CN105005338A - 一种用于机器人视觉系统中的光强自适应方法 - Google Patents

Abstract

一种用于机器人视觉系统中的光强自适应方法。其包括初始化、周期计数、时间计数清零、判断识别目标个数是否等于实际目标个数、自适应分区、判断搜索过程是否结束等阶段。本发明提供的用于机器人视觉系统中的光强自适应方法的效果：本光强自适应方法能够更好地在机器人视觉导航中应用，从而实现智能机器人跟踪简单场景中的目标，具有广阔的发展空间和应用前景。

Description

一种用于机器人视觉系统中的光强自适应方法

技术领域

本发明属于移动机器人运动和视觉技术领域，特别是涉及一种用于机器人视觉系统中的光强自适应方法。

背景技术

随着计算机技术的发展，智能系统的理论及应用研究已经成为人工智能研究的热点。机器人融入了机器人学、机电一体化技术、通讯与计算机技术、机器人视觉与传感融合技术、决策与对策、智能控制等多学科高新技术。由于该技术代表着高技术的前沿，因此引起国内外学者的高度重视。

随着科技的发展和人类探索领域的不断拓宽，对机器人的要求也在不断地提高。现在动态环境和未知环境中的机器人路径规划、高度实时性环境中的机器人路径规划及智能方法在路径规划中的要求越来越多，对研究者的任务要求也越来越高，研究难度不断提高。机器人系统环境是一个很典型的具有动态性、不确定性、实时性的环境。

随着机器人系统各项技术的发展，对机器人实用性的需求、光照条件等要求也随之提高。为使系统可靠工作，视觉系统要具备较强的抗干扰能力，因此设计一种能够对场地照明变化具有自适应性的实时视觉系统，已经成为机器人领域急待解决的技术问题。

发明内容

为了解决上述问题，本发明的目的在于提供一种用于机器人视觉系统中的光强自适应方法。

为了达到上述目的，本发明提供的用于机器人视觉系统中的光强自适应方法包括按顺序进行的下列步骤：

步骤1)初始化的S1阶段：时间计数time＝0，照明变化率自动更新周期 为T；记第i种颜色的目标个数为Ci，通过手动分区将搜索区域粗略划分成明、暗、均匀几个区域，各自区域内的小区域颜色阈值相等；所划分的每个区域标号为Z_xy，x∈[0，a]y∈[0，b]；

步骤2)周期计数的S2阶段：经过一秒后做时间计数time+1；并判断时间计数time是否大于T，如果判断结果为“是”，则进入下一步S3阶段，否则下一步进入S4阶段；

步骤3)时间计数清零的S3阶段：时间计数time＝0，更新照明变化向量kn+1，将其赋值为其对应区域照明变化率向量的均值，即：同时修正其对应的区域Z_xy；

步骤4)判断识别目标个数是否等于实际目标个数的S4阶段：做时间计数time＝time+1处理，并依据K_xy反馈给δ_i ^xy＝[δ_i1 δ_i2]^xy，判断识别目标个数是否等于实际目标个数，如果判断结果为“是”，则下一步进入步骤6)，否则进入步骤5)；

步骤5)自适应分区S5阶段：修正Z_xy区域的照明变化向量，将其赋值为其对应区域照明变化率向量的均值，即：反馈K_xy给δ_i ^xy＝[δ _i1 δ_i2]^xy，修正该区域的颜色空间阈值；

步骤6)判断搜索过程是否结束的S6阶段：如果某区域连续无目标误识别现象，该区域的K_xy不再被改变时，则判断搜索过程结束，本流程至此结束，否则下一步重新进入S2阶段，继续下一循环搜索。

本发明提供的用于机器人视觉系统中的光强自适应方法的效果：本光强自适应方法能够更好地在机器人视觉导航中应用，从而实现智能机器人跟踪简单场景中的目标，具有广阔的发展空间和应用前景。

附图说明

图1为机器人视觉系统模型划分示意图；

图2为本发明提供的用于机器人视觉系统中的光强自适应方法流程图。

具体实施方式

下面结合附图和具体实施例对本发明提供的用于机器人视觉系统中的光强自适应方法进行详细说明。

1、机器人视觉系统设计分析

视觉系统可以有以下几种不同的实现方式，主要包括纯软件方式、软硬件综合方式和纯硬件方式。

采用纯软件方式时，图像采集卡只完成图像的数字化转换。在这种方式下，图像采集卡的结构简单，通用性强，成本低，但由于主机要完成大量的数字图像信息的处理，工作量很大。目前机器人中大多采用这种方式。

