移动机器人视觉定位方法的研究与实现

其 中 P [ i ] [ j ] ( i, j = 0, 1, 2 ) 表示由点 P 决定的子 块 中的各个像素; T [ i ] [ j ] ( i, j = 0, 1, 2 ) 表示由上 一帧的质心点决定的子块中的各个像素。 最后, 判定某个点 P 是否与上一帧的特征点 T 匹配的标准为: P 须同时满足式 ( 7, 8) ( 7) m in (D if f H + D if f S ) ‖P . H - m eanH ‖ ≤ T 3
Abstract: T he m ethod fo r visua l loca t ing under the cond it ion fixed on the m ob ile robo t is re2 sea rched. T he ta rget cen t ro id sequence is ob ta ined from the vision loca liza t ion and ta rget t rack 2 ing system. T he lim ita t ion of the second focu s m ethod fo r acqu iring the dep th of the ob ject is ana lyzed and a m ethod fo r acqu iring sp ace po sit ion and m o t ion p a ram eters of m oving ob ject s p ropo sed. H IS m odel is u sed in the ta rget acqu irem en t. A cco rd ing to the im age sequence and the ex tended Ka lm an filter a lgo rithm , the sp ace po sit ion and m o t ion p a ram eters of m oving ta r2 get a re ob ta ined. Sim u la t ion resu lt s dem on st ra te tha t the m ethod is effect ive and recomm end 2 ab le. Key words: m ob ile robo t; visua l loca t ing; ob ject t rack ing; im age sequence; ex tended Ka lm an filtering
wenku.baidu.com
考虑到连通性, 本文利用捕获图像的像素及其 八连通区域的平均 H S 特征向量与目标像素的 H S 特征向量差的模是否满足一定的阈值条件来判别 像素的相似性; 同时采用中心连接区域增长法[ 5 ] 进 行区域增长从而确定目标区域。 图 2 给出了目标区 域分割的算法流程。
图 1 移动机器人视觉系统的坐标关系
434
数
据
采
集
与
处
理
第 19 卷
目标的空间位置和运动参数。
1 目标成像的几何模型
移动机器人视觉系统的坐标关系如图 1 所示。 其中 O 2 X Y Z 为世界坐标系; O c - X cY cZ c 为摄像机 坐标系。 其中 O c 为摄像机的光心, X 轴、 Y 轴分别与 X c 轴、 Y c 轴和图像的 x , y 轴平行, Z c 为摄像机的光 轴, 它与图像平面垂直。 光轴与图像平面的交点O 1 为 图像坐标系的原点。O cO 1 为摄像机的焦距 f 。
目标的获取即在摄像机采集的图像中搜索是 否有特定目标, 并提取目标区域, 给出目标在图像 中的位置特征点。 由于机器人控制实时性的需要, 过于耗时的复 杂算法是不适用的, 因此以颜色信息为目标特征实 现目标的获取。 本文采用了 H S I 模型, 3 个分量中, I 是受光照影响较大的分量。 所以, 在用颜色特征 识别目标时, 减少亮度特征 I 的权值, 主要以 H 和 S 作为判定的主要特征, 从而可以提高颜色特征识 别的鲁棒性。
2 2 .H
4 目标的空间位置和运动参数估计
由于图像序列前后两帧的时间间隔 T 很小, 本文用二阶微分方程来描述 P 点的运动轨迹。 定 义状态矢量 S ( t) = {X ( t) , Y ( t) , Z ( t) , X
X
(2) (1)
D if f D if f
H
= =
∑∑ (P [ i ] [ j ]
2. 2. 2 搜索聚类的种子点
统的距离 ( 深度值) ; d 1 ′ , d 2′ 分别表示 t1 , t2 时刻目 标在图像平面的几何特征值, 为便于表示, d 1 ′ , d 2′ 可以是目标的像的外接圆直径或者外接矩形的边 长, 则有
) Z c1 Z c2 = ( d 1 ′ d 2′ ( 9)
收稿日期: 2003209227; 修订日期: 2004205220
获取目标的位置等信息[ 1, 2 ]。此方法须保证该组特 征点在不同坐标系下的位置关系一致, 而对于一般 的双目视觉系统, 坐标的计算误差往往会破坏这种 关系[ 3 ]。 采用在机器人上安装车载摄像机这种局部视 觉定位方式, 本文对移动机器人的运动视觉定位方 法进行了研究。 该方法的实现分为两部分: 首先采 用移动机器人视觉系统求出目标质心特征点的位 置时间序列, 从而将对被跟踪目标的跟踪转化为对 其质心的跟踪; 然后通过推广卡尔曼滤波方法估计
于秀芬1, 2 , 段海滨1 , 龚华军1
( 1. 南京航空航天大学自动化学院, 南京, 210016; 2. 中国科学院空间科学与应用研究中心, 北京, 100080)
摘要: 针对移动机器人的局部视觉定位问题进行了研究。 首先通过移动机器人视觉定位与目标跟踪系统求出目 标质心特征点的位置时间序列, 然后在分析二次成像法获取目标深度信息的缺陷的基础上, 提出了一种获取目 标的空间位置和运动信息的方法。 该方法利用序列图像和推广卡尔曼滤波, 目标获取采用了 H IS 模型。 在移动 机器人满足一定机动的条件下, 较精确地得到了目标的空间位置和运动信息。 仿真结果验证了该方法的有效性 和可行性。 关键词: 移动机器人; 视觉定位; 目标跟踪; 序列图像; 推广卡尔曼滤波 中图分类号: T P 391 文献标识码: A
