針對移動機(jī)器人的局部視覺定位問題進(jìn)行了研究。首先通過移動機(jī)器人視覺定位與目標(biāo)跟蹤系統(tǒng)求出目標(biāo)質(zhì)心特征點(diǎn)的位置時間序列，然后在分析二次成像法獲取目標(biāo)深度信息的缺陷的基礎(chǔ)上，提出了一種獲取目標(biāo)的空間位置和運(yùn)動信息的方法。該方法利用序列圖像和推廣卡爾曼濾波，目標(biāo)獲取采用了HIS模型。在移動機(jī)器人滿足一定機(jī)動的條件下，較精確地得到了目標(biāo)的空間位置和運(yùn)動信息。仿真結(jié)果驗證了該方法的有效性和可行性。

　　運(yùn)動視覺研究的是如何從變化場景的一系列不同時刻的圖像中提取出有關(guān)場景中的目標(biāo)的形狀、位置和運(yùn)動信息，將之應(yīng)用于移動機(jī)器人的導(dǎo)航與定位。首先要估計出目標(biāo)的空間位置和運(yùn)動信息，從而為移動機(jī)器人車體的導(dǎo)航與定位提供關(guān)鍵前提。

　　視覺信息的獲取主要是通過單視覺方式和多視覺方式。單視覺方式結(jié)構(gòu)簡單，避免了視覺數(shù)據(jù)融合，易于實現(xiàn)實時監(jiān)測。如果利用目標(biāo)物體的幾何形狀模型，在目標(biāo)上取3個以上的特征點(diǎn)也能夠獲取目標(biāo)的位置等信息。此方法須保證該組特征點(diǎn)在不同坐標(biāo)系下的位置關(guān)系一致，而對于一般的雙目視覺系統(tǒng)，坐標(biāo)的計算誤差往往會破壞這種關(guān)系。

　　采用在機(jī)器人上安裝車載攝像機(jī)這種局部視覺定位方式，本文對移動機(jī)器人的運(yùn)動視覺定位方法進(jìn)行了研究。該方法的實現(xiàn)分為兩部分：首先采用移動機(jī)器人視覺系統(tǒng)求出目標(biāo)質(zhì)心特征點(diǎn)的位置時間序列，從而將對被跟蹤目標(biāo)的跟蹤轉(zhuǎn)化為對其質(zhì)心的跟蹤；然后通過推廣卡爾曼濾波方法估計目標(biāo)的空間位置和運(yùn)動參數(shù)。

　　1.目標(biāo)成像的幾何模型

　　移動機(jī)器人視覺系統(tǒng)的坐標(biāo)關(guān)系如圖1所示。

　　其中O-XYZ為世界坐標(biāo)系；Oc-XcYcZc為攝像機(jī)坐標(biāo)系。其中Oc為攝像機(jī)的光心，X軸、Y軸分別與Xc軸、Yc軸和圖像的x，y軸平行，Zc為攝像機(jī)的光軸，它與圖像平面垂直。光軸與圖像平面的交點(diǎn)O1為圖像坐標(biāo)系的原點(diǎn)。OcO1為攝像機(jī)的焦距f.

　　圖1 移動機(jī)器人視覺系統(tǒng)的坐標(biāo)關(guān)系

　　不考慮透鏡畸變，則由透視投影成像模型為：

　　式中，Z′=［u，v］T為目標(biāo)特征點(diǎn)P在圖像坐標(biāo)系的二維坐標(biāo)值；（X，Y，Z）為P點(diǎn)在世界坐標(biāo)系的坐標(biāo)；（Xc0，Yc0，Zc0）為攝像機(jī)的光心在世界坐標(biāo)系的坐標(biāo)；dx，dy為攝像機(jī)的每一個像素分別在x軸與y軸方向采樣的量化因子；u0，v0分別為攝像機(jī)的圖像中心O1在x軸與y軸方向采樣時的位置偏移量。通過式（1）即可實現(xiàn)點(diǎn)P位置在圖像坐標(biāo)系和世界坐標(biāo)系的變換。

　　2.圖像目標(biāo)識別與定位跟蹤

　　2.1目標(biāo)獲取

　　目標(biāo)的獲取即在攝像機(jī)采集的圖像中搜索是否有特定目標(biāo)，并提取目標(biāo)區(qū)域，給出目標(biāo)在圖像中的位置特征點(diǎn)。

　　由于機(jī)器人控制實時性的需要，過于耗時的復(fù)雜算法是不適用的，因此以顏色信息為目標(biāo)特征實現(xiàn)目標(biāo)的獲取。本文采用了HSI模型，3個分量中，I是受光照影響較大的分量。所以，在用顏色特征識別目標(biāo)時，減少亮度特征I的權(quán)值，主要以H和S作為判定的主要特征，從而可以提高顏色特征識別的魯棒性。

