opencv目标识别程序 并联机械手智能抓取平台(2)

为了实现机器人依据视觉信息对三维空间目标物体的抓取，需要从摄像机获取的二维图像中提取出目标的特征信息。机器人视觉系统的关键技术是对目标实时、准确的提取，而目标提取的实质是图像分割。本部分以并联机械手为平台，对采集的图像进行相关处理，提取出目标物体的有用特征。然后，采用神经网络训练测试样本，完成了从图像空间到摄像机空间的坐标转换，实现了机器人根据视觉信息对三维空间目标的定位。机器学习神经网络的设计实现可分为 3个阶段，样本图像基本处理、神经网络训练和测试优化。图像的基本处理过程包括图像获取、灰值化与滤波、图像分割和图像增强等。本部分的基本流程如图2所示：

3.2.1 图像预处理与特征提取

1）图像去噪

现实中的数字图像在数字化和传输过程中常受到成像设备与外部环境噪声干扰等影响，称为含噪图像或噪声图像。减少数字图像中噪声的过程称为图像去噪。在噪声去除过程中，综合运用均值滤波器、中止滤波器和形态学滤波器，实现对图像的噪声去除。

2）特征提取

特征提取指的是使用计算机提取图像信息，决定每个图像的点是否属于一个图像特征。特征提取的结果是把图像上的点分为不同的子集，这些子集往往属于孤立的点、连续的曲线或者连续的区域。 特征提取是图象处理中的一个初级运算，也就是说它是对一个图像进行的第一个运算处理。它检查每个像素来确定该像素是否代表一个特征。假如它是一个更大的算法的一部分，那么这个算法一般只检查图像的特征区域。作为特征提取的一个前提运算，输入图像一般通过高斯模糊核在尺度空间中被平滑。此后通过局部导数运算来计算图像的一个或多个特征。在本项目，主要选择目标的颜色特性、纹理特征、形状特征和角点特征。

3.2.2 神经网络模型创建

神经网络算法是一种按误差逆向传播的多层前馈网络，通过输出层的误差去估计输出层的直接前导层误差，再由此误差来估计更前一层的误差，这样就获得其他层的误差估计，实现了将输出端的误差沿着与输入信号传送相反的方向逐级传递给网络输入端的过程。基于神经网络的模式识别与其他类模式识别相比，不仅具有很强的自适应能为、较强的容错性以及可快速实现递归过程的能力，而且利用神经网络的概念研巧模式识别可化激发人们发现创造性的方法，达使得神经网络在模式识别中占有很大的优势。

其结构设计包括：

① 输入、输出层的设计??

② 隐层数和隐层节点的选择??

③ 初始权值的选择??

④ 激励函数的逸择

⑤ 期望误差的设置??

神经网络的训练流程图如图3所示，主要由正向传播与反向传导交替进行。数据由输入层传入隐藏层，经过隐藏层处理后传入输出层，由输出层将结果输出的过程被称为正向传播。正向传播结束后，需要对比正向传播的输出与正确结果的误差，用这个误差来描述这次网络的状态。反向传播是将误差传递给前一层的过程，前一层的每个单元根据误差情况更新自己的权值。

3.3操作平台部分

在智能平台的PC端控制部分，通过由LabVIEW编写的程序进行控制，而编写的程序主要需要完成以下几个功能：

1）调用视觉与运动库的相关函数接收图像、显示图像，调用串口模块接收各种信号。在本项目的方案设计中，相机采用Pixy CMUcam5视觉传感器。该传感器的优点是可以选择性的处理有用的信息，因为它采用以颜色为中心的办法——这使它只是将特定颜色的物体的视觉数据发送给相互配合的微型控制器，而不是输出所有视觉数据以进行图像处理，所以处理更加方便且对系统计算能力的需求更小。同时，该传感器可以使用自编的DLL文件，并且预留有许多接口有多种连接方式。在本项目中，将其与FPV模拟图传连接后，借助图像采集卡来实现与LabVIEW的连接实现视频信号的传输与接收。

本文来自电脑杂谈，转载请注明本文网址：
https://www.pc-fly.com/a/jisuanjixue/article-74279-2.html