孔旭影

（北京信息職業(yè)技術(shù)學院，北京，100018）

0 引言

筆者的課題研究總目標是實現(xiàn)基于視覺的類人型足球機器人，按照預(yù)定目標進行自主決策，并贏取RoboCup機器人大賽獎項。這包括實現(xiàn)類人型足球機器人能夠進行快速自定位，并較快速地辨識足球和球門，能夠進行自主決策、智能規(guī)劃且將足球射進球門，其中一個子目標就是實現(xiàn)基于視覺的機器人快速自定位。

北京信息職業(yè)技術(shù)學院自2009年開始研究類人型足球機器人，并參加RoboCup機器人中國公開賽；2010年開發(fā)了機器人視頻圖像處理器和類人型足球機器人視覺定位系統(tǒng)軟件，并在國際組織SICE協(xié)會年會上發(fā)表了“Research and Practice about Positioning Algorithms of Humanoid Robot in RoboCup Soccer Stadium”論文；2011年開始展開對類人型足球機器人自主決策、智能規(guī)劃的全面研究，并對類人型足球機器人視覺定位系統(tǒng)進行了全面改進。

1 基于視覺機器人的定位技術(shù)

基于視覺機器人的定位技術(shù)目前主要采用的是視覺測距技術(shù)和圖像特征點提取策略，另外還運用了不變矩算法等。

1.1 視覺測距技術(shù)

視覺測距是實現(xiàn)足球機器人定位的一個基本方法，也是該機器人所有視覺行動的重要前提，要實現(xiàn)視覺測量就必須標定攝像機的參數(shù)和參照物，通過小孔成像模型進行測距。機器人視覺測距系統(tǒng)利用標定結(jié)果，即攝像機的內(nèi)、外部參數(shù)，通過三角測量原理，即機器人的兩個攝像機（雙目）的光心和對應(yīng)的兩幅圖像中的像點所成的射線相交于物點，用最小二乘法解出物體的坐標，對物體的位姿進行測量，從而實現(xiàn)實時定位。單目機器人也用小孔成像模型，計算量會小很多，因此計算速度比較快。由于小孔成像模型的誤差、測量系統(tǒng)的誤差且圖像存在畸變，系統(tǒng)會不可避免地出現(xiàn)誤差，誤差率約11%。[1]

1.2 圖像特征點提取策略

機器人可以根據(jù)球門形狀和顏色以及標志桿的形狀和顏色來判斷對方球門、己方球門、左側(cè)邊線、右側(cè)邊線。顏色與形狀均是事先預(yù)知的圖像特征點，通過RGB色彩通道，識別藍色球門或黃色球門，識別左側(cè)標志桿或右側(cè)標志桿；通過R、B通道灰化圖像并采用聚類的方法，比對近點、中點、遠點的目標成像像素，判斷距離目標的遠近，從而定位機器人。這種方法的誤差率也不能保證在10%以下。[2]

1.3 不變矩的運用

不變矩因其具有旋轉(zhuǎn)、平移、縮放等特性的不變特征而得名，不變矩特征主要表征了圖像區(qū)域的幾何特征，又稱為幾何矩或簡稱為矩。在圖像處理中，幾何不變矩可以作為一個重要的特征來表示物體，可以據(jù)此特征來對圖像進行分類等操作。不變矩被用作刻畫空間物體的質(zhì)量分布，如果將圖像的灰度值看作是一個二維或三維的密度分布函數(shù)，那么不變矩方法即可用于圖像分析領(lǐng)域并用作圖像特征的提取。

有兩種不變矩效果明顯，Hu不變矩組成的特征量（零階矩和一階矩）對圖片進行識別，優(yōu)點是速度很快，缺點是識別率比較低。Zernike 不變矩相比 Hu 不變矩識別效果會好一些，但速度慢，它采用了高階矩。[3]

總之，不變矩的運用提高了對球門、標志桿的識別率。

2 邊緣線微分算法分析

邊緣線微分算法是筆者在國際組織SICE協(xié)會年會上發(fā)表的論文（“Research and Practice about Positioning Algorithms of Humanoid Robot in RoboCup Soccer Stadium”）中提出的。