　　考慮到連通性，本文利用捕獲圖像的像素及其八連通區(qū)域的平均HS特征向量與目標(biāo)像素的HS特征向量差的模是否滿足一定的閾值條件來判別像素的相似性；同時采用中心連接區(qū)域增長法進(jìn)行區(qū)域增長從而確定目標(biāo)區(qū)域。圖2給出了目標(biāo)區(qū)域分割的算法流程。

　　圖2 目標(biāo)區(qū)域分割算法流程

　　實現(xiàn)目標(biāo)區(qū)域提取后，由于目標(biāo)有一定的大小和形狀，為了對目標(biāo)定位，必須在圖像中選取目標(biāo)上對應(yīng)的點(diǎn)的圖像位置。由于目標(biāo)的質(zhì)心點(diǎn)具有不隨平移、旋轉(zhuǎn)與比例的改變而變化的特點(diǎn)，故選取目標(biāo)的質(zhì)心點(diǎn)作為目標(biāo)點(diǎn)。

　　質(zhì)心坐標(biāo)計算公式如下：

　　式中：

　　為質(zhì)心坐標(biāo)；n為目標(biāo)區(qū)域占據(jù)的像素個數(shù)，且n≥2;（xi，yi）為第i個像素的坐標(biāo)；p（xi，yi）為第i個像素的灰度值。

　　2.2目標(biāo)跟蹤

　　運(yùn)動目標(biāo)的跟蹤是確定同一物體在不同幀中位置的過程，當(dāng)運(yùn)動目標(biāo)被正確檢測出來時，它就對相鄰幀中檢測出的目標(biāo)進(jìn)行匹配。匹配過程如下：

　　2.2.1目標(biāo)質(zhì)心位置預(yù)測

　　目標(biāo)位置預(yù)測是依據(jù)最小二平方預(yù)測原理由目標(biāo)質(zhì)心在本幀以及相鄰的連續(xù)前幾幀的位置值，直接預(yù)測出目標(biāo)質(zhì)心在下一幀的位置值。在等間隔觀測條件下，可用式（4）的簡便預(yù)測：

　　2.2.2搜索聚類的種子點(diǎn)

　　在搜索與上一幀圖像對應(yīng)質(zhì)心點(diǎn)匹配的點(diǎn)時，采用基于子塊的模式匹配方法。子模塊是由待匹配的點(diǎn)與周圍8個鄰點(diǎn)組成。由于這種方法充分考慮了特征點(diǎn)的統(tǒng)計特性，識別率大大提高。

　　首先從預(yù)測質(zhì)心點(diǎn)開始，在100×100像素的動態(tài)窗口（以預(yù)測質(zhì)心點(diǎn)為中心）內(nèi)，按照逆時針?biāo)阉髦車?鄰域象素的趨勢進(jìn)行環(huán)狀搜索，并分別計算由每個搜索象素決定的子塊與上一幀的目標(biāo)質(zhì)心點(diǎn)T決定的子塊的HS特征值之差的平方和。

　　其中P［i］［j］（i，j=0，1，2）表示由點(diǎn)P決定的子塊中的各個像素；T［i］［j］（i，j=0，1，2）表示由上一幀的質(zhì)心點(diǎn)決定的子塊中的各個像素。

　　最后，判定某個點(diǎn)P是否與上一幀的特征點(diǎn)T匹配的標(biāo)準(zhǔn)為：P須同時滿足式（7，8）。

　　其中P.H表示待匹配點(diǎn)P的H特征值；meanH表示目標(biāo)區(qū)域的平均H特征值；滿足式（8）能夠保證匹配點(diǎn)在目標(biāo)區(qū)域內(nèi)。

　　2.2.3聚類色塊區(qū)域

　　其目的是找出色塊區(qū)域，色塊區(qū)域的質(zhì)心點(diǎn)即為特征跟蹤結(jié)果。在步驟（2）中已經(jīng)找到了聚類的起始點(diǎn)，由于H反映圖像的色彩特性，所以根據(jù)匹配點(diǎn)的H特征值是否在由色塊的平均H特征值確定的某個范圍內(nèi)來聚類色塊區(qū)域，即滿足式（8）。這樣既可保證識別精度，又減少了圖像信息計算量。

　　3.二次成像法

　　設(shè)Zc1，Zc2分別表示在t1，t2時刻目標(biāo)與成像系統(tǒng)的距離（深度值）;d1′，d2′分別表示t1，t2時刻目標(biāo)在圖像平面的幾何特征值，為便于表示，d1′，d2′可以是目標(biāo)的像的外接圓直徑或者外接矩形的邊長，則有：

