專利名稱：機(jī)器人視覺導(dǎo)航中的自然目標(biāo)檢測(cè)方法
技術(shù)領(lǐng)域：
本發(fā)明涉及目標(biāo)檢測(cè)技術(shù)領(lǐng)域，特別是一種用于機(jī)器人視覺導(dǎo)航的自然目標(biāo)檢測(cè)方法。
背景技術(shù)：
自然目標(biāo)的檢測(cè)是基于視覺的移動(dòng)機(jī)器人導(dǎo)航中需要解決的關(guān)鍵問題。復(fù)雜背景和不規(guī)則光照變化的影響使得自然目標(biāo)很難從背景中提取出來。然而，與人工目標(biāo)相比，基于自然目標(biāo)檢測(cè)的視覺導(dǎo)航具有更廣泛的應(yīng)用前景。
目標(biāo)檢測(cè)從廣義上可分為基于觸覺、聽覺、味覺和視覺的方法。在機(jī)器人視覺導(dǎo)航中，目標(biāo)檢測(cè)是基于視覺的圖像目標(biāo)檢測(cè)。圖像目標(biāo)檢測(cè)又可分為運(yùn)動(dòng)目標(biāo)檢測(cè)和靜態(tài)目標(biāo)檢測(cè)，本發(fā)明針對(duì)的是用于導(dǎo)航的靜態(tài)自然目標(biāo)檢測(cè)。
靜態(tài)自然目標(biāo)檢測(cè)通常包括兩步目標(biāo)候選區(qū)域搜索和目標(biāo)認(rèn)證。目標(biāo)候選區(qū)域搜索主要通過分割或者自上而下的視覺處理方法搜索感興趣區(qū)域而完成的。目標(biāo)認(rèn)證確認(rèn)候選區(qū)域是否為目標(biāo)。復(fù)雜背景下的目標(biāo)候選區(qū)域搜索和認(rèn)證一直是一個(gè)難題。如何在隨機(jī)采集的圖像中檢測(cè)到預(yù)期的目標(biāo)，需要同時(shí)考慮自然圖像分割和目標(biāo)認(rèn)證等幾個(gè)環(huán)節(jié)。
現(xiàn)有的自然圖像分割方法包括傳統(tǒng)分割方法、基于區(qū)域競(jìng)爭(zhēng)的分割方法、基于目標(biāo)模型的方法、基于均值漂移的分割方法、基于圖論(Graphic theory)的分割方法、基于學(xué)習(xí)的分割方法等。在以上自然圖像分割方法中，同時(shí)融合顏色、輪廓和紋理特征的分割方法是符合實(shí)際圖像結(jié)構(gòu)的，代表了自然圖像分割的發(fā)展趨勢(shì)。在這些方法中，基于區(qū)域競(jìng)爭(zhēng)、目標(biāo)模型、圖論的分割方法是全局的遞歸的優(yōu)化過程，紋理特征的提取和處理需要較大的計(jì)算量，因此計(jì)算復(fù)雜，難以用于機(jī)器人實(shí)時(shí)應(yīng)用環(huán)境。同時(shí)，復(fù)雜背景下難以正確提取目標(biāo)。
如何描述目標(biāo)是目標(biāo)認(rèn)證的基礎(chǔ)。所有的目標(biāo)描述方法可歸納為兩類以目標(biāo)為中心的描述方法和以視點(diǎn)為中心的描述方法。以目標(biāo)為中心的描述方法用于描述物體的靜態(tài)特征，以視點(diǎn)為中心的描述方法從多幅不同視點(diǎn)的圖像中重建目標(biāo)模型并識(shí)別目標(biāo)。盡管目前目標(biāo)描述方法很多，但是每一種方法都有優(yōu)缺點(diǎn)，還沒有一種方法適用于所有應(yīng)用情況。描述方法的選擇依賴于應(yīng)用場(chǎng)合。當(dāng)目標(biāo)只能部分出現(xiàn)在圖像中，或者在圖像中有強(qiáng)干擾目標(biāo)時(shí)，不易描述和區(qū)分不同目標(biāo)。