邊緣線是指不同顏色對象的分界線。使用VC++中g(shù)etpixel(x,y)函數(shù)，通過掃描和像素值比對可以找到一幅圖像中的邊緣線。邊緣線微分算法就是沿著邊緣線做微分運算，求邊緣線的切線斜率，從而根據(jù)斜率值的變化情況判斷線形的方法。斜率值可以被表述為：

如果斜率值保持不變，這條邊緣線就是直線；如果斜率值連續(xù)、漸進地變小或變大，它就是一條圓弧線。圓弧線的半徑r，可以通過三角形MNO（見圖1所示）計算。M、N是圓弧線上的切點，MO、NO是過切點的垂線，交點是圓心O。O點的坐標為O(x,y)。

圖1 圓弧半徑r

上式（1）是O點的x坐標，上式（2）是O點的y坐標。O點的坐標是解MO、NO兩條直線方程的結(jié)果。式中b、b'是兩條直線分別在y軸上的截距，△b= b-b'，kM是過M點的切線斜率，kN是過N點的切線斜率。

獲得O點坐標后，可以計算出圓弧半徑r，通過r值的變化范圍可與典型特征值進行比對，再參考其他圖，從而判斷機器人所處的位置。如圖2所示。

圖2 機器人在不同位置拍到的球場圖像

實踐結(jié)果驗證了對邊緣線微分算法在直線圖形識別方面應(yīng)用的正確性，也驗證了對弧線形的判斷，算法能計算出區(qū)域分割法所定義的球場上各個區(qū)域的典型特征值，這些特征值可以作為機器人定位時進行數(shù)據(jù)比對的標準。各區(qū)域的典型k值和r值為機器人自定位奠定了基礎(chǔ)，也為機器人的路徑區(qū)域規(guī)劃奠定了基礎(chǔ)[4]。該方法對機器人迷失、場外色彩和圖形干擾問題已經(jīng)改進了很多，但是圖像特征值提取過程的計算量不小，在提高機器人的自定位速度方面不明顯。

3 邊緣線微分算法的改進

為了提高機器人自定位的速度和準確性，筆者又嘗試了新的改進方法。一方面對上述邊緣線微分算法進行二階微分運算，因為在球場的某些特定區(qū)域所拍圖像的特征有出現(xiàn)橢圓、甚至接近正圓的情況。眾所周知，橢圓或圓的二階微分是常量，而且形狀不同時常量的值不同，這使得二階微分的特征值比對更加容易、準確。另一方面，借鑒HU不變矩對圖形的識別效率，當定位過程需要時可以作為一個補充。

3.1 改進后機器人定位算法的步驟

改進后，機器人定位算法實現(xiàn)的具體步驟如下：

1）機器人通過自帶攝像頭獲取圖像。

2）對圖像進行處理，包括灰化、二值化、去噪，并確認場內(nèi)圖像。

3）判斷邊緣線是否為直線，并計算直線斜率k；若為圓弧或橢圓，計算圓弧半徑r。當邊緣線不清晰或出現(xiàn)k值無規(guī)則變化時，啟用HU不變矩的計算方法。

4）如果r值的變化形成環(huán)連續(xù)，進行二階微分運算。由于r值在一階微分程序中已經(jīng)進行了運算，這使得二階微分程序可以大大簡化，不增加太多運算。

5）調(diào)用球場上各分區(qū)的典型特征值，將實時測出的數(shù)據(jù)與典型特征值進行比對，判斷機器人所處的位置。

3.2 邊緣線二階微分算法的實現(xiàn)

對于橢圓而言，二階微分的本質(zhì)是長軸和短軸的值為常量，當長軸與短軸相等時為正圓。

在一階微分的程序中計算圓弧半徑r，如果r值的變化形成環(huán)連續(xù)，即從某起點的某一個值Ro變化又回到Ro值，則這是一個橢圓。在這個變化過程中必然有一個最大值和一個最小值，當這兩個值比較接近時判斷結(jié)果是近乎一個正圓。這樣，二階微分程序可以大大簡化，從而不用增加太多運算就可以實現(xiàn)目標。r值達到最大值時，定義為RMAX，達到最小值時，定義為RMIN。