采用软硬件综合方式时，图像采集卡完成图像的数字化转换、图像压缩等功能。在这种方式下，图像的通用性强，成本低，主机处理的图像信息量可以随图像压缩比的增大而减少，在图像处理的精度范围内，提高图像的压缩比可以提高主机的处理速度，而且这种方式的开发周期相对较短。

采用纯硬件方式时，图像采集卡完成图像的数字化转换、压缩、分析和处理的功能，并向主机传送图像处理后的结果。由于大量的图像处理、分析动作都由图像采集卡来完成，减轻了主机的负担，是提高系统实时处理速度的有利手段。目前，采用这种方式时，图像采集卡上有专用的数字信号处理芯片。但该图像采集卡的结构和功能都是根据不同系统的具体要求来设计的，因此通用性不强，设计的周期较长，设计的成本较高。

综合考虑设备环境和试验条件，本发明所采用的机器人系统中视觉系统主要采用第一种方式，其视觉系统模型划分如图1所示。

2、色彩空间技术设计

在本发明所研究的机器人视觉系统中，采用的是CCD摄像头，像素为640*480，镜头是3.5mm-8mm，图像采集卡为Myvision Grabber。通过上述设 备采集到640*480的真彩色RGB图像、640*480的YUV422格式的图像或HSI格式的图像，对上述三种色彩空间做出比较同时对采集到的数据进行了RGB空间到HSI空间的转换，并对其进行处理分析。

(1)相同颜色在不同光照下各个颜色模型的分析

在机器人系统中，黄色在不同的光照条件下，各个颜色模型中每个参量的分布值如表1所示。对其中的数据比较，可以看出在不同的光照条件下，RGB模型中的r、g、b各值的偏移较大，对光照非常敏感；YUV模型中的y、u、v各值偏移相对较小，优于RGB模型；HSI模型中的h值几乎没有变化。那么可以看出，HSI模型比较稳定，受光照影响相对较小。YUV模型次之。

表1、黄色色标在不同光照条件下的各色彩空间取值分布值

(2)不同颜色在相同的光照下各个颜色模型的比较

黄色、蓝色、橙色和绿色在机器人系统中用的比较普遍，具有一定的代表性，表2为这四种颜色在相同的光照条件下各颜色模型的各参数取值分布数据。

表2、不同颜色在相同光照条件下的各色彩空间取值分布值

在RGB颜色模型中，黄色和绿色的g值都在高端；蓝色和橙色的g值都分布在中端；蓝色和橙色的b值也都在高端，证明RGB颜色模型中不同颜色之间的r、g、b值之间有重叠，而且图像的r、g、b三个分量之间的关联紧密，要识别某种颜色，三个分量缺一不可。

在YUV模型中，主要判别的参数是u值和v值。在上述的四种颜色中，各个u值和v值之间界限十分的明显，改善了RGB模型受光照影响大，关联性强的问题，但是对颜色的判断需要联合u值、v值两个参数。

在HSI模型中，主要判别的参数是h值，s值可以作为辅助判别参数。黄、蓝、青三种颜色的h值变化范围都在10度左右。橙色反射到DDC摄像头的光照并不均匀，所以h值变化稍大，为15度。上述几种颜色的h值的分布区间之间没有重叠，且取值分布较窄，稳定性好，对颜色的区分性好。

(3)相近颜色在相同的光照下各个颜色模型的比较

能对相近颜色进行准确的判别，在机器人系统中也是非常重要的，表3是两种相近的颜色红色和粉红色在相同光照下各颜色模型的取值分布数据。

表3、相近颜色在相同光照条件下的各色彩空间取值分布值

通过表3所示数据可以看出，在RGB空间中，相近的两种颜色在R、G、B三个色彩通道中，其颜色范围均有叠加现象。在YUV色彩空间的表示中，虽然Y、U、V三个通道两种颜色的表示区间相距不是很大，但是没有重叠。在HSI空间中，两种色彩的S分量相距很远，足以构成身份辨识。

根据实际照明状况，通常是无色光照明，光照比较充足，基本无光色干扰，所以本发明中的视觉系统选择了YUV的颜色模型。

通过对RGB、YUV、HSI三种色彩空间的特点比较，结合实验数据和实时性的考虑，由于YUV色彩空间在照明条件下比RGB色彩空间能更好地抑制色彩漂移现象，且不需要进行如RGB到空间HSI的转化，所以本发明中的机器人系统选择采用YUV色彩空间。

3、光强自适应性的视觉系统设计

通常，由于自然光线的变化会对光强分布产生影响，从而产生光线不一致的问题，所以只采用静态方法解决光强空间分布不均匀的问题还是不够的，还要从时间衡量角度出发来解决光强随时间变化的问题。本发明中的机器人系统设计了具有光强自适应性的视觉系统。

