一種仿人足球機(jī)器人視覺(jué)系統(tǒng)環(huán)境特征獲取與識(shí)別方法

王亞?wèn)|，雷國(guó)華，安 波，于燕飛，許憲東

（黑龍江工程學(xué)院 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，黑龍江 哈爾濱150050）

環(huán)境感知是仿人機(jī)器人系統(tǒng)進(jìn)行決策的前提和基礎(chǔ)。不同于傳統(tǒng)的輪式機(jī)器人所具有的超聲傳感器、激光測(cè)距儀、視覺(jué)傳感器等多種傳感器。在當(dāng)前的仿人機(jī)器人足球比賽中，通常只具有單目或雙目視覺(jué)傳感器。目前仿人足球機(jī)器人視覺(jué)系統(tǒng)的主要難題集中在以下兩個(gè)方面：一方面是圖像的彩色分割，常用的是閾值法和查找表法。比賽環(huán)境通常是一個(gè)已知的結(jié)構(gòu)化環(huán)境，所有待識(shí)別的目標(biāo)都用規(guī)范化顏色標(biāo)識(shí)，因此，研究較多的是基于顏色特征來(lái)分割圖像，應(yīng)用比較多的有RGB、YUV和HIS三種顏色模型［1－4］。另一方面要對(duì)物體根據(jù)各自的特征進(jìn)行識(shí)別，在足球機(jī)器人比賽環(huán)境中，場(chǎng)地內(nèi)的球門(mén)、球、標(biāo)識(shí)柱、場(chǎng)地線以及雙方機(jī)器人是需要識(shí)別的特征。在仿人機(jī)器人競(jìng)賽中，機(jī)器人一般以固定的時(shí)間間隔拍照，對(duì)所獲得圖像序列進(jìn)行處理，獲得周邊的環(huán)境信息，如球、機(jī)器人和門(mén)框等，進(jìn)而根據(jù)所獲得的球的顏色或其它信息進(jìn)行運(yùn)動(dòng)決策。但是，由于機(jī)器人攝像頭所觀察的區(qū)域不能覆蓋前方整個(gè)比賽區(qū)域，造成機(jī)器人無(wú)法獲得正確決策所需的信息。因此，在機(jī)器人比賽中，如何獲得完整的前方信息是關(guān)鍵。由于在一定點(diǎn)所獲圖像一般只是其前方一部分區(qū)域，但是機(jī)器人在該點(diǎn)可以左右轉(zhuǎn)動(dòng)頭部，獲得兩側(cè)的信息，顯然這些照片通常是有交叉的，本文提出通過(guò)圖像拼接技術(shù)獲得完整的前方圖像。

圖像拼接技術(shù)就是將多張有重疊的圖像拼合成一個(gè)大的圖像的技術(shù)［5－7］。其基本思想是找到2幅圖像的重疊部分，通過(guò)去除重疊區(qū)域拼接成1幅圖像。圖像拼接?？梢苑殖蓤D像配準(zhǔn)和圖像融合。配準(zhǔn)的目的是根據(jù)幾何運(yùn)動(dòng)模型，將圖像注冊(cè)到同一個(gè)坐標(biāo)系中。融合則是將配準(zhǔn)后的圖像合成為1張大的拼接圖像。目前應(yīng)用比較多的是基于特征的圖像匹配方法?；谔卣鞯姆椒▽?shí)現(xiàn)過(guò)程大致要經(jīng)過(guò)特征查找、匹配和運(yùn)動(dòng)關(guān)系求解3個(gè)過(guò)程。其主要有基于Harris特征檢測(cè)器、尺度不變特征檢測(cè)（SIFT）算法等。

1 仿人機(jī)器人的圖像拼接技術(shù)基本原理

本文提出基于圖像拼接技術(shù)的仿人機(jī)器人賽場(chǎng)環(huán)境特征提取方法，其基本流程如圖1所示。

圖1 算法流程

1.1 SIFT特征點(diǎn)的提取

Lowe［8］總結(jié)了現(xiàn)有的基于不變量技術(shù)的特征檢測(cè)方法，提出了SIFT算子，SIFT特征匹配算法包括SIFT特征的生成（從多幅待匹配圖像中提取出對(duì)尺度縮放、旋轉(zhuǎn)、亮度變化無(wú)關(guān)的特征向量）和SIFT特征向量的匹配2個(gè)階段。本文采用SIFT算子進(jìn)行拼接，基本過(guò)程如下：提取機(jī)器人A所獲得的圖像A與機(jī)器人B所獲得的圖像B的SIFT特征，生成SIFT特征，描述其特征檢測(cè)基本思想：尺度空間極值檢測(cè)，以初步確定關(guān)鍵點(diǎn)位置和所在尺度。1幅圖像在不同尺度下的尺度空間定義為圖像I（x，y）與高斯核G（x，y，σ）的卷積：

