基于圖像識別技術的機器人移動中障礙物定位研究

肖 佳，楊 微，張志威

（廣州軟件學院 軟件工程系，廣州 510990）

隨著移動機器人的智能化發(fā)展，工業(yè)、運輸、電力等領域都開始應用移動機器人，以達到減少工作壓力的目的。在應用范圍不斷擴張的同時，各行業(yè)對機器人性能也提出更高要求[1]。尤其在服務行業(yè)和電力行業(yè)中，移動機器人的工作環(huán)境較為復雜，一旦機器人移動過程中與障礙物相撞，在影響工作效率的同時還會產(chǎn)生額外的經(jīng)濟損失[2]。想要順利完成工作，就要確保機器人具有良好的避障性能，而機器人移動中障礙物定位研究，就是影響機器人避障性能的關鍵。

文獻[3]根據(jù)障礙物定位精度要求，布置多個傳感器采集機器人運行環(huán)境信息，并通過深度學習算法進行障礙物定位與識別，但該方法的抗噪性較差。文獻[4]依托于YOLOv4 算法，設計一種障礙物檢測與定位模式，通過雙目相機獲取障礙物圖像，根據(jù)圖像中障礙物位置信息和像素位置距離信息，明確障礙物當前所處位置，但該方法定位誤差較大。文獻[5]采用SSD 網(wǎng)絡模型，對原始采集圖像內(nèi)存在的障礙物提取邊緣框，通過HSI 顏色空間描述框內(nèi)的圖像，再根據(jù)圖像亮度信息進行分割處理，利用線性擬合算法，對分割后的子區(qū)域進行計算，獲取障礙物與機器人之間的歐氏距離，完成障礙物定位，但該方法的定位速度較慢。

為解決當前定位方法的不足之處，本文提出基于圖像識別技術的機器人移動過程中障礙物定位方法。實驗驗證結果表明，該方法可以滿足移動機器人快速、精準的導航。

1 基于圖像識別技術的機器人移動中障礙物定位方法

1.1 構建雙目立體視覺測量模型

為了準確獲取障礙物空間位置信息，本文采用雙目立體視覺技術[6]，在移動機器人上安裝2 個雙目攝像機，按照圖1 所示的雙目立體視覺技術原理，在機器人移動過程中，對周圍區(qū)域環(huán)境圖像進行采集。圖1 中，P 表示場景點，C 表示光軸交點，C1、C2表示2 個攝像機的光學中心，P1、P2表示圖像投影點，O1表示左側攝像機的投影平面中心點，O2表示右側攝像機的投影平面中心點。

圖1 雙目視覺示意圖Fig.1 Schematic diagram of binocular vision

依托于雙目立體視覺系統(tǒng)，構建機器人移動環(huán)境測量模型，需要明確世界坐標系和攝像機坐標系之間的聯(lián)系，確保攝像機安裝位置最佳，采集深度且有意義的環(huán)境信息，不同坐標系之間的關系如下所示：

式中：（XC，YC，ZC）表示機器人本體坐標系中場景點坐標；（）表示雙目立體視覺系統(tǒng)內(nèi)場景點的坐標；（d，g）表示機器人坐標系中雙目視覺系統(tǒng)坐標系原點的坐標。

本文構建的雙目立體視覺測量系統(tǒng)，不屬于主動視覺系統(tǒng)，當相機初次調(diào)整結束后，不會隨著機器人的移動發(fā)生任何變化。所以，不同坐標系之間屬于單純的平移關系：

式中：（XC1，YC1，ZC1）表示左側攝像機坐標；B 表示機器人移動距離。

結合式（1）和式（2），可得出：

此外，在測量模型構建過程中，本文通過旋轉矩陣、平移矩陣[7]，對雙目立體視覺系統(tǒng)進行校正，保證左右相機的世界坐標系相同。按照校正后的雙目立體視覺測量模型，機器人移動過程中，獲取周圍環(huán)境中存在的所有物體的深度信息，實現(xiàn)周圍環(huán)境的立體重建。