綜上所述，已有的目標(biāo)檢測(cè)方法，還難以達(dá)到機(jī)器人視覺導(dǎo)航中的自然目標(biāo)檢測(cè)的以下一些要求 復(fù)雜背景下的目標(biāo)分割結(jié)果穩(wěn)定性 計(jì)算速度快 目標(biāo)部分出現(xiàn)在圖像中時(shí)仍能檢測(cè)到目標(biāo) 不同光照條件下仍能檢測(cè)到目標(biāo) 圖像中出現(xiàn)干擾目標(biāo)時(shí)仍能檢測(cè)到目標(biāo)發(fā)明內(nèi)容本發(fā)明的目的在于提供一種用于機(jī)器人視覺導(dǎo)航的自然目標(biāo)檢測(cè)方法。
機(jī)器人視覺導(dǎo)航中的自然目標(biāo)檢測(cè)方法就是要在不同光照和不同背景條件下都能穩(wěn)定檢測(cè)到用于機(jī)器人導(dǎo)航的目標(biāo)。目前常用的圖像目標(biāo)檢測(cè)算法采用兩種策略一種是由下而上的數(shù)據(jù)驅(qū)動(dòng)模型；另一種是由上而下的知識(shí)驅(qū)動(dòng)模型。對(duì)于前者，不管待識(shí)別目標(biāo)屬于何種類型，一律先對(duì)原始圖像進(jìn)行一般性的分割、標(biāo)識(shí)和特征抽取等低層處理，然后將每個(gè)已分割區(qū)域的特征矢量與目標(biāo)模型相匹配。其優(yōu)點(diǎn)是適用面廣，對(duì)單目標(biāo)及復(fù)雜景物分析均適用，缺點(diǎn)是在分割、標(biāo)記和特征抽取等低層處理過程中由于缺乏知識(shí)的指導(dǎo)而盲目性大，導(dǎo)致工作量大、匹配算法比較復(fù)雜。對(duì)于后者，根據(jù)待識(shí)別目標(biāo)的模型，先對(duì)圖像中可能存在的特征提出假設(shè)，再根據(jù)假設(shè)進(jìn)行有目的的分割、標(biāo)記和特征抽取等低層處理，在這個(gè)基礎(chǔ)上與目標(biāo)模型相匹配，其優(yōu)點(diǎn)是低層處理是在知識(shí)的指導(dǎo)下進(jìn)行的粗匹配，可以避免抽取過多不必要的特征，可以提高算法的效率，精匹配也因此變得簡(jiǎn)單而有針對(duì)性，其缺點(diǎn)是待識(shí)別目標(biāo)改變，知識(shí)假設(shè)就必須隨之而改變，因而替代性較差。
盡管以上兩種策略各有優(yōu)缺點(diǎn)，知識(shí)指導(dǎo)下的分割更符合人類視覺機(jī)理，因此，本發(fā)明采用自上而下的分割識(shí)別方法，發(fā)明一種基于魯棒自然圖像分割的用于移動(dòng)機(jī)器人視覺導(dǎo)航的自然目標(biāo)檢測(cè)方法，其系統(tǒng)框圖如圖1所示。
本自然目標(biāo)檢測(cè)方法包含以下部分圖像采集、預(yù)處理、分割參數(shù)選擇、魯棒自然圖像分割、特征提取、目標(biāo)認(rèn)證、目標(biāo)建模、輸出結(jié)果。其中圖像采集、預(yù)處理、魯幫自然圖像分割、特征提取和目標(biāo)認(rèn)證順序執(zhí)行。分割參數(shù)在目標(biāo)檢測(cè)前選定，目標(biāo)建模是在離線狀態(tài)下建立目標(biāo)的模型。
目標(biāo)建模目標(biāo)模型的建立需要考慮干擾目標(biāo)、目標(biāo)部分出現(xiàn)等因素的影響。將干擾目標(biāo)和待識(shí)別目標(biāo)同時(shí)建模用于目標(biāo)檢測(cè)中，用以消除干擾目標(biāo)帶來的影響。
圖像采集和預(yù)處理采集一幀圖像到內(nèi)存并濾波。
分割參數(shù)選擇分割參數(shù)的選擇是指用于魯棒自然圖像分割的參數(shù)選擇。對(duì)于復(fù)雜背景中明顯的目標(biāo)，采用大的分割參數(shù)粗分割圖像。相反，對(duì)于背景中不明顯的目標(biāo)采用小的分割參數(shù)進(jìn)行分割。分割參數(shù)的選擇可以控制圖像分割后的區(qū)域數(shù)目。
