测结果与理想检测结果的误差分布模型参数，得到前向单目视觉的观测模型。本发明有效的实现移动机器人目标值与实测值间的误差结果的确定，从而实现机器人快速精确的识别目标。

Description

一种移动机器人前向单目视觉的建模方法

技术领域

本发明属于移动机器人的视觉系统领域，特别涉及一种移动机器人前向单目视觉的建模方法。 

背景技术

视觉是人类最重要的感觉器官，人类所获得的大部分外界信息都来自视觉。随着人类对自然世界的不断探索，人们总希望能够通过某种数字化机器来实现人类视觉的功能，自动地获取外部世界的信息。建立一个能够如人类一样快速、精确地感知外界变化的机器视觉系统一直以来是机器视觉研究的重点。机器视觉是计算机视觉和人工智能在机器人学中的应用,并随着机器人学以及计算机视觉和人工智能的发展而产生和发展。 

从硬件结构上来看，常用的视觉传感器可以分为全局视觉、单个摄像机视觉、双摄像机立体视觉和全向视觉。 从软件处理的角度来看，机器视觉系统主要分为静止视觉、移动视觉和立体视觉，其中静止视觉的研究比较成熟。对于移动机器人而言，单个摄像机视觉系统由于具有性价比高、实时性好等优点，而具有广泛的应用前景。 

而目前大多数方法集中在对在移动机器人单目视觉定位应用进行算法的仿真实验、对移动机器人前向单目视觉的摄像机标定、对动态目标的识别上。上述方法并没有对目标值与实测值间的误差结果进行定量分析，没有建立相应的观测模型为数据处理算法提供参数依据。 

发明内容

本发明的目的是针对现有技术的不足，提供一种移动机器人前向单目视觉的建模方法，本发明有效的实现移动机器人目标值与实测值间的误差结果的确定，从而实现机器人目标的快速、精确识别。 

本发明目的通过以下技术方案予以实现： 

一种移动机器人前向单目视觉的建模方法，包括获得目标信息过程及建立前向单目视觉观测模型过程；其中：

所述获得目标信息过程包括以下步骤：

11）采集目标图像信息；

12）对步骤11）获得的图像信息进行图像预处理；

13）将步骤12）预处理后的图像进行图像分割；

14）对步骤13）分割后的图像进行特征提取，得到特征提取信号；

15）对特征提取信号进行目标识别，获得目标信息；

所述建立前向单目视觉观测模型过程包括以下步骤：

21）通过目标信息确定目标中心在机器人体坐标系中坐标，得到真实检测结果；

22）采用测量工具确定目标中心在机器人体坐标系中坐标，得到理想检测结果；

23）采用参数估计方法计算真实检测结果与理想检测结果之间的误差分布模型参数，得到前向单目视觉的观测模型。

所述步骤13）的图像分割是基于颜色的阈值分割法。 

所述步骤14）的特征提取具体包括以下步骤： 

111）利用邻域平均法实现图像去噪；

112）利用阈值法平滑图像；

113）对目标特征属性进行计算得到特征信号。

所述步骤15）的目标识别是采用视觉标定实现。 

所述的视觉标定是将目标中心在图像坐标系中的坐标映射到机器人坐标系的坐标；其中目标中心在图像坐标系中的坐标通过特征提取信号确定。 

有益效果：有效的实现移动机器人的目标测量值与实测值之间的误差结果，能够快速精确的识别机器人的目标。 

附图说明

图1 为本发明的前向单目视觉的工作框图。 

图2 为本发明的主光轴与水平面的夹角示意图。 

图3（a）为本发明的纵向的测距示意图。 

图3（b）为本发明的横向的测距示意图。 

图4 为本发明的实际距离检测结果直方图。 

图5 为本发明的拟合后的距离直方图。 

图6为本发明的前向单目视觉方差分布图。 

图7为本发明的前向单目视觉目标定位结果。 

具体实施方式

（一）前向单目视觉的软硬件设计 

1、前向单目视觉的硬件设计

前向单目视觉由USB彩色数字摄像机和调节机构组成。整套设备在调整好后可固定安装，以确保在使用过程中不会出现松动、移位等影响视觉标定的现象。其中，调节机构将整套设备固定在机器人车体上，并可以调节设备的高度和姿态，使摄像机能观测到机器人附近特定区域的图像，并保证采集图像不会出现歪曲、偏移等现象。在本实施例中其所测的目标为一个目标球。