1.2 設計基于圖像識別的信息檢測方法

為了更準確地檢測圖像內(nèi)包含的特征信息，本文基于圖像識別技術設計了一種新的圖像信息檢測方法，該方法主要包括圖像處理和信息檢測2 個環(huán)節(jié)[8]。首先，采用移位去尾的算法，對原始采集圖像進行灰度化處理。引入雙線性插值法進行降采樣處理，雙線性插值法的實現(xiàn)如圖2 所示。

圖2 中，A 表示插值像素點，Q12，Q11，Q22，Q21表示插值像素點的鄰近的4 個像素點，R1，R2表示沿x軸方向插入的像素點，y0，y1，y2表示插值像素點y 軸坐標。

圖2 雙線性插值原理Fig.2 Bilinear interpolation principle

式中：A（x，y）表示插值像素點的坐標值。

針對降采樣處理后的圖像進行分析可知，圖像中像素點的對比度較低，影響圖像識別的準確率。因此，本文結合直方圖均衡化方法，實現(xiàn)灰度圖對比度增強[9]，則累計分布函數(shù)為

式中：s 表示灰度變量；e 表示圖像灰度級；T 表示累計分布函數(shù)；γ 表示圖像對比度；λ 表示概率密度函數(shù)；ε 表示積分假變量。

最后一個圖像處理階段，就是圖像平滑去噪階段，通過雙邊濾波器處理不必要的圖像特征，得到輸出像素值公式：

式中：h 表示輸出圖像；（i，j）表示輸出圖像坐標；? 表示原圖像；（k，l）表示原圖像坐標；η 表示加權系數(shù)。

圖像處理完成后，在基于圖像識別的信息檢測方法設計過程中，結合局部二值模式和Canny 算子分割模式，提取圖像邊緣信息，得到邊緣強度與梯度方向計算結果：

匯總上述公式計算結果，獲取障礙物邊緣信息，并框選出障礙物所在區(qū)域，將該區(qū)域作為鎖定的目標圖像，建立內(nèi)部點陣，針對圖像內(nèi)每個像素點的坐標進行編碼，將整體圖像轉換為一串二進制碼，利用AprilTag 庫內(nèi)的編碼進行解碼處理，依據(jù)解碼結果輸出圖像信息檢測結果。

1.3 建立移動機器人障礙物識別算法

由于機器人在障礙物識別過程中，處于移動狀態(tài)，且周圍環(huán)境內(nèi)的障礙物也可能出現(xiàn)移動，在移動機器人障礙物識別算法建立時，需要合成機器人運動信息和障礙物運動信息。因此，本文基于圖像信息檢測結果，依據(jù)小波不變矩特征設計障礙物識別所需的分類器。小波不變矩特征為

式中：F 表示圖像的小波不變矩特征；m，n，q 表示特征尺度；β 表示圖像函數(shù)；（o，τ）表示圖像函數(shù)的極坐標；φ 表示小波函數(shù)；χ 表示尺度因子；ν 表示位移因子。

引入次優(yōu)搜索算法，選擇2 個合適的小波不變矩特征，進行圖像特征信息提取，將特征提取結果輸入分類器，輸出障礙物識別結果。

1.4 實現(xiàn)障礙物精準定位

為了實現(xiàn)障礙物精準定位，本文引入投影差分法，通過二值化后的逆投影差分圖，描述障礙物距離機器人的距離，以及障礙物方向，基于此描述障礙物空間位置，障礙物狀態(tài)估計的坐標系配置如圖3 所示。

圖3 障礙物狀態(tài)估計的坐標系配置Fig.3 Coordinate system configuration of obstacle state estimation

圖3 中，abc 表示像素坐標系，a′b′c′表示障礙物局部坐標系，aˉbˉcˉ表示機器人自身坐標系，θ 表示障礙物。則障礙物在障礙物局部坐標系中的坐標可以表示為