魯幫自然圖像分割魯棒自然圖像分割是一種基于均值漂移的自上而下和自下而上相結(jié)合的視覺處理方法。對(duì)不同光照條件下和具有紋理的自然圖像，都能獲得穩(wěn)定的分割結(jié)果，魯棒性能較好。而且，可根據(jù)上層視覺任務(wù)的需要調(diào)整參數(shù)，來獲得所需的分割結(jié)果。
特征提取由于在移動(dòng)機(jī)器人導(dǎo)航中有些目標(biāo)只是部分出現(xiàn)在圖像中，因此，本發(fā)明采用基于顏色的目標(biāo)特征提取方法。
目標(biāo)認(rèn)證根據(jù)離線建立的目標(biāo)模型，對(duì)目標(biāo)候選區(qū)域提取的特征進(jìn)行認(rèn)證。
輸出結(jié)果輸出分割結(jié)果。
綜上所述，與其他目標(biāo)檢測(cè)方法相比，本發(fā)明的機(jī)器人視覺導(dǎo)航中的自然目標(biāo)檢測(cè)方法具有以下不同之處●采用了基于魯棒自然圖像分割之上的目標(biāo)檢測(cè)方法，提高了不同光照條件目標(biāo)檢測(cè)的魯棒性。
●采用了干擾目標(biāo)與待識(shí)別目標(biāo)同時(shí)建模的方法，消除了干擾目標(biāo)對(duì)目標(biāo)檢測(cè)帶來的影響。
●由于采用了目標(biāo)顏色統(tǒng)計(jì)建模和魯棒自然圖像分割方法，目標(biāo)部分出現(xiàn)在圖像時(shí)依然能被檢測(cè)到。
●與基于其他自然圖像分割之上的目標(biāo)檢測(cè)方法相比，計(jì)算速度快。
●具有很好的實(shí)用價(jià)值，同時(shí)可推廣到其他目標(biāo)檢測(cè)應(yīng)用中。
●


圖1是本發(fā)明的機(jī)器人視覺導(dǎo)航中的自然目標(biāo)檢測(cè)方法框圖。
圖2是用于機(jī)器人視覺導(dǎo)航的門和走廊檢測(cè)結(jié)果。最左邊的是原圖，中間的是魯棒自然圖像分割后的圖像，最右邊的是目標(biāo)檢測(cè)結(jié)果圖。其中白線框內(nèi)的區(qū)域就是被檢測(cè)到的目標(biāo)。
具體實(shí)施方案機(jī)器人視覺導(dǎo)航中的自然目標(biāo)檢測(cè)方法框圖如圖1所示。目標(biāo)檢測(cè)過程包含八部分步驟組成目標(biāo)建模、圖像采集、預(yù)處理、分割參數(shù)選擇、魯幫自然圖像分割、特征提取、目標(biāo)認(rèn)證、輸出結(jié)果。
首先，建立目標(biāo)模型。目標(biāo)模型采用統(tǒng)計(jì)建模的方式，待檢測(cè)目標(biāo)和干擾目標(biāo)的顏色模型采用Cb、Cr和R/G三個(gè)顏色成分來描述，把三維的顏色成分分別投影到Cb-Cr和Cb-R/G平面上，構(gòu)成目標(biāo)顏色模板平面，通過大量目標(biāo)樣本離線學(xué)習(xí)，將樣本映射到目標(biāo)顏色模板平面，統(tǒng)計(jì)得到待檢測(cè)目標(biāo)和干擾目標(biāo)的顏色模板。
其次，選擇分割參數(shù)。對(duì)于明顯的目標(biāo)，選擇魯棒自然圖像分割分割方法中的粗分割參數(shù)，對(duì)于不明顯的目標(biāo)，檢測(cè)時(shí)采用魯棒自然圖像分割方法中的細(xì)分割參數(shù)。
然后，采集和分割圖像，并提取特征認(rèn)證目標(biāo)，采集圖像，在選定的分割參數(shù)下分割圖像，計(jì)算出每個(gè)分割區(qū)域的顏色平均值，對(duì)每個(gè)區(qū)域用已建立的目標(biāo)顏色模型進(jìn)行驗(yàn)證。如果某一個(gè)候選區(qū)域隸屬于目標(biāo)的概率大于其他目標(biāo)的概率，則該區(qū)域被認(rèn)為是待檢測(cè)目標(biāo)。