2、前向单目视觉的软件设计 

前向单目视觉的软件处理包括图像采集、图像预处理、图像分割、特征提取和目标识别等模块，工作框图如图1所示。

其中，人机交互的目的是对目标的相关信息进行测量，图像分割采用基于颜色的阈值分割方法。特征提取首先利用空间域处理方法中的邻域平均法实现图像去噪，然后利用阈值法平滑图像，最后对特征区域的属性进行计算。目标识别则利用视觉标定加以实现。其中， 

（1）特征区域的属性计算如下所述：

由于摄像机捕捉图像时，并不能保证目标球的整体都被拍摄到，若直接利用求取平均值的方法计算球的中心位置坐标，会存在很大误差。因此，应该结合球的四个顶点坐标，对球的中心位置重新计算。由于近大远小的关系，球越靠近机器人时，捕捉到的半径就越大。因此，摄像机捕捉到的球的半径与球在图像中的纵坐标bally成比例关系。图像坐标系原点为图像左上角，向右为x轴正方向，向下为y轴正方向。图像大小为640×480像素，则可求出球的中心在图像的坐标位置( 

,

)与四个顶点的关系，其中球与左顶点(

,

）关系如下。

         （1） 

其中

和

分别为摄像机捕捉到的球的最大半径和最小半径，可在实际图像中通过测定得到。

（2）前向单目视觉标定 

特征提取获得目标球在图像上的位置后，需要进行视觉标定，进一步得到目标球在机器人体坐标系中的坐标。由于前向单目视觉的摄像头不使用广角镜头，本发明中采用的摄像机的光学成像模型为针孔成像模型，因此这里的视觉标定是指目标中心从图像坐标系到机器人坐标系的坐标映射。

1、参数测定 

为了计算目标球的实际位置，需要测定如下参数：摄像头镜面中心到机器人中心的距离a，摄像头捕捉到的地面上最近距离e与最远距离g和摄像头镜面中心到地面的垂直距离j，以上测定各参数单位均为毫米。 根据上述参数，可以计算出主光轴c与水平面的夹角，各个角度的关系如图2所示。

2、测距模型 

根据纵向测距模型和横向测距模型，可求得球中心与镜面中心的距离

和

。纵向测距模型和横向测距模型如图3所示。 

在图3中涉及如下几个坐标系：摄像机坐标系XMY、CCD平面坐标系x

y和图像平面坐标系u

v。在图3（a）纵向测距示意图中，f为焦距，光轴为c，光心O到地面的距离为j，光轴与像平面的交点为

，光轴c与水平方向的夹角为

。现地面上有一点P，通过透镜成像在像平面x

y上的像点分别为

，

与地面的交角为

，

与光轴的交角为γ。对于图3（b）的横向测距示意图，设有两点P，Q在机器人体坐标系XMY下的坐标为P(O，Y)，Q(X，Y)，点

，

在CCD平面坐标系下的坐标为

，

点

，

在图像平面坐标系下的坐标为

，

，点在图像平面坐标系下的坐标

 ， PQ垂直于M Y，则： 

         (2)

其中

和 分别是CCD平面中的一个像素对应于像平面在x轴和y轴方向上的物理尺寸大小。 图像分辨率取

，所对应的

则是(320，240)。由上式计算得到目标球的坐标是相对于摄像头镜面中心的，需要把该坐标转换为以机器人中心为原点的坐标，公式如下所示。

                     (3) 

3、前向单目视觉的目标定位结果及分析

用XP-130MG彩色数字摄像头放置在机器人的正前方；计算机CPU为Intel Core Duo(Yonah)，T2300(1.66G)，内存为1024M，程序采用VC++ 6. 0实现。前向单目视觉的目标定位结果如图7所示。

图7中，圆点代表球的质心，定位结果以mm为单位.其中原始图像1、2、3中球的实际位置坐标分别为(-700,300)、(515,-260)和(1050,-120) ，实际位置以mm为单位。实验中，当球在机器人前向附近时，前向单目视觉能准确地获得目标中心的位置。当机器人只能看到一部分目标物体时，仍然能够由特征属性计算出目标的中心坐标。前向单目视觉采集并处理一帧图像的时间不到10ms，实时性较好。 

(二) 前向单目视觉观测模型 

实验结果证明，目标距离机器人越远，识别误差就越大，因此有必要进一步研究前向单目视觉的观测模型。观测模型用于计算目标球位于机器人坐标系下的不同位置时的测量数据的分布情况。首先将目标球放置在前向单目视觉的视野范围内的不同位置上，计算得到球在机器人坐标系下的坐标。然后利用测量工具得到目标球在机器人坐标系下的实际坐标。最后利用参数估计的方法计算真实检测结果与理想检测结果的误差分布模型的参数。根据实际测量结果，目标球位于机器人500毫米以内的距离，前向单目视觉的测量误差基本可以忽略。考虑到机器人的特性，下面以目标球位于机器人正前方500毫米处进行观测，从而得到前向单目视觉传感器模型的误差形式。机器人对位于正前方500毫米的目标球的距离检测结果如图4所示，共进行了1500次实验。

