移動機(jī)器人高精度定位技術(shù)研究

楊楠

摘 要：移動機(jī)器人在人們?nèi)粘Ｉ钪邪缪葜絹碓街匾慕巧?，高精度定位技術(shù)作為移動機(jī)器人關(guān)鍵技術(shù)之一而得到廣泛關(guān)注與研究。研究分析了目前已有的定位技術(shù)，并且提出一種改進(jìn)的基于圖像信息的移動機(jī)器人自主定位技術(shù)，從圖像中獲取特征點(diǎn)，然后采用改進(jìn)的匹配算法匹配連續(xù)幀之間的特征點(diǎn)，在已知相機(jī)參數(shù)的條件下計(jì)算出相機(jī)投影矩陣，解算出移動機(jī)器人姿態(tài)矩陣?；趫D像信息的定位算法，克服了其他定位方法信號漂移、定位精度差的缺點(diǎn)，并且該定位裝置具有價格低、易于安裝操作的特點(diǎn)。

關(guān)鍵詞：移動機(jī)器人；高精度定位；視覺定位；特征匹配；相機(jī)投影矩陣

中圖分類號：TP391.4 文獻(xiàn)標(biāo)識碼：A 文章編號：2095-1302（2015）04-00-02

0 引 言

目前被廣泛使用的GPS定位技術(shù)，存在定位精度低、信號盲區(qū)、輸出頻率低等缺陷[1]，因此新的定位技術(shù)[2]在不斷被探索。近幾年來，由于圖像處理技術(shù)快速發(fā)展，運(yùn)用圖像方法輔助定位技術(shù)成為研究熱點(diǎn)[3，5-8]，SHI Hang提出一種有效的景象匹配輔助GPS/SINS（GPS/SINS/SM）組合導(dǎo)航算法[3]，主要目的在于修正GPS、SINS 以及GPS/ SINS 組合導(dǎo)航系統(tǒng)的估計(jì)誤差，提高系統(tǒng)的可靠性。美國NAVSYS公司開發(fā)了一種CPS/慣性/圖像組合系統(tǒng)GI-Eye，研發(fā)出一種視頻校正技術(shù)并應(yīng)用在CPS /慣性/圖像傳感器中，使其在CPS信息連續(xù)丟失的情形下也可維持高精度的位置與姿態(tài)信息[4]。由于圖像匹配定位的精度很高，Sim利用這種精確的位置信息消除慣性導(dǎo)航系統(tǒng)長時間工作的累計(jì)誤差，以便提高慣性導(dǎo)航系統(tǒng)的定位精度[5]。那么，對于無信號情況下的機(jī)器人自主定位問題，也可以根據(jù)基于圖像匹配[6]獲取的機(jī)器人軌跡與初始位置信息來解決。Lowe提出的SIFT算法在視點(diǎn)變化、仿射變換和噪聲下具有良好的匹配性能[7]；Ke提出PCA-SIFT算法將描述子從128維降到36維，提高了特征向量的匹配速度[8]；Bay提出了SURF算法[9]，主要根據(jù)Fast-Hessian矩陣的行列式檢測特征點(diǎn)，利用Haar小波的局部響應(yīng)來描述特征。本文采用一種SURF匹配算法自適應(yīng)切換的移動機(jī)器人運(yùn)行軌跡提取方法，可以實(shí)現(xiàn)無信號情況下的移動機(jī)器人定位問題，并且其精度滿足機(jī)器人行為安全分析要求。

1 算法總體設(shè)計(jì)

機(jī)器人運(yùn)行軌跡提取是利用高速率相機(jī)實(shí)時提取當(dāng)前路面圖像，根據(jù)圖像匹配算法計(jì)算當(dāng)前圖像與前一幀圖像的變化距離及變化角度，計(jì)算相機(jī)運(yùn)動姿態(tài)反應(yīng)機(jī)器人運(yùn)動狀態(tài)。利用路面圖像的變化反映機(jī)器人行駛變化，然后根據(jù)圖像坐標(biāo)系和機(jī)器人坐標(biāo)系之間的關(guān)系推算出其實(shí)際運(yùn)行軌跡。

此過程中，關(guān)鍵在于路面圖像的精確匹配。路面圖像紋理豐富、特征點(diǎn)多，所以本文首選采取了SURF特征匹配算法[9]。利用SURF算法檢測當(dāng)前圖像和前一幀圖像的特征點(diǎn)，采用特征點(diǎn)特征向量的歐氏距離來作為兩幅圖像特征點(diǎn)的相似性判斷度量。找出當(dāng)前圖像與前一幀圖像中歐氏距離最近的前兩個特征點(diǎn)，在這兩個特征點(diǎn)中，如果最近的距離除以次近的距離少于某個比例閾值，則接受這一對匹配點(diǎn)。因此選擇合適的閾值極其重要，本文選取的閾值為0.6，其在保證匹配穩(wěn)定性的前提下，提高匹配的準(zhǔn)確率，減少錯誤匹配點(diǎn)數(shù)。

2 視覺定位技術(shù)

本文采用如圖1所示的算法對機(jī)器人姿態(tài)進(jìn)行解算。為了得到高精度的定位結(jié)果，需要預(yù)先知道相機(jī)參數(shù)，因此首先對相機(jī)進(jìn)行標(biāo)定。本實(shí)驗(yàn)中所用相機(jī)為廣角鏡頭，故對圖像進(jìn)行桶形矯正處理，IPM變換的作用是將圖像變換成俯視圖便于圖像處理。針對雙目相機(jī)圖像的匹配，本文擬采用SURF算法。