機(jī)器人視覺導(dǎo)航中的自然目標(biāo)檢測(cè)方法具體步驟包括步驟S1離線建立待檢測(cè)目標(biāo)和干擾目標(biāo)的顏色統(tǒng)計(jì)模型，每個(gè)目標(biāo)對(duì)應(yīng)兩個(gè)顏色描述模板；步驟S2由圖像采集卡采集一幀彩色圖像到內(nèi)存；步驟S3濾波處理；步驟S4選擇分割參數(shù)，對(duì)于明顯的目標(biāo)選擇粗分割參數(shù)，對(duì)于不明顯的目標(biāo)選擇細(xì)分割參數(shù)；步驟S5基于選定的分割參數(shù)，用魯棒自然圖像分割方法將圖像分割成一些區(qū)域；步驟S6計(jì)算出每個(gè)分割區(qū)域的顏色平均值，作為區(qū)域特征；步驟S7對(duì)每個(gè)區(qū)域用已建立的目標(biāo)顏色模型進(jìn)行驗(yàn)證，如果某一個(gè)候選區(qū)域隸屬于待檢測(cè)目標(biāo)的概率大于隸屬于其他目標(biāo)的概率，則該區(qū)域被認(rèn)為是要檢測(cè)的目標(biāo)；步驟S8最后輸出檢測(cè)結(jié)果。
圖2是用于機(jī)器人視覺導(dǎo)航的門和走廊檢測(cè)結(jié)果。最左邊的是原圖，中間的是魯棒自然圖像分割后的圖像，最右邊的是目標(biāo)檢測(cè)結(jié)果圖。其中白線框內(nèi)的區(qū)域就是被檢測(cè)到的目標(biāo)。
下面以室內(nèi)移動(dòng)機(jī)器人視覺導(dǎo)航中用到的門和走廊的檢測(cè)為例進(jìn)行說明。
首先，建立門和走廊的模型。由于墻是一個(gè)嚴(yán)重的干擾目標(biāo)，檢測(cè)門和走廊時(shí)需要考慮墻的影響，因此，同時(shí)離線建立門、走廊和墻三個(gè)目標(biāo)的顏色模型。門、走廊和墻的顏色模型采用Cb、Cr和R/G三個(gè)顏色成分來描述。把三維的顏色成分分別投影到Cb-Cr和Cb-R/G平面上，構(gòu)成6個(gè)目標(biāo)顏色模板平面。通過大量目標(biāo)樣本離線學(xué)習(xí)，將樣本映射到目標(biāo)顏色模板平面，統(tǒng)計(jì)得到目標(biāo)的顏色模板。
第二，選擇分割參數(shù)。由于門與走廊的顏色對(duì)比比較明顯，在檢測(cè)門時(shí)選擇魯棒自然圖像分割方法中的粗分割參數(shù)。而走廊和墻的顏色由于受光照干擾的影響比較接近，檢測(cè)走廊時(shí)采用魯棒自然圖像分割方法中的細(xì)分割參數(shù)。門和走廊的檢測(cè)分別在不同分割參數(shù)下進(jìn)行分割圖像。
第三，采集和分割圖像，并提取特征認(rèn)證目標(biāo)。采集圖像，在選定的分割參數(shù)下分割圖像。計(jì)算出每個(gè)分割區(qū)域的顏色平均值。對(duì)每個(gè)區(qū)域用已建立的目標(biāo)顏色模型進(jìn)行驗(yàn)證，如果某一個(gè)候選區(qū)域隸屬于門或者走廊的概率大于0.1而隸屬于其他目標(biāo)的概率小于0.05，則該區(qū)域被認(rèn)為是目標(biāo)(門或者走廊)。
本發(fā)明的特點(diǎn)與效果有1)目標(biāo)檢測(cè)的魯棒性好。由于采用了基于魯棒自然圖像分割之上的目標(biāo)檢測(cè)方法，能在不同光照條件穩(wěn)定地檢測(cè)目標(biāo)。已經(jīng)用于移動(dòng)機(jī)器人的視覺導(dǎo)航中。
2)采用了干擾目標(biāo)與待識(shí)別目標(biāo)同時(shí)建模的方法，消除了干擾目標(biāo)對(duì)目標(biāo)檢測(cè)帶來的影響。
3)由于采用了目標(biāo)顏色統(tǒng)計(jì)建模和魯棒自然圖像分割方法，目標(biāo)部分出現(xiàn)在圖像時(shí)依然能被檢測(cè)到。
4)與基于其他自然圖像分割之上的目標(biāo)檢測(cè)方法相比，計(jì)算速度快。
5)具有很好的實(shí)用價(jià)值，同時(shí)可推廣到其他目標(biāo)檢測(cè)應(yīng)用中。
權(quán)利要求
