CN105844614B - 一种基于校对机器人角度的视觉指北方法 - Google Patents

Abstract

本发明公开了一种基于校对机器人角度的视觉指北方法，其步骤为，通过图像采集模块获取原始图像数据，对采集的原始图像数据进行图像数据压缩，然后提取图像的颜色分量；对提取图像的颜色分量图像，通过图像滤波，锐化将获取的颜色分量进行图像预处理，然后将预处理的图像进行图像二值化，并将二值化后的图像进行形态学细化，最后通过霍夫变换求出蓝色分量的角度。经过角度变换得出两颜色分量之间的角度值，从而来获得机器人朝向角度。本发明通过将机器视觉与指北仪相结合提供另一种确定机器人朝向角度的方法，用于校对机器人角度，本发明的这种方式可以方便地选择安装空间，从而有效避免硬磁干扰问题。

Description

一种基于校对机器人角度的视觉指北方法

技术领域

本发明涉及计算机图像处理的研究领域，特别涉及一种基于校对机器人角度的视觉指北方法。

背景技术

随着科技的不断进步，移动机器人研究开始注重实用化，开始向各个应用领域进军。1994年由清华大学研制的智能移动机器人通过了鉴定。该机器人的研制成功标志着我国掌握了有关移动机器人的五大关键技术：基于地图的全局路径规划技术、基于传感器信息的局部路径规划技术、路径规划的仿真技术、传感技术和信息融合技术、智能移动机器人的设计和实现技术。这期间，全国各地也相继研制出各种机器人，其中包括香港城市大学智能设计、自动化及制造研究中心研制的自动导航车和服务机器人；中国科学院沈阳自动化研究所的AGV和防爆机器人；中国科学院自动化研究设计制造的全方位移动式机器人视觉导航系统；哈尔滨工业大学研制的导游机器人等等。随着科学技术的不断进步，移动机器人正朝着智能化、网络化、微型化和专业化方向发展。

电子罗盘，在现代技术条件中电子罗盘作为导航仪器或姿态传感器已被广泛应用。电子罗盘与传统指针式和平衡架结构罗盘相比能耗低、体积小、重量轻、精度高、可微型化，其输出信号通过处理可以实现数码显示，不仅可以用来指向，其数字信号可直接送到自动舵，控制船舶的操纵。

目前,导航系统在汽车、航海、航空等领域已经得到广泛的应用。磁罗盘是导航系统不可缺少的重要组成部分,主要分为磁通门和磁阻式。磁通门传感器是由一套环绕磁芯的线圈组成,该磁芯配有励磁电路,可测量分辨率小于011mGauss的磁场。虽然这类传感器能够提供低成本的磁场探测方法,但它们体积偏大,易碎,响应时间慢。而使用磁阻传感器的电子罗盘克服了磁通门罗盘的不足,具有体积小、重量轻、精度高、可靠性强、响应速度快等优点,是未来磁罗盘的发展方向。

电子罗盘容易受外界磁场干扰，比如电源噪声、外磁场干扰、周围铁质物体等的影响。当电子罗盘离干扰源45cm之内，会受到干扰源的硬磁干扰，严重影响输出的准确性。在机器人应用中，经常使用电子罗盘来确定机器人运动的方向，目前机器人代替人类在各种恶劣的环境中工作，这些环境常常存在着不同程度的磁干扰，严重地影响了机器人运动方向的确定，甚至导致机器人无法正常工作。

发明内容

本发明的目的在于针对电子罗盘容易受到外界磁场干扰，影响输出的准确性而提出将机器视觉与指北仪相结合的基于校对机器人角度的视觉指北方法，用于确定机器人朝向角度，这种方式可以方便地选择安装空间，有效避免硬磁干扰问题，提高检测效率。

为了达到上述目的，本发明采用下述技术方案：

本发明提供了一种基于校对机器人角度的视觉指北方法，包括下述步骤：

(1)图像数据压缩：通过图像采集模块获取原始图像数据，对采集的原始图像数据进行图像数据压缩；

(2)提取颜色分量：在RGB图像中提取RGB模型中的R和B两个颜色分量；

(3)图像预处理：将获取的颜色分量图像进行图像滤波、灰度聚类以及图像锐化；

(4)图像二值化：选取合适阈值，对预处理后的图像进行二值化操作；

(5)形态学细化：采用形态学细化，将像素点细化成一条直线；

(6)霍夫变换检测：将形态学细化后的直线运用霍夫变换算法检测直线并求得颜色分量的角度。

作为优选的技术方案，所述步骤(1)中，采用全比例缩放的方式对采集到的原始图像数据进行图像数据压缩。

作为优选的技术方案，所述步骤(2)中，获取的颜色分量当中分别有红色和蓝色两种颜色，通过过判别颜色分量，确定所获取颜色分量的颜色，将该颜色分量进行灰度二值化处理，再进行灰度归一化处理，消除噪声图像的干扰，所述灰度二值化处理的处理模型为：

