文摘

本文描述了一种新的识别算法包括均值滤波,高斯滤波器,Retinex增强方法,Ostu阈值分割方法(MGRO)移动机器人的导航和视觉传感器。的方法包括障碍视觉识别和导航路径规划。在第一部分中,一个三级构造障碍视觉识别的方法。第一阶段结合均值滤波和高斯滤波去除随机噪声和高斯噪声的环境形象。第二阶段使用Retinex增加图像对比度增强方法。第三阶段使用Ostu阈值分割方法实现障碍特征提取。基于辅助视觉导航方法信息构建在第二部分。该方法是基于人工势场(APF)方法,能够避免陷入局部最小值通过改变斥力场函数。实验结果证实,障碍特点,可以提炼出准确、安全的移动机器人可以避免障碍,到达目标位置正确。

1。介绍

移动机器人集成的技术,如机械、操纵、传感器、和信息处理1]。装备移动机器人传感器是至关重要的,以确保他们在未知环境中导航和功能2]。

电磁导航广泛用于早期当移动机器人导航出现(3]。电磁导航需要埋在未来工作区域的移动机器人导航线的时间成本高,灵活性差。跟踪导航出现后,移动机器人计算并纠正他们的旅行路径不断根据编码器的信息和陀螺仪机器人装备。然而,这一次会有大量与时间有关的积累误差(4]。在导航传感器,传感器,如雷达、声纳、超声波、红外检测障碍通常集成在移动机器人在未知环境下,计算路径或建筑物地图通过路径规划算法(5- - - - - -7]。

视觉传感器,如摄像头能够获得大量的信息,通常用于移动机器人导航。移动机器人视觉导航的过程,首先从视觉传感器获取环境信息的图像。机器人然后通过图像处理生成信息,最后确定最佳路径通过路径规划算法(8,9]。棕褐色等人提出了一个视觉导航系统双模块。一个模块处理视觉检测,另一个负责计划跟踪。视觉检测模块可以检测每个区域根据边缘的亮度和图像的几何特征。规划实时追踪模块然后更新规划信息指导自主移动机器人的移动(10]。贝聿铭等人研究了水下机器人的导航。障碍水线以上的信息是由立体视觉探测技术,然后静态位置信息和动态速度信息计算实现避碰和动态目标跟踪(11]。王等人建造了一个多视图导航的视觉系统。该系统包括多个摄像头获取地表信息的导航场景。用于导航的信息然后从视觉特性实现通过使用单应性矩阵分解和偏差估计。实验结果证明了其有效性和准确性的导航(12]。

总之,有两个最重要的任务在移动机器人的视觉导航。一是如何有效地提取图像的特征信息等视觉传感器相机为了提供后续路径规划的基础。另一路径规划具有较强的鲁棒性产生理性路径根据视觉特性。由于移动机器人导航任务需要实时或接近实时的,除了的准确性,最大限度地减少处理时间也基本以满足快速移动机器人导航的需求。在本文中,我们提出一个方法导航图像的特征提取和路径规划导航过程中移动机器人导航的实现令人满意的性能。

2。MGRO识别算法

为了实现移动机器人的自主导航,是至关重要的获取环境图像和识别障碍信息通过视觉算法。环境照片相机,一些问题会影响障碍识别的准确性,包括随机噪声和高斯噪声存在的图像低对比度和背景之间的障碍,并从障碍的不显眼的特征识别困难。

在这项工作中,我们设计了一个三阶段的方法称为MGRO识别障碍识别精度提高移动机器人环境图像捕获。第一阶段结合均值滤波和高斯滤波去除随机噪声和高斯噪声的环境形象。第二阶段使用Retinex增加图像对比度增强方法。第三阶段使用Ostu阈值分割方法实现障碍特征提取。

2.1。噪声去除

图像噪声可以显著影响图像质量,和随机噪声和高斯噪声比例最高。由于图像的乘法噪声可以转换为添加剂,这两种噪声可以删除。我们第一次与平均滤波器去除随机噪声,然后用高斯滤波器去除高斯噪声。

模板的大小选择像素,像素为中心处理。随机噪声是根据确定的

方程(1)表明,如果中心像素的灰度值远不同于周围的8个像素的平均灰度值,该中心像素随机噪声;否则,该中心像素不是随机噪声。的判断是根据之前的区别设置阈值。像素确定的随机噪声,取而代之的是周围的8个像素的平均灰度值去除随机噪声。

