本發(fā)明涉及移動機器人導航技術(shù)領(lǐng)域，尤其涉及一種移動機器人視覺定位系統(tǒng)及定位方法。

背景技術(shù)：

在移動機器人的應用中，精確的位置信息是一個基本要求，移動機器人的準確定位是保證其正確完成導航、控制任務的關(guān)鍵之一。在移動機器人的相關(guān)技術(shù)研究中，導航技術(shù)可以說是其核心技術(shù)，也是實現(xiàn)真正智能化和完全自主移動的關(guān)鍵技術(shù)。導航研究的目標是在沒有人干預下使機器人有目的地移動并完成特定任務，進行特定操作。機器人通過裝配的信息獲取手段，獲得外部環(huán)境信息，實現(xiàn)自我定位，判定自身狀態(tài)，規(guī)劃并執(zhí)行下一步動作。由于計算機視覺理論及算法的發(fā)展，視覺導航成為導航技術(shù)中一個重要發(fā)展方向。

目前，根據(jù)已知地圖的移動機器人導航研究己有許多成功實例，然而，在大多數(shù)情況下，機器人所處的環(huán)境是未知的和動態(tài)變化的，因而移動機器人在未知環(huán)境下的同步定位和地圖構(gòu)建，則成為機器人自定位領(lǐng)域的熱點。常用的slam技術(shù)主要有基于激光傳感器的slam和基于視覺傳感去的slam由于視覺傳感器的優(yōu)點，slam技術(shù)具有更廣泛的應用前景slam技術(shù)一般基于自然路標實現(xiàn)，在國內(nèi)外受到廣泛的理論研究。地理特征或人工標志在世界坐標系中的位置是預先已知。當從捕獲的景物圖像中提取出路標的圖像坐標后，再通過路標在圖像中的位置和他們在世界坐標系中的幾何位置關(guān)系計算出傳感器系統(tǒng)在世界坐標系中的絕對位置。根據(jù)一般采用的數(shù)學模型，位置計算要求感知至少3個以上的路標才能完成，所以一般希望傳感器系統(tǒng)在任意工作空間位置上盡可能觀察到足夠多的路標。

中國專利申請?zhí)枮?00910072078.3公開了一種基于sift算法的移動機器人視覺定位方法，其特征在于：首先采集移動機器人行走路徑中的特定標示物模板圖像，然后運動改進的sift算法計算標示物模板圖像的sift特征點向量集合，然后通過一系列處理，根據(jù)特定標示物代表的坐標位置，確定移動機器人的位置，達到視覺定位的目的。首先，該技術(shù)方案基于的是sift算法，sift算法的實現(xiàn)，需要每層圖像依賴于前一層圖像，并且圖像需要重設尺寸，因此，這種計算方法運算量較大，其次，在大多數(shù)情況下，機器人所處的環(huán)境是未知的和動態(tài)變化的，因而，成為機器人自定位領(lǐng)域的熱點，上述技術(shù)方案并未給出。

技術(shù)實現(xiàn)要素：

為克服現(xiàn)有技術(shù)中存在的圖像需要重設尺寸、計算方法運算量較大、現(xiàn)有技術(shù)中暫時沒有移動機器人在未知環(huán)境下的同步定位和地圖構(gòu)建的問題，本發(fā)明提供了一種移動機器人視覺定位系統(tǒng)及定位方法。

本發(fā)明采用的技術(shù)方案為：一種移動機器人視覺定位系統(tǒng)，其創(chuàng)新點在于：包括基于環(huán)境理解的全局定位系統(tǒng)、路徑識別和跟蹤系統(tǒng)以及目標識別和障礙物檢測系統(tǒng)；所述全局定位系統(tǒng)使用改進的suft算法，協(xié)調(diào)各系統(tǒng)進行工作并實現(xiàn)圖像信息采集、顯示；所述路徑識別和跟蹤系統(tǒng)計算出結(jié)構(gòu)化道路環(huán)境或非結(jié)構(gòu)化道路環(huán)境中角度偏差和距離偏差；所述目標識別和障礙物檢測系統(tǒng)對障礙物位置和大小進行描述，獲得障礙物位置和大小的信息，實現(xiàn)對運動目標的實時追蹤。