i= 0 j = 0
- T [ i ] [ j ]. H ) 2 ( 5) - T [ i ] [ j ]. S ) 2 ( 6)
( t) , Y (1) ( t) , Z (1) ( t) ,
2 S
2 . S
∑∑ (P [ i ] [ j ]
i= 0 j = 0
( t) , Y (2) ( t) , Z (2) ( t) } T
( 8)
则可以定义状态方程为 S ( k + 1) = 5 ( k + 1 k ) S ( k ) + V ( k ) ( 10) 其中 5 (k + 1 k ) =
212 目标跟踪
运动目标的跟踪是确定同一物体在不同帧中
第4期
于秀芬, 等: 移动机器人视觉定位方法的研究与实现
435
位置的过程, 当运动目标被正确检测出来时, 它就 对相邻帧中检测出的目标进行匹配。 匹配过程如 下: 2. 2. 1 目标质心位置预测 目标位置预测是依据最小二平方预测原理由 目标质心在本帧以及相邻的连续前几帧的位置值, 直接预测出目标质心在下一帧的位置值。 在等间隔 [6 ] 观测条件下, 可用式 ( 4) 的简便预测 δ p k + 1 = 2125p k - 0175p k - 1 - 1125p k - 2 + ( 4) 0175p k - 3
第19卷第4 期 2004 年 12 月
数 据 采 集 与 处 理 Jou rna l of D a ta A cqu isition & P rocessing
Vol . 19 N o. 4 D ec. 2004
文章编号: 100429037 ( 2004) 0420433205
移动机器人视觉定位方法的研究与实现
∑x p (x , y )
i i i
x =
i= 1 n
( 2)
∑
i= 1 n
p (x i , y i )
∑y p (x , y )
i i i
y =
i= 1 n
( 3)
∑
i= 1
p (x i , y i )
式中: x , y 为质心坐标; n 为目标区域占据的像素个 数, 且 n ≥2; ( x i , y i ) 为第 i 个像素的坐标; p ( x i , y i ) 为第 i 个像素的灰度值。
式 ( 9) 表明: 根据同一目标、 同一摄像机所摄物体的 图像几何特征的变化, 可以计算出它们在空间深度 方向运动时距离所发生的变化, 这就是二次成像法 的原理。 分析式 ( 9) 可知, 二次成像法能够确定目标在 摄像机坐标系中的位置, 但该方法在摄相机两次成 像的位置变化不大的情况下误差会比较大, 而且不 能得到目标的运动信息。 为此本文提出了利用序列 图像和推广卡尔曼滤波来估计目标的空间位置和 运动信息的方法。
运动视觉研究的是如何从变化场景的一系列 不同时刻的图像中提取出有关场景中的目标的形 状、 位置和运动信息, 将之应用于移动机器人的导 航与定位。 首先要估计出目标的空间位置和运动信 息, 从而为移动机器人车体的导航与定位提供关键 前提。 视觉信息的获取主要是通过单视觉方式和多 视觉方式。 单视觉方式结构简单, 避免了视觉数据 融合, 易于实现实时监测。 如果利用目标物体的几 何形状模型, 在目标上取 3 个以上的特征点也能够
不考虑透镜畸变, 则由透视投影成像模型为[ 4 ] (X - X c0 ) f u= + u0 ( Z - Z c0 ) d x ( 1) ( Y - Y c0 ) f v = + v0 ( Z - Z c0 ) d y 式中, Z ′ = [ u , v ] T 为目标特征点 P 在图像坐标系 的二维坐标值; (X , Y , Z ) 为 P 点在世界坐标系的 坐标; (X c0 , Y c0 , Z c0 ) 为摄像机的光心在世界坐标系 的坐标; d x , d y 为摄像机的每一个像素分别在 x 轴 与 y 轴方向采样的量化因子; u 0 , v 0 分别为摄像机 的图像中心 O 1 在 x 轴与 y 轴方向采样时的位置偏 移量。通过式 ( 1) 即可实现点 P 位置在图像坐标系 和世界坐标系的变换。
M ob ile Robot V isua l L oca ting M ethod and Its Rea l iza tion
YU X iu 2f en
1, 2
, D UA N H a i 2bin 1 , GON G H ua 2jun 1
( 1. Co llege of A u tom a tion Engineering, N an jing U n iversity of A eronau tics & A stronau tics, N an jing, 210016, Ch ina; 2. Cen ter fo r Sp ace Science and A pp lied R esea rch, Ch inese A cadem y of Sciences, B eijing, 100080, Ch ina )
图 2 目标区域分割算法流程
实现目标区域提取后, 由于目标有一定的大小 和形状, 为了对目标定位, 必须在图像中选取目标 上对应的点的图像位置。 由于目标的质心点具有不 随平移、 旋转与比例的改变而变化的特点, 故选取 目标的质心点作为目标点。 质心坐标计算公式如下
n
2 图像目标识别与定位跟踪
211 目标获取
在搜索与上一帧图像对应质心点匹配的点时, 采用基于子块的模式匹配方法。 子模块是由待匹配 的点与周围 8 个邻点组成。 由于这种方法充分考虑 了特征点的统计特性, 识别率大大提高。 首先从预测质心点开始, 在 100 × 100 像素的 动态窗口 ( 以预测质心点为中心) 内, 按照逆时针搜 索周围 8 邻域象素的趋势进行环状搜索, 并分别计 算由每个搜索象素决定的子块与上一帧的目标质 心点 T 决定的子块的 H S 特征值之差的平方和。