室內(nèi)未知環(huán)境下動(dòng)態(tài)障礙物定位研究

尹皓 王利利

摘 要：針對(duì)室內(nèi)未知環(huán)境下的動(dòng)態(tài)障礙物定位，提出了一種基于形態(tài)學(xué)濾波與混合高斯模型的Background Subtractor MOG2算法相結(jié)合的動(dòng)態(tài)障礙物定位，并通過一種以針孔模型為原理的視覺測(cè)距模型方法，計(jì)算出圖像坐標(biāo)與世界坐標(biāo)的幾何關(guān)系，繪制了一定比例的局部地圖，通過對(duì)環(huán)境以及障礙物的真實(shí)位置與構(gòu)建的局部地圖對(duì)比試驗(yàn)，驗(yàn)證了采用此方法對(duì)動(dòng)態(tài)障礙物定位的準(zhǔn)確性。

關(guān)鍵詞：室內(nèi)未知環(huán)境;視覺;動(dòng)態(tài)障礙物定位;局部地圖構(gòu)建

中圖分類號(hào)：TB ? ? 文獻(xiàn)標(biāo)識(shí)碼：A ? ? ?doi：10.19311/j.cnki.1672-3198.2020.08.101

0 引言

室內(nèi)未知環(huán)境下障礙物的定位一直是室內(nèi)移動(dòng)機(jī)器人環(huán)境感知能力研究的熱門，因攝像頭成本較低，市場(chǎng)接受度較高，其本身?yè)碛衅渌麄鞲衅鳑]有的大視野，在實(shí)用上視覺技術(shù)使用方法靈活，可根據(jù)應(yīng)用場(chǎng)景的選擇不同的測(cè)量方法，而且質(zhì)量輕，適用于任意的機(jī)器人實(shí)物平臺(tái)，所以視覺定位在目前機(jī)器人定位領(lǐng)域上占據(jù)很重要的位置。但攝像頭因接受的環(huán)境信息量大，需要處理的環(huán)境噪音復(fù)雜多變，且障礙物種類和情況多變，傳統(tǒng)的靜態(tài)障礙物檢測(cè)算法很難精確定位動(dòng)態(tài)障礙物的位置。近年來，對(duì)于視覺定位應(yīng)用在障礙物的定位問題，鄭爭(zhēng)光提出了自適應(yīng)閾值法對(duì)環(huán)境圖像分割等。但此類方法某些光噪音干擾過大的場(chǎng)景不能很好的分割，而且對(duì)動(dòng)態(tài)物體的檢測(cè)效果很差，為下一步的地圖構(gòu)建的誤差埋下伏筆。文獻(xiàn)基于高斯混合模型的多車道車流量檢測(cè)算法能檢測(cè)出動(dòng)態(tài)的車輛，且魯棒性好實(shí)用性強(qiáng)。受其啟發(fā)，本文針對(duì)環(huán)境噪音做了處理，以及使用一種基于混合高斯模型去除背景法優(yōu)化的算法（視頻背景去除建模Background Subtractor MOG2）來尋找攝像頭中的動(dòng)態(tài)障礙物，并對(duì)圖像中障礙物信息標(biāo)注，利用小孔成像原理測(cè)量出障礙物距離與機(jī)器人之間的距離，并根據(jù)測(cè)量出比率指標(biāo)計(jì)算障礙物尺寸，最后根據(jù)得到的數(shù)據(jù)構(gòu)建環(huán)境地圖。本文方法處理后的消除環(huán)境噪音產(chǎn)生的影響，生成的動(dòng)態(tài)障礙物輪廓清晰，局部地圖構(gòu)建誤差較小并能預(yù)判移動(dòng)方向。此方法能夠滿足室內(nèi)動(dòng)態(tài)障礙物檢測(cè)與地圖構(gòu)建需要的精度，為以后的室內(nèi)障礙物檢測(cè)精度的分析提供了依據(jù)。

1 基于Background Subtractor MOG2的動(dòng)態(tài)障礙物識(shí)別與定位

1.1 動(dòng)態(tài)障礙物及其輪廓檢測(cè)

攝像頭接受了大量的環(huán)境信息，但并不是所有環(huán)境信息對(duì)障礙物的定位都是有效的。因此需要對(duì)圖像作預(yù)處理，提升圖片對(duì)比度并降低圖像噪音，消除無用的環(huán)境信息，提高有用的信息比例。主要方法為圖像濾波，圖像的膨脹和腐蝕。首先，對(duì)視像頭每一幀的圖像進(jìn)行灰度化（圖2），這樣減少了由RGB三通道變?yōu)閱瓮ǖ?，不失環(huán)境細(xì)節(jié)，且減輕了運(yùn)算負(fù)擔(dān)。其次，對(duì)圖像進(jìn)行中值濾波操作（圖3），目的是消除孤立點(diǎn)，并去除脈沖噪聲和椒鹽噪聲，提高特征抽取和識(shí)別的可靠性。

目標(biāo)圖像經(jīng)過濾波處理后，采用Background Subtractor MOG2算法。Background Subtractor MOG2算法是以高斯混合模型為基礎(chǔ)的背景/前景分割算法。相比于其他的物體識(shí)別定位算法，這個(gè)算法的特點(diǎn)是它為每個(gè)像素選擇一個(gè)合適數(shù)目的高斯分布。這樣就會(huì)對(duì)亮光等發(fā)生變化引起的場(chǎng)景變化產(chǎn)生更好的適應(yīng)。在實(shí)際應(yīng)用此算法時(shí)選擇檢測(cè)陰影，這樣就不會(huì)應(yīng)為物體或燈光的陰影而影響檢測(cè)結(jié)果，大大的減少了外界環(huán)境的干擾。有別于其他文獻(xiàn)中閾值分割的障礙物檢測(cè)方法，在尋找障礙物時(shí)采用這種算法可以在移動(dòng)機(jī)器人移動(dòng)時(shí)檢測(cè)到障礙物，且能在一定光線的照射下較為準(zhǔn)確地識(shí)別障礙物在相機(jī)坐標(biāo)中的位置，增強(qiáng)了移動(dòng)機(jī)器人在室內(nèi)環(huán)境下的適應(yīng)能力，識(shí)別運(yùn)動(dòng)中的物體（圖4）。