在此基礎上，所述改進的suft算法，借鑒sift中簡化近似的思想，將dog中的高斯二階微分模板進行了近似簡化，使得模板對圖像的濾波只需要進行幾個簡單的加減運算，并且，這種運算與濾波器的模板的尺寸無關(guān)。

在此基礎上，所述路徑識別和跟蹤系統(tǒng)中結(jié)構(gòu)化道路的檢測為以邊緣檢測為基礎，輔以hough變換、模式匹配，并利用最小二乘法處理對應于道路邊界的線條，得出道路的幾何描述。

在此基礎上，所述路徑識別和跟蹤系統(tǒng)中非結(jié)構(gòu)化道路的檢測分為三個主要步驟：首先對采集的圖像進行必要的預處理，其次利用邊緣檢測算子獲得路徑標示線的邊緣，然后通過hough變換將邊緣中的直線信息提取出來，并計算出角度偏差和距離偏差。

在此基礎上，所述目標識別和障礙物檢測系統(tǒng)采用與超聲波等其他傳感器的融合針對運動目標物體，設計出單目視覺目標識別系統(tǒng)，利用改進的幀間差分法檢測出運動目標物體，提取出目標物體的一些幾何特征進行識別和定位，并將kalman濾波算法運用于目標識別系統(tǒng)中，對已經(jīng)識別的目標物體運動狀態(tài)進行預測，結(jié)合單目視覺測距理論及機器人運動控制系統(tǒng)做出相應的控制決策，成功實現(xiàn)了對運動目標的實時追蹤。

本發(fā)明的另一個目的是提供一種使用視覺定位系統(tǒng)的視覺定位方法，其創(chuàng)新點在于：包括以下步驟：

步驟一：構(gòu)建hessian矩陣生成圖像穩(wěn)定的邊緣點，假設函數(shù)f(z，y)，hessian矩陣h是由函數(shù)，偏導數(shù)組成，

步驟二：構(gòu)建尺度空間；

步驟三：精確定位特征點；

步驟四：主方向確定；

步驟五：特征點描述子生成。

在此基礎上，所述h矩陣判別式為：

det(happrox)＝dxxdyy-(0.9dxy)²。

在此基礎上，所述精確定位特征點的步驟具體為：增加極值使檢測到的特征點數(shù)量減少，最終只有幾個特征最強點會被檢測出來，檢測過程中使用與該尺度層圖像解析度相對應大小的濾波器進行檢測。

在此基礎上，所述主方向確定的步驟具體為首先以特征點為中心，計算半徑為6s的鄰域內(nèi)的點在x、y方向的haar小波響應，其中，s為特征點所在的尺度值；haar小波邊長取4s；并給這些響應值賦高斯權(quán)重系數(shù)，使得靠近特征點的響應貢獻大，而遠離特征點的響應貢獻小，其次將60范圍內(nèi)的響應相加以形成新的矢量，遍歷整個圓形區(qū)域，選擇最長矢量的方向為該特征點的主方向。

在此基礎上，所述特征點描述子生成的步驟具體為首先將坐標軸旋轉(zhuǎn)為關(guān)鍵點的方向，以關(guān)鍵點為中心取8×8的窗口，每個小格代表關(guān)鍵點鄰域所在尺度空間的一個像素，利用公式求得每個像素的梯度幅值與梯度方向，然后用高斯窗口對其進行加權(quán)運算,每個像素對應一個向量，長度為該像素點的高斯權(quán)值；然后在每4×4的小塊上計算8個方向的梯度方向直方圖，繪制每個梯度方向的累加值，即可形成一個種子點。

與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

(1)本發(fā)明使用改進的suft算法，使計算步驟簡化，并且，這種運算與濾波器的模板的尺寸無關(guān)，可以降低硬件成本低額同時，保證實時的魯棒性，使用suft算法使提取的特征點更多從而求解了機器人的動作變換，解決了移動機器人在未知環(huán)境下的同步定位和地圖構(gòu)建的問題。

(2)本發(fā)明的整個計算及檢測過程有序進行，實現(xiàn)數(shù)據(jù)及圖像信息可控可管理，實現(xiàn)整個視覺定位過程數(shù)據(jù)可采集、可存儲、可追溯、可分析。