其中：L為圖像的尺度空間，（x，y）為圖像的像素坐標(biāo)，σ為尺度坐標(biāo)。在圖像二維平面空間和DoG尺度空間中同時(shí)檢測(cè)局部極值作為特征點(diǎn)，從而使特征具備良好的獨(dú)特性和穩(wěn)定性。DoG算子定義為兩個(gè)不同尺度的高斯核的差分，是歸一化LoG（Laplacian－of－Gaussian）算子的近似。DoG 算子表示為

即在圖像尺度空間內(nèi)遍歷所有的點(diǎn)，并且判斷其與鄰域內(nèi)點(diǎn)的大小關(guān)系，如果該點(diǎn)的值大于或小于鄰域所有點(diǎn)的值，則該點(diǎn)為候選特征點(diǎn)。通過(guò)擬和三維二次函數(shù)以精確確定關(guān)鍵點(diǎn)的位置和尺度，同時(shí)去除低對(duì)比度的關(guān)鍵點(diǎn)和不穩(wěn)定的邊緣響應(yīng)點(diǎn)（因?yàn)镈oG算子會(huì)產(chǎn)生較強(qiáng)的邊緣響應(yīng)），以增強(qiáng)匹配穩(wěn)定性、提高抗噪聲能力。

1.2 用圖像A和圖像B的特征構(gòu)建K－D樹(shù)，采用最近鄰優(yōu)先搜索進(jìn)行搜索匹配

所謂的特征點(diǎn)匹配本質(zhì)上是一個(gè)通過(guò)距離函數(shù)（如歐式距離）在高維矢量之間進(jìn)行相似性檢索的問(wèn)題。最近鄰搜索的基本原理：給定一個(gè)多維空間R，R中的一個(gè)向量為一個(gè)樣本點(diǎn)。R中樣本點(diǎn)所構(gòu)成的有限集合稱(chēng)為樣本集。對(duì)于給定樣本集E以及一個(gè)樣本點(diǎn)d，d′為d的最近鄰點(diǎn)是指對(duì)于任何樣本點(diǎn)d′∈E滿足：

式中：di是向量d的第i個(gè)分量。

具體過(guò)程如下：對(duì)參考圖像A的SIFT特征點(diǎn)建立K－D樹(shù)。對(duì)待配圖像B的每個(gè)SIFT特征點(diǎn)feather＿node，采用最鄰近點(diǎn)搜索算法找到最鄰近點(diǎn)feather＿node1和次鄰近點(diǎn)feather＿node2。采用近似最近鄰優(yōu)先搜索進(jìn)行搜索匹配，通過(guò)計(jì)算feather＿node與feather＿node1和feather＿node2的距離進(jìn)行匹配。

基于K維樹(shù)的SIFT特征點(diǎn)的匹配算法：

輸入：圖像1的128維向量SIFT特征點(diǎn)集合

圖像2的128維向量SIFT特征點(diǎn)集合

輸出：匹配的SIFT特征點(diǎn)對(duì)的匹配鏈表

1）構(gòu)建K維樹(shù)；

2）初始化匹配鏈表為空；

3）對(duì)在圖像2特征點(diǎn)中的每一個(gè)SIFT特征點(diǎn)

調(diào)用最近鄰優(yōu)先搜索進(jìn)行查找匹配點(diǎn)

返回最鄰近點(diǎn)feather＿node1和次鄰近點(diǎn)feather＿node2

Then

將（feather＿node1，feather＿node）添加到匹配鏈表

由上述方法得到的匹配點(diǎn)有誤差點(diǎn)的存在，可稱(chēng)之為偽匹配點(diǎn)。

1.3 RANSAC剔除誤點(diǎn)，計(jì)算單應(yīng)性矩陣，進(jìn)行拼接

隨機(jī)采樣一致（Random Sample Consensus，RANSAC）算法［9］，是一種從樣本中準(zhǔn)確擬合數(shù)學(xué)模型的算法，包括去除噪聲點(diǎn)（外點(diǎn)）和留下有效值。該算法假設(shè)符合數(shù)學(xué)模型的數(shù)據(jù)點(diǎn)是內(nèi)點(diǎn)，不符合的是外點(diǎn)。采用RANSAC剔除誤點(diǎn)的過(guò)程如下：

1）隨機(jī)從3種得到的偽匹配點(diǎn)中選擇4對(duì)匹配點(diǎn)，計(jì)算變換矩陣H；

2）計(jì)算每對(duì)偽匹配點(diǎn)與H的距離d；

3）設(shè)定距離閾值，若內(nèi)點(diǎn)距離小于閾值T，則為內(nèi)點(diǎn)，并在內(nèi)點(diǎn)域上重新估計(jì)H；

4）重復(fù)以上隨機(jī)采樣n次，直到獲得最大的內(nèi)點(diǎn)集合；依此集合估計(jì)拼接所需圖像變換矩陣。

確定圖像的拼接位置之后，簡(jiǎn)單地疊加處理會(huì)造成在圖像疊加區(qū)域出現(xiàn)與周?chē)黠@的區(qū)別。因此，這里采用雙線性插值方法對(duì)圖像進(jìn)行進(jìn)一步的融合處理。