1.一種機(jī)器人視覺導(dǎo)航中的自然目標(biāo)檢測(cè)方法，目標(biāo)檢測(cè)過程包含八部分步驟組成目標(biāo)建模、圖像采集、預(yù)處理、分割參數(shù)選擇、魯幫自然圖像分割、特征提取、目標(biāo)認(rèn)證、輸出結(jié)果。
2.根據(jù)權(quán)利要求1的機(jī)器人視覺導(dǎo)航中的自然目標(biāo)檢測(cè)方法，建立目標(biāo)建模步驟目標(biāo)模型采用統(tǒng)計(jì)建模的方式，待檢測(cè)目標(biāo)和干擾目標(biāo)的顏色模型采用Cb、Cr和R/G三個(gè)顏色成分來描述，把三維的顏色成分分別投影到Cb-Cr和Cb-R/G平面上，構(gòu)成目標(biāo)顏色模板平面，通過大量目標(biāo)樣本離線學(xué)習(xí)，將樣本映射到目標(biāo)顏色模板平面，統(tǒng)計(jì)得到待檢測(cè)目標(biāo)和干擾目標(biāo)的顏色模板。
3.根據(jù)權(quán)利要求1的機(jī)器人視覺導(dǎo)航中的自然目標(biāo)檢測(cè)方法，分割參數(shù)選擇步驟對(duì)于明顯的目標(biāo)，選擇魯棒自然圖像分割分割方法中的粗分割參數(shù)，對(duì)于不明顯的目標(biāo)，檢測(cè)時(shí)采用魯棒自然圖像分割方法中的細(xì)分割參數(shù)。
4.根據(jù)權(quán)利要求1的機(jī)器人視覺導(dǎo)航中的自然目標(biāo)檢測(cè)方法，圖像采集和圖像分割步驟提取特征認(rèn)證目標(biāo)，采集圖像，在選定的分割參數(shù)下分割圖像，計(jì)算出每個(gè)分割區(qū)域的顏色平均值，對(duì)每個(gè)區(qū)域用已建立的目標(biāo)顏色模型進(jìn)行驗(yàn)證，如果某一個(gè)候選區(qū)域隸屬于目標(biāo)的概率大于其他目標(biāo)的概率，則該區(qū)域被認(rèn)為是待檢測(cè)目標(biāo)。
5.根據(jù)權(quán)利要求1的機(jī)器人視覺導(dǎo)航中的自然目標(biāo)檢測(cè)方法，具體步驟如下步驟S1離線建立待檢測(cè)目標(biāo)和干擾目標(biāo)的顏色統(tǒng)計(jì)模型，每個(gè)目標(biāo)對(duì)應(yīng)兩個(gè)顏色描述模板；步驟S2由圖像采集卡采集一幀彩色圖像到內(nèi)存；步驟S3濾波處理；步驟S4選擇分割參數(shù)，對(duì)于明顯的目標(biāo)選擇粗分割參數(shù)，對(duì)于不明顯的目標(biāo)選擇細(xì)分割參數(shù)；步驟S5基于選定的分割參數(shù)，用魯棒自然圖像分割方法將圖像分割成一些區(qū)域；步驟S6計(jì)算出每個(gè)分割區(qū)域的顏色平均值，作為區(qū)域特征；步驟S7對(duì)每個(gè)區(qū)域用已建立的目標(biāo)顏色模型進(jìn)行驗(yàn)證，如果某一個(gè)候選區(qū)域隸屬于待檢測(cè)目標(biāo)的概率大于隸屬于其他目標(biāo)的概率，則該區(qū)域被認(rèn)為是要檢測(cè)的目標(biāo)；步驟S8最后輸出檢測(cè)結(jié)果。
全文摘要
本發(fā)明涉及目標(biāo)檢測(cè)技術(shù)領(lǐng)域，特別是一種用于機(jī)器人視覺導(dǎo)航的自然目標(biāo)檢測(cè)方法。方法包括目標(biāo)建模、圖像采集、預(yù)處理、分割參數(shù)選擇、魯棒自然圖像分割、特征提取、目標(biāo)認(rèn)證、輸出結(jié)果。
文檔編號(hào)G06K9/32GK1873656SQ200510075539
公開日2006年12月6日 申請(qǐng)日期2005年6月3日 優(yōu)先權(quán)日2005年6月3日
發(fā)明者易建強(qiáng), 洪義平, 趙冬斌 申請(qǐng)人:中國(guó)科學(xué)院自動(dòng)化研究所