(3)本發(fā)明首先利用suft算法構(gòu)建圖像的多尺度空間，然后精確定位特征點的位置，根據(jù)圖像中提取的最強點，通過特征點的逐一計算，得到每個特征點的主方向，本發(fā)明實時性高，定位快速簡單準確。

附圖說明

圖1(a)是利用本發(fā)明全局定位系統(tǒng)顯示了對一副全景圖像使用傳統(tǒng)算法得到特征點的數(shù)量圖；

圖1(b)是利用本發(fā)明全局定位系統(tǒng)顯示了對一副全景圖像使用本發(fā)明算法得到特征點的數(shù)量圖；

圖2(a)是本發(fā)明的基于視覺的定位技術(shù)裝置的定位系統(tǒng)構(gòu)建尺度空間時采用傳統(tǒng)方式建立的金字塔結(jié)構(gòu)；

圖2(b)是本發(fā)明的定位系統(tǒng)構(gòu)建尺度空間時使用surf算法建立的金字塔結(jié)構(gòu)圖；

圖3是本發(fā)明全局定位系統(tǒng)中精確定位特征點示意圖；

圖4(a)是本發(fā)明定位算法中x方向確定的特征點示意圖；

圖4(b)是本發(fā)明定位算法中y方向確定的特征點示意圖；

圖5是本發(fā)明定位算法特征點描述子生成所在范圍及鄰域方向示意圖。

具體實施方式

以下結(jié)合附圖和實施例，對本發(fā)明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

本發(fā)明披露了一種移動機器人視覺定位系統(tǒng)，包括基于環(huán)境理解的全局定位系統(tǒng)、路徑識別和跟蹤系統(tǒng)以及目標識別和障礙物檢測系統(tǒng)三大系統(tǒng)組成；其中所述全局定位系統(tǒng)主要使用改進的suft算法，協(xié)調(diào)各系統(tǒng)進行工作并實現(xiàn)圖像信息采集、顯示；所述路徑識別和跟蹤系統(tǒng)主要用來計算出結(jié)構(gòu)化道路環(huán)境或非結(jié)構(gòu)化道路環(huán)境中角度偏差和距離偏差；所述目標識別和障礙物檢測系統(tǒng)對障礙物位置和大小進行描述，獲得障礙物位置和大小的信息，實現(xiàn)對運動目標的實時追蹤。作為本發(fā)明的最大的一個發(fā)明點，在本發(fā)明中，改進的suft算法，借鑒sift中簡化近似的思想，將dog中的高斯二階微分模板進行了近似簡化，使得模板對圖像的濾波只需要進行幾個簡單的加減運算，并且，這種運算與濾波器的模板的尺寸無關(guān)。因此，在本發(fā)明中使用改進的suft算法，使計算步驟簡化，增加了提取特征點的數(shù)量，實現(xiàn)降低硬件成本，保持實時的魯棒性。

眾所周知，全局定位系統(tǒng)是利用一般采用的數(shù)學模型，位置計算要求感知至少3個以上的路標才能完成，使傳感器系統(tǒng)在任意工作空間位置上盡可能觀察到足夠多的路標。因此機器人采集到的局部圖像具有平移、旋轉(zhuǎn)等變化，所以要求視覺路標對這些變化具有不變性。對圖像特征的提取與匹配傳統(tǒng)的sift算法中使用dog對log進行了簡化，提高了搜索特征點的速度，但如果不借助于高成本硬件的加速和專用圖形處理器的配合，系統(tǒng)的實時性很差(如圖1(a)所示)。因此使用改進的suft算法，借鑒sift中簡化近似的思想，將dog中的高斯二階微分模板進行了近似簡化，使得模板對圖像的濾波只需要進行幾個簡單的加減運算，并且，這種運算與濾波器的模板的尺寸無關(guān)，可以降低硬件成本低額同時，保證實時的魯棒性，使用suft算法使提取的特征點更多從而求解了機器人的動作變換(如圖1(b)所示)。