SURF算法是一種基于快速魯棒特征的匹配算法，是目前效率較高的圖像局部特征提取及描述算法，主要應(yīng)用于圖像配準(zhǔn)與拼接方面。該算法主要包括特征點(diǎn)檢測、特征點(diǎn)描述以及特征點(diǎn)匹配3個部分。

2.1 特征點(diǎn)檢測

2.2 特征點(diǎn)描述

在以特征點(diǎn)為圓心，半徑為6σ（σ為尺度）的圓內(nèi)，計(jì)算Harr小波響應(yīng)值dx，dy，對之進(jìn)行高斯加權(quán)，記為Wdx，Wdy。然后對加權(quán)后的響應(yīng)值進(jìn)行直方圖統(tǒng)計(jì)，將一個圓的360°分成72組（每組5°）的60°大小扇形區(qū)域，分別對每個區(qū)域內(nèi)的哈爾小波響應(yīng)值相加計(jì)算得到一個新的矢量，最后選擇最長的矢量方向作為該特征點(diǎn)的主方向。

確定主方向后，以特征點(diǎn)為中心，選取中心點(diǎn)鄰域范圍內(nèi)20σ*20σ大小的區(qū)域，然后將區(qū)域的主方向旋轉(zhuǎn)到特征點(diǎn)的主方向。將此區(qū)域劃分為4*4共16個子區(qū)域。對每個子區(qū)域，計(jì)算每個像素點(diǎn)經(jīng)過加權(quán)的Harr小波在X方向和Y方向的響應(yīng)值dx，dy，然后建立一個四維的特征向量如下：

對于前一幀圖像上的特征點(diǎn)，計(jì)算它到后一幀圖像上所有特征點(diǎn)的絕對值距離，得到一個距離集合。通過對距離集合進(jìn)行比較運(yùn)算得到最小絕對值距離和次最小絕對值距離。設(shè)定一個閾值T，當(dāng)最小絕對值距離和次最小絕對值距離的比值小于T時，認(rèn)為具有最小絕對值距離的特征點(diǎn)是匹配的，否則沒有點(diǎn)與該特征點(diǎn)相匹配。閾值設(shè)定越小，配準(zhǔn)點(diǎn)對越少，但配準(zhǔn)更穩(wěn)定。

3 實(shí)驗(yàn)結(jié)果及總結(jié)

采用機(jī)器人上安裝的相機(jī)采集路面圖像，對圖像處理從而得到運(yùn)行軌跡。拍攝路面長度為6 m，可以轉(zhuǎn)化成279幀圖像，圖像大小為640*480，采用SURF算法對圖像進(jìn)行特征點(diǎn)檢測和特征點(diǎn)匹配。圖2為該視頻中采用SURF算法匹配結(jié)果。其中，前兩幀圖像分別為前一幀和當(dāng)前幀圖像，然后是兩幀圖像的匹配結(jié)果。

計(jì)算每幅圖像所有正確匹配點(diǎn)的偏移量和角度，然后使用其均值繪制軌跡。運(yùn)行距離單位以像素點(diǎn)計(jì)，圖像移動長度與機(jī)器人實(shí)際運(yùn)行長度的轉(zhuǎn)換比例依賴于實(shí)際拍攝時相機(jī)的位置。在本文實(shí)驗(yàn)壞境下，可粗略獲得換算比例為1 m：580pixels，計(jì)算軌跡誤差，明顯可知誤差范圍<1 m，由于人為拍攝，存在輕微抖動，但不影響整體運(yùn)行趨勢。

本文提出了一種基于SURF點(diǎn)匹配的機(jī)器人移動軌跡提取方法。該方法首先通過SURF算法與基于SURF獲取匹配點(diǎn)。計(jì)算匹配點(diǎn)之間的偏移量和角度，采用分類法消除錯誤的匹配點(diǎn)，最后根據(jù)正確匹配點(diǎn)之間的偏移量和角度，繪制運(yùn)行軌跡。該方法保證了機(jī)器人軌跡提取的連續(xù)性，精確度滿足機(jī)器人行為安全分析的誤差要求。

參考文獻(xiàn)

[1] Yuan Xin， Yu Jixiang， Chen Zhe. Navigation System[M]. Beijing： Publishing House of Aeronautics Industry，1993.

[2] Gezici S. A survey on wireless position estimation[J]. Wireless Personal Communications， 2008， 44（3）： 263-282.

[3] SHI H， YAN L， LIU B， et al. GPS/SINS integrated navigation algorithm aided by scene matching[J]. Journal of Tsinghua University （Science and Technology）， 2008，48（7）： 1182-1185，1189.

[4] Conte G， Doherty P. An integrated UAV navigation system based on aerial image matching[C]//Aerospace Conference， 2008 IEEE. IEEE， 2008： 1-10.

[5] Sim D G， Park R H， Kim R C， et al. Integrated position estimation using aerial image sequences[J]. Pattern Analysis and Machine Intelligence， IEEE Transactions on， 2002， 24（1）： 1-18.

[6] 趙玲.基于視覺和超聲傳感器融合的移動機(jī)器人導(dǎo)航系統(tǒng)研究[D].武漢：武漢理工大學(xué)，2007.

[7] Lowe D G. Distinctive image features from scale-invariant keypoints[J]. International journal of computer vision， 2004， 60（2）： 91-110.

[8] Ke Y， Sukthankar R. PCA-SIFT： A more distinctive representation for local image descriptors[C]//Computer Vision and Pattern Recognition， 2004. CVPR 2004. Proceedings of the 2004 IEEE Computer Society Conference on. IEEE， 2004（2）：506-513.

[9] Bay H， Tuytelaars T， Van Gool L. Surf： Speeded up robust features[C]. Computer Vision–ECCV 2006， 2006： 404-417.