所述灰度归一化处理的处理模型为：

作为优选的技术方案，所述步骤(3)中，如果所提取出的颜色分量为红色，首先将获取的图像压缩，提取颜色分量中的蓝色分量，将获取的蓝色分量图像进行灰度聚类、滤波、然后进行梯度锐化，预处理好图像之后，将图像二值化处理，进一步对图像形态学细化。

作为优选的技术方案，所述步骤(3)中，如果所提取出的颜色分量为红色，首先将图像进行灰度聚类滤波，然后将图像进行图像二值化，投票筛选目标象限，将图像分为四部分，黑点最多的部分保留，非目标象限像素设置为1，1代表白色，0代表黑色，再将图像进行形态学细化。

作为优选的技术方案，所述步骤(3)中，通过梯度法锐化将图像进行锐化处理。

作为优选的技术方案，在步骤(4)中，图像二值化过程中，采用最大类间方差法找到图片的合适的阈值，阈值将原图象分成前景图和背景两个图象，前景图中：用n1、csum、m1分别来表示在当前阈值下的前景的点数、质量矩、平均灰度；在后景图中：用n2、sum-csum、m2来表示在当前阈值下的背景的点数、质量矩、平均灰度，记t为前景与背景的分割阈值，前景点数占图像比例为w0，平均灰度为u0；背景点数占图像比例为w1，平均灰度为u1，则图像的总平均灰度为：u＝w0*u0+w1*u1，前景和背景图象的方差：g＝w0*(u0-u)*(u0-u)+w1*(u1-u)*(u1-u)＝w0*w1*(u0-u1)*(u0-u1)，当方差g最大时，可以认为此时前景和背景差异最大，也就是此时的灰度是最佳阈值，从而找到最佳阈值对图像进行二值化。

作为优选的技术方案，所述步骤(5)中，将研究的连接成分或集合用符号“1”来表示，背景用符号“0”来表示，用改变连接成分的形状使符号“1”中某些像素由“1”变成“0”，迭代这一过程，直到最后一组单个像素组成的一组细线来代表整个区域，这组细线保留了连接成分的连通性和轮廓的几何特征，这样重复的剥离二值图像边缘像素，使之最终将连接成分用线状结构表征它的特征。

作为优选的技术方案，所述步骤(6)具体为：

(6-1)采用极坐标系下的霍夫变换对图像中的直线进行检测，在xO_y坐标系中的一条直线，以ρ表示直线距离原点的距离，θ为该法线与X轴的夹角，则可用如下参数方程来表示该直线:ρ＝xcosθ+ysinθ，通过霍夫变换将直角坐标系中的直线变换到极坐标参数空间中，则是一个点(ρ,θ)，使两个不同坐标系中的直线和点建立了一种对应关系；

(6-2)将直线坐标系中的离散数据点变换为极坐标参数空间中的曲线，将ρ和θ分成若干小段，即将(ρ,θ)分成若干小单元，每一个小单元可设一累加器，在直角坐标系中落在直线上的每一个点对应极坐标参数空间中一条曲线：ρ_i＝x_i cosθ_i+y_i sinθ_i，分别使θ等于0，Δθ，2Δθ，3Δθ，…,求出相应ρ值，并分别计算落在各小单元中的次数，当全部直角坐标点(x_j,y_j)完成变换后，对(x_j,y_j)小单元的累加器进行检测，峰值的小单元对应于极坐标中的共线点，而这些曲线对应直线坐标系上的点可以认为是共线的；

(6-3)检测出直线坐标系上的N点之后，将曲线交点(ρ₀,θ₀)代入:ρ₀＝xcosθ₀+ysinθ₀,得到逼近N点的直线方程；由于霍夫变换是在极坐标系下完成的，所以在直线坐标系中，需要将红色分量和蓝色分量求得的角度进行如下角度转换最后将获取的角度相减最终获得机器人朝向角度。

