机器人视觉系统的组成与定位算法

1. 机器人视觉

机器人研究的核心是: 导航和定位，路径规划，避障和多传感器融合. 有几种无关紧要的定位技术，只在乎视觉. 视觉技术中使用的“眼睛”可分为: 单眼，双眼，多眼，RGB-D，后三种可以使图像具有深度，这些眼睛也可以称为VO（视觉里程表: 单眼或立体） ，Wikipedia进行了介绍: 在机器人和计算机视觉问题中，视觉测距法是分析和处理相关图像序列以确定机器人的位置和姿势的过程.

如今，由于数字图像处理和计算机视觉技术的飞速发展，越来越多的研究人员将相机用作全自动移动机器人的传感器. 这主要是因为原始的超声波或红外传感器的信息感有限且鲁棒性差，并且视觉系统可以弥补这些缺点. 现实世界是三维的，投影在相机镜头（CCD / CMOS）上的图像是二维的. 视觉处理的最终目的是从感知到的二维图像中提取相关的三维世界信息.

2. 该系统的基本组件: CCD，PCI，PC和设备.

2.1 CCD / CMOS

一排硅成像元件，一个光敏元件和一个电荷转移器件被布置在基板上，通过电荷的顺序转移，依次并依次取出多个像素的视频信号，如区域阵列所收集的CCD传感器的图像分辨率可以是32×32到1024×1024像素，依此类推.

2.2视频数字信号处理器

图像信号通常是二维信号. 图像通常由512×512像素组成（当然，有时会有256×256或1024×1024像素），每个像素具有256级灰度，即3×8bit，1600万色的红色和兰花，图像具有256KB或768KB（用于彩色）数据. 为了完成视觉处理的感知，预处理，分割，描述，识别和解释，前面各项中完成的主要数学运算可以总结为:

（1）点处理通常用于对比度增强，浓度非线性校正，阈值处理和伪彩色处理中. 每个像素的输入数据通过一定的关系映射到像素的输出数据，例如，对数变换可以实现暗区域对比度的扩展.

（2）二维卷积运算通常用于图像平滑，锐化，轮廓增强，空间滤波，标准模板匹配计算等. 如果使用M×M卷积核矩阵对卷积进行卷积为了获得每个像素的输出结果，需要对整个图像进行M2乘法和（M2-1）加法. 一个小的卷积和还需要大量的乘法加法运算和对内存的访问.

（3）二维正交变换二维正交变换通常用于FFT，Walsh，Haar和KL变换等. 它们通常用于图像增强，恢复，二维滤波，数据压缩，等

（4）坐标变换通常用于图像放大，缩小，旋转，移动，配准机器人视觉系统，几何校正以及根据摄影值重建图像.

（5）统计计算，例如计算密度直方图分布，平均值和协方差矩阵等. 在进行直方图均衡化，面积计算，分类和K-L变换时，通常会计算这些统计信息.

3. 视觉导航定位系统的工作原理

简单来说机器人视觉系统，它是对机器人周围的环境进行光学处理，首先使用相机收集图像信息，压缩收集的信息，然后将其反馈给由神经网络和统计方法组成的学习子系统. 然后，学习子系统将收集到的图像信息与机器人的实际位置联系起来，完成机器人的自主导航和定位功能.

（1）相机校准算法: 参数的2D-3D映射.

传统的摄像机标定主要包括Faugeras标定方法，Tscai两步法，直接线性变换法，张正友平面标定方法和翁氏迭代法. 自校准包括基于Kruppa方程的自校准，分层逐步自校准，基于绝对二次曲面的自校准以及Pollefeys模式约束方法. 视觉标定包括马颂德的三正交平移法，李华的平面正交标定法和哈特利旋转法进行内部参数标定.

（2）机器视觉和图像处理:

a. 预处理: 变灰，降噪，滤波，二值化，边缘检测. .

b. 特征提取: 从特征空间到参数空间的映射. 算法包括HOUGH，SIFT和SURF.

c. 图像分割: RGB-HIS.

d. 图像描述识别

（3）定位算法: 基于滤波器的定位算法主要包括KF，SEIF，PF，EKF，UKF等.

您还可以使用单眼视觉和里程表的融合方法. 以里程表读数为辅助信息，使用三角法计算当前机器人坐标系中特征点的坐标位置. 这里，三维坐标的计算需要基于一个时间步长的延迟来执行. 根据当前相机坐标系中特征点的三维坐标及其在地图中的世界坐标，可以估算相机在世界坐标系中的姿态. 这降低了传感器的成本，消除了里程表的累积误差，并使定位结果更加准确. 另外，与立体视觉相机之间的校准相比，该方法只需要校准相机中的参数即可，从而提高了系统效率.

4. 定位算法的基本过程:

可以简单地基于OpenCV实现简单的算法过程.

输入

通过摄像机获得的视频流（主要是灰度图像，立体声VO中的图像可以是彩色或灰度），并且在时间t和t +1处摄像机获得的图像分别是It和It +1，通过相机校准获得的相机内部参考可以通过matlab或opencv计算为固定量.

输出

计算每帧相机的位置和姿势

基本过程

1. 获取图像It，It + 1

2. 扭曲获取的图像

3. 通过FAST算法对图像It执行特征检测，并通过KLT算法将这些特征跟踪到图像It + 1中. 如果跟踪功能丢失并且功能数量少于某个阈值，请再次执行功能检测

4. 用RANSAC的5点算法估计两幅图像的基本矩阵

5. 通过计算基本矩阵估算R，t

6. 估计比例信息，最后确定旋转矩阵和平移矢量

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/shumachanpin/article-211030-1.html