如图2所示，本发明提供的用于机器人视觉系统中的光强自适应方法包括按顺序执行的下列步骤：

假设光强自适应方法中YUV色彩空间向量[t_iy t_iu t_iv]，设定每个区域的颜色空间阈值初始值δ_i ^xy＝[δ_i1 δ_i2]^xy。

步骤1)初始化的S1阶段：时间计数time＝0，照明变化率自动更新周期为T；记第i种颜色的目标个数为Ci，可通过手动分区将搜索区域粗略划分成明、暗、均匀几个区域，建议各自区域内的小区域颜色阈值相等。所划分的每个区域标号为Z_xy，x∈[0，a]y∈[0，b]；

步骤2)周期计数的S2阶段：经过一秒后做时间计数time+1；并判断时间计数time是否大于T，如果判断结果为“是”，则进入下一步S3阶段，否则下一步进入S4阶段；

步骤3)时间计数清零的S3阶段：时间计数time＝0，更新照明变化向量kn+1，将其赋值为其对应区域照明变化率向量的均值，即：同时修正其对应的区域Z_xy；

步骤4)判断识别目标个数是否等于实际目标个数的S4阶段：做时间计数time＝time+1处理，并依据K_xy反馈给δ_i ^xy＝[δ_i1 δ_i2]^xy，判断识别目标个数是否等于实际目标个数，如果判断结果为“是”，则下一步进入步骤6)，否则进入步骤5)；

步骤5)自适应分区S5阶段：修正Z_xy区域的照明变化向量，将其赋值为其对应区域照明变化率向量的均值，即：反馈K_xy给δ_i ^xy＝[δ _i1 δ_i2]^xy，修正该区域的颜色空间阈值；

步骤6)判断搜索过程是否结束的S6阶段：如果某区域连续无目标误识别现象，该区域的K_xy不再被改变时，则判断搜索过程结束，本流程至此结束，否则下一步重新进入S2阶段，继续下一循环搜索。

本发明提供的用于机器人视觉系统中的光强自适应方法的特点有以下四个方面：

(1)本系统校正了视觉误差和运动误差，提高了机器人的精度。

(2)提出了一种新型的视觉方法，包括机器人初始位置的确定，目标的搜索算法，色标的设计选择，解决了多目标识别困难的问题，使系统的抗干扰性、准确性大大提高，试验表明，基本上不会发生目标识别错误，彻底消除了目标粘连现象。

(3)对机器人动作进行详细的设计分析，提高了其准确度。

(4)采用状态转移矩阵实现路径规划，理论分析可行，由仿真试验比较分析，这种方法在速度，避障准确性等方面要优于现有路径规划算法。

Claims (1)

1.一种用于机器人视觉系统中的光强自适应方法，其特征在于：所述的用于机器人视觉系统中的光强自适应方法包括按顺序进行的下列步骤：

步骤1)初始化的S1阶段：时间计数time＝0，照明变化率自动更新周期为T；记第i种颜色的目标个数为Ci，通过手动分区将搜索区域粗略划分成明、暗、均匀几个区域，各自区域内的小区域颜色阈值相等；所划分的每个区域标号为Z_xy，x∈[0，a]y∈[0，b]；

步骤2)周期计数的S2阶段：经过一秒后做时间计数time+1；并判断时间计数time是否大于T，如果判断结果为“是”，则进入下一步S3阶段，否则下一步进入S4阶段；

步骤3)时间计数清零的S3阶段：时间计数time＝0，更新照明变化向量kn+1，将其赋值为其对应区域照明变化率向量的均值，即：同时修正其对应的区域Z_xy；

步骤4)判断识别目标个数是否等于实际目标个数的S4阶段：做时间计数time＝time+1处理，并依据K_xy反馈给δ_i ^xy＝[δ_i1 δ_i2]^xy，判断识别目标个数是否等于实际目标个数，如果判断结果为“是”，则下一步进入步骤6)，否则进入步骤5)；

步骤5)自适应分区S5阶段：修正Z_xy区域的照明变化向量，将其赋值为其对应区域照明变化率向量的均值，即：反馈K_xy给δ_i ^xy＝[δ_i1 δ_i2]^xy，修正该区域的颜色空间阈值；

步骤6)判断搜索过程是否结束的S6阶段：如果某区域连续无目标误识别现象，该区域的K_xy不再被改变时，则判断搜索过程结束，本流程至此结束，否则下一步重新进入S2阶段，继续下一循环搜索。