其次，路徑識別和跟蹤系統(tǒng)是在基于視覺導航的地面自主機器人中，機器視覺與路徑規(guī)劃是核心模塊。在本發(fā)明的此實施方式中，為了簡化視覺信息處理，通常把移動機器人的工作環(huán)境分為結(jié)構(gòu)化道路環(huán)境和非結(jié)構(gòu)化道路環(huán)境。其一，結(jié)構(gòu)化道路的檢測相對來說較易實現(xiàn)，以邊緣檢測為基礎，輔以hough變換、模式匹配等，并利用最小二乘法處理對應于道路邊界的線條，得出道路的幾何描述。其二，對于非結(jié)構(gòu)化道路環(huán)境，對路徑的識別可以分為三個主要步驟：首先對采集的圖像進行必要的預處理，其次利用邊緣檢測算子獲得路徑標示線的邊緣，然后通過hough變換將邊緣中的直線信息提取出來，并計算出角度偏差和距離偏差。本發(fā)明的路徑識別和跟蹤系統(tǒng)具有信號探測范圍廣，獲取信息完整等優(yōu)點。

在本發(fā)明中，目標識別和障礙物檢測系統(tǒng)是障礙物檢測原理，與道路檢測原理差不多，但其重點是對障礙物位置和大小的描述，實質(zhì)是可以完成三維重建，獲得障礙物位置和大小的信息。在本發(fā)明的此實施方式中，采用與超聲波等其他傳感器的融合，共同實現(xiàn)障礙物的識別工作。在目標識別中，主要是針對運動目標物體，設計出單目視覺目標識別系統(tǒng)，利用改進的幀間差分法檢測出運動目標物體，提取出目標物體的一些幾何特征進行識別和定位，并將kalman濾波算法運用于目標識別系統(tǒng)中，對已經(jīng)識別的目標物體運動狀態(tài)進行預測，結(jié)合單目視覺測距理論及機器人運動控制系統(tǒng)做出相應的控制決策，成功實現(xiàn)對運動目標的實時追蹤。

因此，基于上述移動機器人的視覺定位系統(tǒng)，主要有以下優(yōu)點：1、使用改進的suft算法，實現(xiàn)降低硬件成本，保持實時的魯棒性。2、通過高斯二階微分模板的簡化，使計算速度塊，提取的特征點增多。3、通過結(jié)構(gòu)化道路的檢測，實現(xiàn)路徑識別步驟的簡化。4、通過邊緣檢測及hough變換，實現(xiàn)信號探測范圍廣，獲取信息完整等優(yōu)點。5、整個計算及檢測過程有序進行，實現(xiàn)數(shù)據(jù)及圖像信息可控可管理。6、實現(xiàn)整個視覺定位過程數(shù)據(jù)可采集、可存儲、可追溯、可分析。

此外，本發(fā)明的另一個目的是提供一種使用視覺定位系統(tǒng)的視覺定位方法，包括以下步驟：

步驟一：構(gòu)建hessian矩陣生成圖像穩(wěn)定的邊緣點，假設函數(shù)f(z，y)，hessian矩陣h是由函數(shù)，偏導數(shù)組成，

h矩陣判別式為：

h矩陣判別式的值是h矩陣的特征值，可以利用判定結(jié)果的符號將所有點分類，根據(jù)判別式取值正負，來判別該點是或不是極值點。

在surf算法中，用圖像像素1(x，y)代替函數(shù)值f(x，y)，選用二階標準高斯函數(shù)作為濾波器，通過特定核間的卷積計算二階偏導數(shù)，這樣便能計算出h矩陣的三個矩陣元素l。、l。、k，從而計算出h矩陣：

l(x，t)＝g(t)^＊i(x)(4)

l。(x，￡)是一幅圖像在不同解析度下的表示，可以利用高斯核g(￡)與圖像函數(shù)，(x)在點x一(z，y)的卷積來實現(xiàn)，核函數(shù)g(￡)具體表示如式(5)，g(￡)為高斯函數(shù)，t為高斯方差，l。與l。同理。通過這種方法可以為圖像中每個像素計算出其h行列式的決定值，并用這個值來判別特征點。為方便應用，herbertbay提出用近似值現(xiàn)代替l。為平衡準確值與近似值間的誤差引入權(quán)值叫，權(quán)值硼隨尺度變化，則h矩陣判別式可表示為：

det(happrox)＝dxxdyy-(0.9dxy)²。(6)