本发明与现有技术相比，具有如下优点和有益效果：

1、本发明通过图像采集模块获取原始图像数据，对采集的原始图像数据进行图像数据压缩，然后提取图像的颜色分量，对提取图像的颜色分量图像，首先通过图像滤波，锐化将获取的颜色分量进行图像预处理，然后将预处理的图像进行图像二值化，并将二值化后的图像进行形态学细化，最后通过霍夫变换求出蓝色分量的角度。经过角度变换得出两颜色分量之间的角度值，从而来获得机器人朝向角度。实验证明这种方法达到了很好的效果，本发明通过图像识别技术，从指北仪中得到机器人的指向图像，减少人力工作。

2、在自主机器人应用中，得到机器人的准确朝向是控制系统关键步骤之一，精准的朝向角度是机器人设备动作的基础。这样一种检测机器人角度的方式可以有效避免机器人自身导磁材料及磁干扰环境对测量精度的影响，本发明可以用于确定机器人朝向角度，采用这种视觉的方式，拓展了生活中处理问题的思路，具有重要的实用价值。

附图说明

图1是本发明校对机器人角度的视觉指北方法的总体框图；

图2是本发明B颜色分量处理流程图；

图3是本发明R颜色分量处理流程图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施例

在指北仪表中红色指针代表基准线，即导航坐标系中的零度方向，蓝色部分的直线方向与机器人方向一致，称为目标线。当指北仪设备随着机器人发生角度位移时，由于地球磁场的原因，基准线将始终指向一个方向，目标线将随着机器人的角度位移发生偏转。当目标线所在的角度与导航地图所约定的零度方向一致时，目标线与基准线之间的夹角值代表机器人的当前角度值。当目标线所在的角度与导航地图所约定的零度方向不一致时，记这部分角度差值为Δθ，目标线与基准线之间的夹角值需加上Δθ才能代表机器人当前角度值。

如图1所示，实施本发明上述的一种基于校对机器人角度的视觉指北方法,其所属方法和实现方案按以下几个步骤进行：

(1)通过图像采集模块获取原始图像数据，采用全比例缩放对采集上来原始图像进行压缩。一方面让压缩图像之后不改变原始图像像素间的相对位置，从而免于产生几何畸变，以至于图像不是真，另一方面也是为了在后序颜色分量提取过程中快速而准确的找到像素点。

(2)在RGB图像中提取RGB模型，根据RGB颜色矩，来提取图像的R和B两个颜色分量。获取的颜色分量当中分别有红色和蓝色两种颜色，通过判别颜色分量，确定所获取颜色分量的颜色，将该颜色分量通过灰度聚类，灰度二值化处理，处理模型为：

灰度归一化处理，处理模型为：

对图像进行各种操作识别之前必须对图像先进行聚类再做滤波操作，消除噪声对图像的干扰。

(3)通过梯度法锐化将获取的颜色分量进行图像预处理，一是增强图像边缘，使模糊的图像变得更加清晰，颜色变得鲜明突出，图像的质量有所改善，产生更适合人眼观察和识别的图像；二是希望经过锐化处理后，目标物体的边缘鲜明，以便于提取目标的边缘、对图像进行分割、目标区域识别、区域形状提取。

(4)将预处理的图像进行图像二值化，首先二值化要解决的第一个问题是二值化值的选取，使用最大类间方差法找到图片的一个合适的阈值(threshold)。利用这个阈值通常比人为设定的阈值能更好地把一张灰度图像转换为二值图像。采用最大类间方差法找到图片的合适的阈值的具体过程是：阈值将原图象分成前景图和背景两个图象，前景图中：用n1、csum、m1分别来表示在当前阈值下的前景的点数、质量矩、平均灰度；在后景图中：用n2、sum-csum、m2来表示在当前阈值下的背景的点数、质量矩、平均灰度，记t为前景与背景的分割阈值，前景点数占图像比例为w0，平均灰度为u0；背景点数占图像比例为w1，平均灰度为u1，则图像的总平均灰度为：u＝w0*u0+w1*u1，前景和背景图象的方差：g＝w0*(u0-u)*(u0-u)+w1*(u1-u)*(u1-u)＝w0*w1*(u0-u1)*(u0-u1)，当方差g最大时，可以认为此时前景和背景差异最大，也就是此时的灰度是最佳阈值，从而找到最佳阈值对图像进行二值化。

(5)在图像二值处理领域，细化是很重要的一个处理环节。通过形态学细化，恰巧将连接成分用线状结构表征它的特征，对提取到的颜色分量，通过形态学细化，从而得到颜色分量的处理后的理想结果。形态学化的具体方法是：