从实际距离检测结果的直方图可以看出，前向视觉传感器观测值的分布基本上是以理想观测结果为均值的正态分布。对于这1500组数据，其均值为500.7238毫米，方差

为8.9360毫米²。下面利用Matlab对实验结果进行进一步的处理。在Matlab的cftool工具箱中，提供了高斯分布的拟合函数，具体步骤如下： 

(1) 将各个观测距离数据的值存入数组D，将其对应的个数存入数组E，并输出到工作空间；

(2) 在cftool工具箱中，按“Data”按钮，分别将数组D，E导入到该工具箱；

(3) 按“Fitting”按钮，在“Type of fit”中选择“Gaussian”，进行拟合。

拟合得到的结果如图5所示。其中均值为500.8毫米，方差为8.5698毫米²。 

在得到前向单目视觉传感器模型的具体形式后，需要根据真实的检测结果确定不同观测距离的

的具体数值。根据实际情况，为了简化计算过程并减小查找表需要的存储空间，在观测距离上，间隔5厘米计算一次

 。的计算是在大量检测结果上进行的(每个位置重复进行1500次观测)，具体过程如下： 

(1) 将目标球放置在前向视觉视野范围内的不同位置上，经过图像处理、目标识别和视觉标定等步骤，计算出球在机器人坐标系下的坐标，即实际观测结果；

(2) 利用测量工具得到目标球在机器人坐标系下的实际坐标，即观测模型的理想观测结果；

(3) 根据理想观测结果和实际观测结果计算不同观测距离上的

值。

观测模型的参数计算中，在场地上采集大量真实观测图像并计算目标球到机器人的距离是建立前向单目视觉传感器观测模型的重要步骤。在真实观测图像采集过程中，目标球在场地上的位置必须尽量准确测量得到。根据本前面所述的实验方法，目标球在机器人不同距离的原始方差和拟合后方差如图6所示。 

从图6可以看出，对原始数据进行拟合以后，一定程度上降低了方差。以上为一个机器人的前向单目视觉观测模型。在前向单目视觉成像模型和视觉标定模型不变的情况下，本文对5个机器人的

值进行测量，结果如表1所示。 

表1 不同机器人的前向单目视觉传感器方差值 

从上表可以看出，在相同距离的

值，不同机器人的结果是不同的。具体分析原因主要包括：彩色摄像机出场参数的误差和前向单目视觉安装的误差等。

Claims (5)

1.一种移动机器人前向单目视觉的建模方法，包括获得目标信息过程及建立前向单目视觉观测模型过程；其中：

所述获得目标信息过程包括以下步骤：

11）采集目标图像信息；

12）对步骤11）获得的图像信息进行图像预处理；

13）将步骤12）预处理后的图像进行图像分割；

14）对步骤13）分割后的图像进行特征提取，得到特征提取信号；

15）对特征提取信号进行目标识别，获得目标信息；

其特征在于所述建立前向单目视觉观测模型过程包括以下步骤：

21）通过目标信息确定目标中心在机器人体坐标系中坐标，得到真实检测结果；

22）采用测量工具确定目标中心在机器人体坐标系中坐标，得到理想检测结果； 

23）采用参数估计方法计算真实检测结果与理想检测结果之间的误差分布模型参数，得到前向单目视觉的观测模型。

2.根据权利要求1所述的移动机器人前向单目视觉的建模方法，其特征在于所述步骤13）的图像分割是基于颜色的阈值分割法。

3.根据权利要求1所述的移动机器人前向单目视觉的建模方法，其特征在于所述步骤14）的特征提取具体包括以下步骤：

111）利用邻域平均法实现图像去噪；

112）利用阈值法平滑图像；

113）对目标特征属性进行计算得到特征提取信号。

4.根据权利要求1所述的移动机器人前向单目视觉的建模方法，其特征在于所述步骤15）的目标识别是采用视觉标定实现。

5.根据权利要求4所述的移动机器人前向单目视觉的建模方法，其特征在于所述视觉标定是将目标中心在图像坐标系中的坐标映射到机器人坐标系的坐标；其中目标中心在图像坐标系中的坐标通过特征提取信号确定。

Images