最終的實現(xiàn)代碼結(jié)構(gòu)如下：

由于篇幅所限，這里不能展示更多代碼。CountR(RMAX,RMIN)的具體代碼行及運算已經(jīng)簡化了許多，比預(yù)計的運算量省略了橢圓軸長的計算和二階微分的實際運算，但這對于特征值的比對已經(jīng)夠用，基本實現(xiàn)了改進的目標。在經(jīng)過模擬器的測試后，也通過了機器人的實際驗證。

4 算法改進效果

為了統(tǒng)計測試改進算法的效果，便于圖像處理算法的調(diào)試，也為了減少機器人的磨損，筆者開發(fā)了稱為模擬器的圖像處理軟件實驗平臺，這樣可以很容易地在PC上（不是機器人上）驗證關(guān)于視覺系統(tǒng)的一些程序和測試改進算法的效果。模擬器的UI如圖3所示。其中，左上角位置的圖像是已經(jīng)灰化的圖像，左下角是灰度分布圖，閾值很容易在這張圖上找到。[5]

圖3 模擬器UI

目前模擬器實現(xiàn)了以下功能：

將機器人拍攝的彩色圖像轉(zhuǎn)換為灰度圖像，并顯示灰度分布圖；顯示機器人拍攝的圖片；可將像素顏色信息用RGB、YUV和HSI空間中的值描述出來，并將其在圖像中的坐標顯示出來；可基于原圖的R通道、G通道、B通道或亮度特征實現(xiàn)轉(zhuǎn)換；可以設(shè)置閾值；可將圖像轉(zhuǎn)換為二值圖（黑白圖）；可通過打標記的方法實現(xiàn)目標聚類，以識別出圖像中的不同對象并消除噪聲；對識別出來的對象自動描出輪廓線；可計算包括面積、周長、中心坐標和圓形目標特征參數(shù)；根據(jù)特征參數(shù)找出目標；保留出一些接口供進一步算法實驗使用。

表1是在模擬器上測到的數(shù)據(jù)和統(tǒng)計結(jié)果。

表1 ： 測量記錄與統(tǒng)計表

其中，平均誤差率比原來的數(shù)據(jù)9.6提高了約12%，定位平均用時比原數(shù)據(jù)47.3s提高了約10%。

5 結(jié)束語

本項研究借鑒了色彩RGB通道識別技術(shù)以及不變矩識別圖形技術(shù)，進一步探索以前開發(fā)的邊緣線微分算法，不斷改進系統(tǒng)；另一方面，加強實踐，即在搭建的足球場使用類人型足球機器人反復(fù)驗證、不斷實踐，再改進系統(tǒng)、修正系數(shù)，直到逼近目標。為了減少機器人的磨損，筆者開發(fā)了模擬器，以便調(diào)試改進的程序，在模擬器上運行無誤后再進行真實機器人驗證。

本文闡述了基于視覺機器人的邊緣線微分算法與改進措施，重點考慮了橢圓函數(shù)的二階微分為常量的因素。這一改進結(jié)果經(jīng)過自創(chuàng)的模擬器測試，也通過了MOS07型機器人的實際驗證（如圖4所示），最終實現(xiàn)了預(yù)期目標，提高了約10%的效率，機器人定位的準確性也提高了約12%。

圖4 邊緣線微分改進算法的實際驗證

本文提出的算法仍有改進的空間，定位效率仍有待提高。今后，一方面要研究探討多種方法，根據(jù)不同情況選用，如色彩通道與“不變矩”和“相對矩”理論的運用；另一方面，要深入分析特征值的變化規(guī)律，進一步簡化計算過程，優(yōu)化程序代碼。

[1]李永佳.基于視覺的機器人定位研究[D].浙江：浙江大學，2011.

[2]任旭虎.圖像特征點提取技術(shù)研究[J].儀表技術(shù)和傳感器，2009(11)：83-85.

[3]杜慶海.基于不變矩特征的圖像識別[J].信息技術(shù)與信息化，2008(6)：96-98.

[4]孔旭影,張志斌,林志紅,等.Research and Practice about Positioning Algorithms of Humanoid Robot in the RoboCup Soccer Stadium[A]//Proceedings of SICE Annual Conference 2010 in Taiwan[C],Japen:SICE,2010:3546-3549.

[5]林志紅,孔旭影.機器人足球識別算法改進與研究[J].機器人技術(shù)與應(yīng)用，2010(4)：42-44。