步驟二：構(gòu)建尺度空間；圖像的尺度空間是這幅圖像在不同解析度下的表示，由式(4)知，一幅圖像j(x)在不同解析度下的表示可以利用高斯核g(￡)的卷積來實現(xiàn)，圖像的尺度大小一般用高斯標準差來表示。在計算視覺領(lǐng)域，尺度空間被象征性的表述為一個圖像金字塔，其中，輸入圖像函數(shù)反復與高斯函數(shù)的核卷積并反復對其進行二次抽樣(如圖2(a)所示)，這種方法主要用于sift算法的實現(xiàn)，但每層圖像依賴于前一層圖像，并且圖像需要重設尺寸，因此，這種計算方法運算量較大，而surf算法申請增加圖像核的尺寸，這也是sift算法與surf算法在使用金字塔原理方面的不同。在本發(fā)明中，surf算法允許尺度空間多層圖像同時被處理，不需對圖像進行二次抽樣，從而提高算法性能(如圖2(b)所示)。

步驟三：精確定位特征點；所有小于預設極值的取值都會被丟棄，增加極值使檢測到的特征點數(shù)量減少，最終只有幾個特征最強點會被檢測出來。檢測過程中使用與該尺度層圖像解析度相對應大小的濾波器進行檢測。以3×3的濾波器為例，該尺度層圖像中9個像素點之一如附圖3檢測特征點與自身尺度層中其余8個點和在其之上及之下的兩個尺度層9個點進行比較，共26個點，附圖3中標記‘x’的像素點的特征值若大于周圍像素則可確定該點為該區(qū)域的特征點。

步驟四：主方向確定；為保證旋轉(zhuǎn)不變性，首先以特征點為中心，計算半徑為6s(s為特征點所在的尺度值)的鄰域內(nèi)的點在x、y方向的haar小波(haar小波邊長取4s)響應，并給這些響應值賦高斯權(quán)重系數(shù)，使得靠近特征點的響應貢獻大，而遠離特征點的響應貢獻小，其次將60s范圍內(nèi)的響應相加以形成新的矢量，遍歷整個圓形區(qū)域，選擇最長矢量的方向為該特征點的主方向。這樣，通過特征點逐個進行計算，得到每一個特征點的主方向。如附圖圖4(a)、4(b)所示。

步驟五：特征點描述子生成。首先將坐標軸旋轉(zhuǎn)為關(guān)鍵點的方向，以確保旋轉(zhuǎn)不變性。接下來以關(guān)鍵點為中心取8×8的窗口。如圖5左部分的中央黑點為當前關(guān)鍵點的位置，每個小格代表關(guān)鍵點鄰域所在尺度空間的一個像素，利用公式求得每個像素的梯度幅值與梯度方向，箭頭方向代表該像素的梯度方向，箭頭長度代表梯度模值，然后用高斯窗口對其進行加權(quán)運算,每個像素對應一個向量，長度為該像素點的高斯權(quán)值，方向為圖5左部分中的圈代表高斯加權(quán)的范圍(越靠近關(guān)鍵點的像素梯度方向信息貢獻越大)。然后在圖5右部分中每4×4的小塊上計算8個方向的梯度方向直方圖，繪制每個梯度方向的累加值，即可形成一個種子點，如圖右部分示。此圖中一個關(guān)鍵點由2×2共4個種子點組成，每個種子點有8個方向向量信息。這種鄰域方向性信息聯(lián)合的方法增強了算法抗噪聲的能力，同時對于含有定位誤差的特征匹配也提供了較好的準確性。

上述說明示出并描述了本發(fā)明的優(yōu)選實施例，如前所述，應當理解本發(fā)明并非局限于本文所披露的形式，不應看作是對其他實施例的排除，而可用于各種其他組合、修改和環(huán)境，并能夠在本文所述發(fā)明構(gòu)想范圍內(nèi)，通過上述教導或相關(guān)領(lǐng)域的技術(shù)或知識進行改動。而本領(lǐng)域人員所進行的改動和變化不脫離本發(fā)明的精神和范圍，則都應在本發(fā)明所附權(quán)利要求的保護范圍內(nèi)。