　　式（9）表明：根據(jù)同一目標(biāo)、同一攝像機(jī)所攝物體的圖像幾何特征的變化，可以計算出它們在空間深度方向運(yùn)動時距離所發(fā)生的變化，這就是二次成像法的原理。

　　分析式（9）可知，二次成像法能夠確定目標(biāo)在攝像機(jī)坐標(biāo)系中的位置，但該方法在攝相機(jī)兩次成像的位置變化不大的情況下誤差會比較大，而且不能得到目標(biāo)的運(yùn)動信息。為此本文提出了利用序列圖像和推廣卡爾曼濾波來估計目標(biāo)的空間位置和運(yùn)動信息的方法。

　　4.目標(biāo)的空間位置和運(yùn)動參數(shù)估計

　　由于圖像序列前后兩幀的時間間隔T很小，本文用二階微分方程來描述P點(diǎn)的運(yùn)動軌跡。定義狀態(tài)矢量：

　　則可以定義狀態(tài)方程為：

　　其中：

　　V（k）為模型噪聲，假設(shè)V（k）為零均值的高斯白噪聲，其方差陣為Q（k）=cov（V）。

　　將式（1）離散化得

　　其中n（k）為測量噪聲。假設(shè)n（k）為零均值的高斯白噪聲，其方差陣為R（k）=cov（n）。

　　則式（10，11）組成系統(tǒng)的離散狀態(tài)方程和測量方程，當(dāng)該系統(tǒng)滿足可觀測性條件時，就可以應(yīng)用推廣卡爾曼濾波對目標(biāo)的空間位置和運(yùn)動狀態(tài)進(jìn)行估計。其中r（t），v（t）分別為目標(biāo)相對于車體的位置和速度，下標(biāo)t代表目標(biāo)，i代表成像系統(tǒng)，a（t）為任意的標(biāo)量。

　　5.實驗結(jié)果

　　利用微軟提供的VFW視頻處理開發(fā)軟件包，由CCD攝像機(jī)和相應(yīng)的視頻采集卡獲取移動機(jī)器人前的場景圖像數(shù)據(jù)，在Delphi6下開發(fā)了移動機(jī)器人視覺定位與目標(biāo)跟蹤系統(tǒng)的完整程序。本算法在CPU主頻為500MHz，內(nèi)存為 256MB環(huán)境下，對幀速率為25幀？s，圖像分辨率為320×240的共180幀視頻圖像進(jìn)行了實驗，最終實現(xiàn)了對運(yùn)動目標(biāo)快速、穩(wěn)定的跟蹤。圖3給出了部分幀圖像的目標(biāo)定位與跟蹤結(jié)果。

　　圖3 目標(biāo)定位與跟蹤結(jié)果。

　　為了驗證本文提出的對目標(biāo)的空間位置和運(yùn)動參數(shù)估計算法的有效性，利用獲取的目標(biāo)質(zhì)心點(diǎn)的位置時間序列對目標(biāo)運(yùn)動狀態(tài)進(jìn)行了跟蹤仿真實驗。

　　由于仿真的相似性，本文只給出了推廣卡爾曼濾波在OZ方向的仿真結(jié)果，如圖4所示。其中圖4（a，b）分別是觀測噪聲方差為3個像素時目標(biāo)在Z軸方向的位置p和運(yùn)動速度v的估計誤差曲線（150次MonteCarlo運(yùn)行）。其中目標(biāo)的起始位置為（115，1，10）m，速度為（110，115，215）m/s，加速度為（0125，011，015）m/s2;攝相機(jī)運(yùn)動為實際中容易實現(xiàn)的且滿足機(jī)動的條件，其初始位置為（010，015，010）m，初始速度為（015，0175，110）m/s，運(yùn)動加速度為（0125，0105，015）m/s2.

　　圖4 推廣卡爾曼濾波Z方向（深度）的仿真結(jié)果

　　由仿真結(jié)果可見，隨著機(jī)器人車體的不斷機(jī)動和濾波次數(shù)的增加，目標(biāo)位置的估計值在20幀左右就可收斂到理論真值，而且抖動很小，可滿足系統(tǒng)快速定位與跟蹤要求。

　　6.結(jié)束語

　　本文對移動機(jī)器人的局部視覺定位方法進(jìn)行了深入研究。二次成像法要求攝像機(jī)第二次成像時的位置要有較大變化，從而導(dǎo)致利用序列圖像所獲取的目標(biāo)位置信息誤差較大。與之相比本文提出的定位方法可更精確地得到目標(biāo)的空間位置和運(yùn)動參數(shù)。這為移動機(jī)器人的路徑規(guī)劃、伺服跟蹤等提供了更可靠的依據(jù)。