将研究的连接成分或集合用符号“1”来表示，背景用符号“0”来表示，用改变连接成分的形状使符号“1”中某些像素由“1”变成“0”，迭代这一过程，直到最后一组单个像素组成的一组细线来代表整个区域，这组细线保留了连接成分的连通性和轮廓的几何特征，这样重复的剥离二值图像边缘像素，使之最终将连接成分用线状结构表征它的特征。

(6)图2为B颜色分量处理流程图。所提取出的颜色分量为蓝色，处理步骤如下首先将获取的图像压缩，提取颜色分量中的蓝色分量，将获取的蓝色分量图像进行灰度聚类，滤波，然后进行梯度锐化，预处理好图像之后，将图像二值化，进一步对图像形态学细化。

(7)图3为R颜色分量处理流程图。所提取出的颜色分量为红色，处理步骤与蓝色分量有些不同之处，原因是获取到的图像中蓝色直线在红色直线的上方时，红色的像素点会比蓝色像素点少，将导致红色分量提取不到。所以在提取红色分量过程中要做适当调整，步骤如下：首先将图像进行灰度聚类滤波，然后将图像进行图像二值化，将图像分为四个象限，投票筛选目标象限，黑点最多的部分保留，非目标象限像素设置为1；1代表白色，0代表黑色，从而获取红色分量，再将图像进行形态学细化。

(8)最后在xOy坐标系中将处理好的颜色分量的直线，以ρ表示直线距离原点的距离，θ为该法线与X轴的夹角，可用如下参数方程来表示该直线:ρ＝x cosθ+y sinθ。通过霍夫变换将直角坐标系中的直线变换到极坐标参数空间中，则是一个点(ρ,θ)。而在xOy坐标系中的共点直线簇，映射到极坐标参数空间中就是一个点集(ρ,θ)。在xOy坐标系中，同一直线上的点映射到极坐标参数空间就成为通过同一点的曲线簇。因此霍夫变换使两个不同坐标系中的直线和点建立了一种对应关系。

将直线坐标系中的离散数据点变换为极坐标参数空间中的曲线。将ρ和θ分成许多小段，即将(ρ,θ)分成许多小单元，每一个小单元可设一累加器。在直角坐标系中落在直线上的每一个点对应极坐标参数空间中一条曲线：ρ_i＝x_i cosθ_i＋y_i sinθ_i，分别使θ等于0，Δθ，2Δθ，3Δθ，…,便可以求出相应ρ值，并分别计算落在各小单元中的次数。当全部直角坐标点(x_j,y_j)完成变换后，便可对(x_j,y_j)小单元的累加器进行检测，峰值的小单元对应于极坐标中的共线点，而这些曲线对应直线坐标系上的点可以认为是共线的。检测出直线坐标系上的N点之后，将曲线交点(ρ₀,θ₀)代入:ρ₀＝x cosθ₀＋y sinθ₀,就可以得到逼近N点的直线方程。由于霍夫变换是在极坐标系下完成的，所以在直线坐标系中，需要将红色分量和蓝色分量求得的角度进行如下角度转换最后将获取的角度相减最终获得机器人朝向角度。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (8)

1.一种基于校对机器人角度的视觉指北方法，其特征在于，包括下述步骤：

(1)图像数据压缩：通过图像采集模块获取原始图像数据，对采集的原始图像数据进行图像数据压缩；

(2)提取颜色分量：在RGB图像中提取RGB模型中的R和B两个颜色分量；

(3)图像预处理：将获取的颜色分量图像进行图像滤波、灰度聚类以及图像锐化；

(4)图像二值化：选取合适阈值，对预处理后的图像进行二值化操作；

(5)形态学细化：采用形态学细化，将像素点细化成一条直线；

(6)霍夫变换检测：将形态学细化后的直线运用霍夫变换算法检测直线并求得机器人朝向角度；

(6-1)采用极坐标系下的霍夫变换对图像中的直线进行检测，在xOy坐标系中的一条直线，以ρ表示直线距离原点的距离，θ为法线与X轴的夹角，则可用如下参数方程来表示该直线:ρ＝xcosθ+ysinθ，通过霍夫变换将直角坐标系中的直线变换到极坐标参数空间中，则是一个点(ρ,θ)，使两个不同坐标系中的直线和点建立了一种对应关系；