在不影響障礙物總的位置和形狀的前提下，為了除去孤立的小點(diǎn)，毛刺和小橋，目的是防止地面上的紋理以及地面上細(xì)小的反射物帶來的影響，通過形態(tài)學(xué)運(yùn)算（圖5），先進(jìn)行腐蝕操作，再進(jìn)行膨脹操作。第二次進(jìn)行膨脹消去障礙物圖中的黑色點(diǎn)，第二次進(jìn)行腐蝕維持障礙物形狀（圖6）。對(duì)處理后的圖像的輪廓進(jìn)行尋找，找到輪廓后對(duì)輪廓內(nèi)的像素點(diǎn)通過凸包檢測(cè)（圖7）可以包住輪廓點(diǎn)集中的所有點(diǎn)，避免因沒有識(shí)別到障礙物突起的形狀造成局部地圖構(gòu)建的誤差，對(duì)機(jī)器人的正常行駛造成干擾。再次對(duì)凸包點(diǎn)集中做生成最小外接矩形（圖8），得到處理后的中心，以及長(zhǎng)、寬，以中心為障礙物中心點(diǎn)。且在源圖像中畫出最小外接矩形，判斷識(shí)別誤差，方便給出局部地圖構(gòu)建時(shí)的誤差。

2 矯正方向及局部地圖構(gòu)建

在實(shí)際場(chǎng)景中圖像與視覺場(chǎng)景中移動(dòng)方向相反，通過對(duì)圖像水平左右調(diào)換實(shí)現(xiàn)位置移動(dòng)方向的一致性。因?yàn)閿z像頭采集到的是二維環(huán)境信息。因此，為了實(shí)現(xiàn)路徑的規(guī)劃，構(gòu)建局部地圖，因此建立一個(gè)X，Y軸的直角坐標(biāo)系，所得到的障礙物的長(zhǎng)寬為x，y為了計(jì)算方便，在X正半軸繪制世界坐標(biāo)系下相機(jī)坐標(biāo)下的局部地圖。

通過實(shí)際大小計(jì)算，繪制得到的1∶10比例的局部地圖，如圖9所示。

依照上圖所示障礙物位置，可測(cè)的距室內(nèi)移動(dòng)機(jī)器人的距離，并依照構(gòu)建的局部地圖，可為之后的路徑規(guī)劃提供較為準(zhǔn)確地?cái)?shù)據(jù)。

3 結(jié)束語(yǔ)

本文基于真實(shí)障礙物動(dòng)態(tài)移動(dòng)圖像，提出了基于圖像處理技術(shù)以及Background Subtractor MOG2算法的檢測(cè)動(dòng)態(tài)障礙物的方法，并詳細(xì)解釋了障礙物真實(shí)測(cè)量距離的算法以及根據(jù)定位算法繪制了室內(nèi)環(huán)境下常見的動(dòng)態(tài)障礙物定位局部地圖，并給出了預(yù)判移動(dòng)方向，實(shí)驗(yàn)結(jié)果表明，此方法可以在一定環(huán)境下實(shí)現(xiàn)的動(dòng)態(tài)障礙物定位以及構(gòu)建地圖，為之后的路徑規(guī)劃提供了準(zhǔn)確率較高的數(shù)據(jù)，但是在強(qiáng)光下的準(zhǔn)確率提升，運(yùn)行速率的提高等內(nèi)容還需要繼續(xù)研究下去。

參考文獻(xiàn)

[1]鄭爭(zhēng)光，任小洪，程亞軍，等.未知環(huán)境下單目視覺移動(dòng)機(jī)器人路徑規(guī)劃[J].計(jì)算機(jī)工程與應(yīng)用，2018，54（03）：255-258+264.

[2]周世付，李建雄，沈振乾，等.基于高斯混合模型的多車道車流量檢測(cè)算法[J].計(jì)算機(jī)仿真，2012，29（10）：331-335.

[3]韓廣飛.基于視覺的智能車前方運(yùn)動(dòng)車輛檢測(cè)與測(cè)距方法的研究[D].太原：太原理工大學(xué)，2015.

[4]WU X，LOUP X，YU J，et al.Intersection recogtion and guide pathselection for a vision-based AGV in a bidirecti-on flow network[J].International Journal of Advanced Robotic Systems，2014，11（39）：1-17.

[5]吳運(yùn)雄，曾碧.基于深度強(qiáng)化學(xué)習(xí)的移動(dòng)機(jī)器人軌跡跟蹤和動(dòng)態(tài)避障[J].廣東工業(yè)大學(xué)學(xué)報(bào)，2019，36（01）：42-50.

[6]趙小川，劉培志，張敏，等.一種適用于移動(dòng)機(jī)器人的障礙物快速檢測(cè)算法及其實(shí)現(xiàn)[J].機(jī)器人，2011，33（02）：198-201+214.

[7]James G B， Kamla R.Robotics in Remote and Hostile Environments[J].Science，2007，318（5853）：1098-1102.

[8]吳剛，唐振民.單目式自主機(jī)器人視覺導(dǎo)航中的測(cè)距研究[J].機(jī)器人，2010，32（06）：828-832.