而機器人坐標系內(nèi)，障礙物坐標推導公式為

結合式（11）和式（12），推算出障礙物方向，以及障礙物與機器人之間的距離：

式中：D表示障礙物與機器人之間的距離；μ 表示障礙物方向。

2 仿真實驗

2.1 實驗場景

為了驗證本文提出的障礙物定位方法，特進行實驗分析。在室內(nèi)環(huán)境中搭建圖4 所示的實驗場景，場景內(nèi)分散放置了8 個障礙物，再隨機選定一款智能巡檢機器人，在機器人移動狀態(tài)下，進行障礙物定位研究。實驗環(huán)境設計完成后，考慮到本文設計的定位方法是以雙目立體視覺系統(tǒng)為基礎的，在移動機器人上方安裝2 個微型攝像機，每個攝像機的分辨率為1950×1050 像素，2 個相機的有限檢測范圍為800 cm。

圖4 實驗場景Fig.4 Experimental scenario

2.2 攝像機標定

本次實驗過程中，依托于MATLAB 工具箱，通過棋盤標定法完成攝像機標定。設置左右兩側的攝像機所采集圖像，是針對相同位置棋盤同步拍攝的，再通過MFC 程序將標定圖像輸入MATLAB 工具箱，得到圖5 所示的標定棋盤圖像組。

圖5 標定棋盤圖像組Fig.5 Calibration checkerboard image group

通過標定工具箱內(nèi)的自動程序，完成2 個攝像機的標定分析，得到表1 所示的標定結果。按照表1所示的標定結果，設置雙目攝像機的各項參數(shù)，通過雙目立體視覺系統(tǒng)測量機器人運行過程中的周圍環(huán)境圖像，再進行后續(xù)障礙物檢測。

表1 左右攝像機標定結果（單位：Pixel）Tab.1 Calibration results of left and right cameras（unit：pixel）

2.3 障礙物檢測

由于初始采集圖像是圖6（a）所示的彩色圖像，為了便于檢測障礙物，對原始圖像進行灰度化處理，得到圖6（b）。通過直方圖均衡化方法，對灰度化圖像進行增強處理，得到圖6（c）所示的效果圖。最后，采用Canny 算子檢測算法，設置高低閾值比為2∶1，得到障礙物輪廓檢測結果，如圖6（d）所示。

圖6 障礙物檢測示意圖Fig.6 Schematic diagram of obstacle detection

2.4 障礙物定位

障礙物檢測結束后，運用本文提出的方法，得出機器人移動過程中障礙物定位結果。為了體現(xiàn)本文設計定位方法的優(yōu)越性，在上述實驗環(huán)境中，采用文獻[3]和文獻[4]提出的方法，進行障礙物定位。記錄不同方法的障礙物定位結果，以及障礙物到移動機器人的真實距離，得到表2。由表2 可知，本文提出的定位方法，對于距離較近的障礙物定位結果與真實值完全一致，如障礙物4、5、6、7、8，對于超出1 m 范圍的障礙物，定位結果會產(chǎn)生一定誤差，但最大定位誤差為0.5 cm，滿足障礙物定位要求。應用文獻[3]、文獻[4]提出的方法進行障礙物定位后，所顯示的最大定位誤差分別為1.8 cm 和3.4 cm。綜上所述，本文設計的障礙物定位方法，使得最大定位誤差減少了72%、85%，該方法的應用有效提升了機器人工作質量。

表2 不同方法的障礙物定位結果Tab.2 Obstacle location results of different methods

3 結語

為了滿足人們對智能機器人越來越高的避障要求，本文針對障礙物定位問題，提出一種以圖像識別技術為核心的定位方法，確保機器人在運行過程中迅速、精確地獲取周圍環(huán)境中存在的障礙信息，為后續(xù)運行路徑的制定提供依據(jù)。從實驗結果來看，所提方法的應用有效降低了故障定位的誤差，為機器人自主運行決策提供可靠信息。