(6-2)将直线坐标系中的离散数据点变换为极坐标参数空间中的曲线，将ρ和θ分成若干小段，即将(ρ,θ)分成若干小单元，每一个小单元可设一累加器，在直角坐标系中落在直线上的每一个点对应极坐标参数空间中一条曲线：ρ_i＝x_icosθ_i+y_isinθ_i，分别使θ等于0，Δθ，2Δθ，3Δθ，…,求出相应ρ值，并分别计算落在各小单元中的次数，当全部直角坐标点(x_j,y_j)完成变换后，对(x_j,y_j)小单元的累加器进行检测，峰值的小单元对应于极坐标中的共线点，而这些曲线对应直线坐标系上的点可以认为是共线的；

(6-3)检测出直线坐标系上的N点之后，将曲线交点(ρ₀,θ₀)代入:ρ₀＝xcosθ₀+ysinθ₀,得到逼近N点的直线方程；由于霍夫变换是在极坐标系下完成的，所以在直线坐标系中，需要将红色分量和蓝色分量求得的角度进行如下角度转换最后将获取的角度相减最终获得颜色分量角度；

在指北仪表中红色指针代表基准线，即导航坐标系中的零度方向，蓝色部分的直线方向与机器人方向一致，称为目标线；当指北仪设备随着机器人发生角度位移时，由于地球磁场的原因，基准线将始终指向一个方向，目标线将随着机器人的角度位移发生偏转；当目标线所在的角度与导航地图所约定的零度方向一致时，目标线与基准线之间的夹角值代表机器人的当前角度值；当目标线所在的角度与导航地图所约定的零度方向不一致时，形成角度差值，目标线与基准线之间的夹角值需加上角度差值才能代表机器人当前角度值。

2.根据权利要求1所述的基于校对机器人角度的视觉指北方法，其特征在于，所述步骤(1)中，采用全比例缩放的方式对采集到的原始图像数据进行图像数据压缩。

3.根据权利要求1所述的基于校对机器人角度的视觉指北方法，其特征在于，所述步骤(2)中，获取的颜色分量当中分别有红色和蓝色两种颜色，通过判别颜色分量，确定所获取颜色分量的颜色，将该颜色分量进行灰度二值化处理，再进行灰度归一化处理，消除噪声图像的干扰，所述灰度二值化处理的处理模型为：

所述灰度归一化处理的处理模型为：

4.根据权利要求1所述的基于校对机器人角度的视觉指北方法，其特征在于，所述步骤(3)中，如果所提取出的颜色分量为蓝色，首先将获取的图像压缩，提取颜色分量中的蓝色分量，将获取的蓝色分量图像进行灰度聚类、滤波、然后进行梯度锐化，预处理好图像之后，将图像二值化处理，进一步对图像形态学细化。

5.根据权利要求1所述的基于校对机器人角度的视觉指北方法，其特征在于，所述步骤(3)中，如果所提取出的颜色分量为红色，首先将图像进行灰度聚类滤波，然后将图像进行图像二值化，投票筛选目标象限，将图像分为四部分，黑点最多的部分保留，非目标象限像素设置为1，1代表白色，0代表黑色，再将图像进行形态学细化。

6.根据权利要求1所述的基于校对机器人角度的视觉指北方法，其特征在于，所述步骤(3)中，通过梯度法锐化将图像进行锐化处理。

7.根据权利要求1所述的基于校对机器人角度的视觉指北方法，其特征在于，在步骤(4)中，图像二值化过程中，采用最大类间方差法找到图片的合适的阈值，阈值将原图像分成前景图和背景两个图像，前景图中：用n1、csum、m1分别来表示在当前阈值下的前景的点数、质量矩、平均灰度；在后景图中：用n2、sum-csum、m2来表示在当前阈值下的背景的点数、质量矩、平均灰度，记t为前景与背景的分割阈值，前景点数占图像比例为w0，平均灰度为u0；背景点数占图像比例为w1，平均灰度为u1，则图像的总平均灰度为：u＝w0*u0+w1*u1，前景和背景图像的方差：g＝w0*(u0-u)*(u0-u)+w1*(u1-u)*(u1-u)＝w0*w1*(u0-u1)*(u0-u1)，当方差g最大时，可以认为此时前景和背景差异最大，也就是此时的灰度是最佳阈值，从而找到最佳阈值对图像进行二值化。

8.根据权利要求1所述的基于校对机器人角度的视觉指北方法，其特征在于，所述步骤(5)中，将研究的连接成分或集合用符号“1”来表示，背景用符号“0”来表示，用改变连接成分的形状使符号“1”中某些像素由“1”变成“0”，迭代这一过程，直到最后一组单个像素组成的一组细线来代表整个区域，这组细线保留了连接成分的连通性和轮廓的几何特征，这样重复的剥离二值图像边缘像素，使之最终将连接成分用线状结构表征它的特征。