1.4 對(duì)拼接所得圖像采用Canny算法獲得邊界等信息

迄今有許多邊緣檢測(cè)算法，如Laplace算法、Sobel算法、Robert算法、LOG算法以及Canny算法等。Canny算子具有很好的邊緣檢測(cè)性能，其具有信噪比大和檢測(cè)精度高的優(yōu)點(diǎn)，被廣泛應(yīng)用，因此，本文選用Canny算法［10］提取邊緣。

采用Canny算子邊緣檢測(cè)的基本步驟如下：

1）采用高斯濾波器對(duì)圖像進(jìn)行平滑處理。

2）計(jì)算圖像的梯度和方向。

3）采用非極大值抑制，獲得細(xì)化邊緣。

4）通過(guò)雙閾值算法檢測(cè)和連接邊緣。

2 實(shí)驗(yàn)與分析

實(shí)驗(yàn)中采用小型仿人機(jī)器人MOS2007，其所攜帶的攝像頭功能有限，采用單目攝像頭，能夠觀察的范圍較小，在實(shí)際的比賽中，很難準(zhǔn)確地獲得環(huán)境信息，從而識(shí)別定位目標(biāo)球與守門(mén)員。實(shí)驗(yàn)中機(jī)器人決策前在球門(mén)前方獲取環(huán)境圖，再將頭部攝像頭旋轉(zhuǎn)30°后獲得另一幅圖。實(shí)驗(yàn)結(jié)果如圖2～6所示，其中圖2和圖3為所獲原始圖像，圖4為提取圖像匹配特征點(diǎn)示意圖，圖5和圖6為拼接后圖像及進(jìn)行Canny特征提取后效果。

圖6 Canny處理后圖像

3 結(jié)束語(yǔ)

可以看出，采用基于SIFT的圖像拼接方法可以較好地獲得環(huán)境圖像的特征，而Canny算法能夠較好地獲得賽場(chǎng)環(huán)境（球門(mén)，跑道）的直線特征，相對(duì)于傳統(tǒng)的單一通過(guò)顏色方法進(jìn)行目標(biāo)識(shí)別要更為直觀和準(zhǔn)確。這種方法的缺點(diǎn)是SIFT特征點(diǎn)的提取與處理要花費(fèi)較多的時(shí)間，且如果賽場(chǎng)環(huán)境較單一（如只用顏色標(biāo)定球門(mén)等，角點(diǎn)等信息較少），則效率較低。

［1］陳鳳東，洪炳熔，朱瑩.基于HIS顏色空間的多機(jī)器人識(shí)別研究［J］.哈爾濱工業(yè)大學(xué)學(xué)報(bào)，2004，36（7）：928－930.

［2］白力勇，黃鴻，趙增榮.基于RoboCup中型組足球機(jī)器人視覺(jué)圖像識(shí)別的一種快速算法［J］.自動(dòng)化理論、技術(shù)與應(yīng)用，2006，3（10）：347－351.

［3］李動(dòng)恒，張澤峰，陳小平，等.基于圖象分割的機(jī)器人視覺(jué)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)［J］.小型微型計(jì)算機(jī)系統(tǒng)，2003，24（2）.

［4］楊紅穎，吳俊峰，于永健，等.一種基于HSV空間的彩色邊緣圖像檢索方法［J］.中國(guó)圖象圖形學(xué)報(bào)，2008，6（10）.

［5］鐘力，胡曉峰.重疊圖像拼接算法［J］.中國(guó)圖像圖形學(xué)報(bào)，1998，3（5）：365－369.

［6］王玉珍.邊緣重疊圖像拼接中的特征塊選?。跩］.西北師范大學(xué)學(xué)報(bào)：自然科學(xué)版，2002，38（1）：38－40.

［7］支玲玲，葛慶平，姬照中.邊緣顏色匹配算法在計(jì)算機(jī)拼圖中的應(yīng)用［J］.計(jì)算機(jī)工程與設(shè)計(jì)，2010（16）.

［8］Lowe D G.Distinctive image features from scale－invariant keypoints［J］.Internatioal Journal of Computer Vision，2004，60（2）：91－110.

［9］周劍軍，歐陽(yáng)寧，張彤，等.基于RANSAC的圖像拼接方法［J］.計(jì)算機(jī)工程與設(shè)計(jì)，2009，30（4）：5692－5693.

［10］王植，賀賽先.一種基于Canny理論的自適應(yīng)邊緣檢測(cè)方法［J］.中國(guó)圖象圖形學(xué)報(bào)，2004，9（8）.