去除高斯噪声进行二维高斯滤波器,根据

二维高斯滤波器是一个圆对称函数。图像平滑主要是控制这是一个大于零的整数。当执行去噪时,过滤器与图像卷积过程。

2.2。Retinex增强

在实际图像中,前景和背景的对比往往倾向于较低,不利于提取障碍信息。因此,我们增加Retinex前景和背景之间的对比增强方法在这工作。

Retinex增强的基础上,从光强度的角度,图像信息可分为入射光强度和反射的光强度,,分别形成了低频信息和图像的高频信息。如果入射光强度的比例和反射光强度可以改变,也可以调整,以提高图像的对比。的数学描述单一规模Retinex增强 在哪里表明反映原始图像的信息,表示原始图像的整体信息,和是这一事件的两个控制参数的图像信息。请注意,反射光和入射光的比例可以改变通过调整这两个参数的信息。在这里,不是周长比。

单一尺度Retinex增强方法只使用一组和;因此,加强它的容量是有限的详细特性在不同地区。因此,我们使用一个多尺度Retinex增强方法在这项工作通过调整多组达到改善效果和增强,最终结果是所有组的线性叠加的单身比例提高。多尺度增强的数学形式 哪里有组控制参数和在增强,权重系数每组的增强的结果。

2.3。改善Ostu阈值分割

因为不同的特性表现出不同的像素灰度尺度的图像,基于阈值的分割可以提取有效特征。然而,经常有大的偏差在手动阈值设置,也不利于自动调整,很难满足移动机器人导航任务的实时性能。

的方法能够自动调节阈值,一维Ostu法通常是使用和实现如下。

步骤1。计算原始图像中的所有像素的灰度值。让表示原始图像;让表示灰度级;,让表示图像中的像素的数量。这些变量之间的关系

步骤2。规范化的像素数量在每个灰度级别

步骤3。随机生成一个阈值,将原始图像的像素划分为总目标和背景总;然后计算概率和意味着根据

步骤4。修改当前阈值根据总目标和背景总直到达到最优阈值。

实时要求处理算法在移动机器人导航,它是耗费时间来执行上述操作的完整图像平面。此外,背景信息导航环境往往是复杂的,因为可能存在多个信息障碍。因此,很难分离出所有的障碍与相同的阈值满屏。因此,我们改进一维Ostu分割方法如下。原始图像生成第一分区子图象显示

Ostu然后在每个子图象进行分割,背景设置为白色,和障碍信息设置为黑色。最后,所有的子图象结合,连接黑色区域是封闭形式的信息根据每个障碍 在哪里和两个图像的像素平均地区,和这两个图像的像素方差区域,和这两个图片的像素数量。

3所示。人工势场(APF)基于辅助视觉信息的导航策略

我们获取的障碍信息建立一个结构化的地图的移动机器人视觉传感器和使用上面的图像处理方法。在所有的移动机器人导航方法在结构化环境中,人工势场(APF)是最常用的方法。APF的基础方法,考虑到目标位置施加重力的机器人,机器人的障碍产生排斥。力的合成形成的引力和斥力使机器人导航向目标位置,以避免障碍。然而,有一些局限性在APF的方法。首先,机器人无法找到目标位置时,环境的路径信息过于复杂。其次,机器人将停止在目标位置时陷入局部最小值。

因此,我们构建一个新战略为移动机器人导航在这个工作中,结合视觉信息获取的障碍和援助APF的方法。图1说明了这个导航方法在以下步骤中实现。

步骤1。确定机器人的起始位置和目标位置,并建立它们之间的直线路径。

步骤2。选择不规则区域用矩形选框根据障碍物的信息。

步骤3。引导机器人前进,避免障碍的重力下的目标位置。这个步骤可以分为几个策略根据安排的障碍。
(一)以外围矩形选框为斥力计算区域当只有一个障碍在机器人的前面。为了避免陷入局部最小值的APF方法,构造新的斥力场函数如下: 在哪里排斥场参数相关机器人和障碍物之间的距离。是一个正数。表明机器人之间的最小距离和障碍。表明机器人之间的距离和目标位置。用于根据的距离调整斥力影响机器人的目标位置和时间间隔。表明斥力的障碍,为圆形黄色矩形区域角点如图1。圆的半径区域设置为机器人身体的宽度的一半。
斥力函数集相比传统的APF的方法,介绍了机器人之间的相对距离和目标位置所示(8),这有利于避免陷入局部最小值在机器人到达目标位置。相应的引力场函数 在哪里引力场系数相关机器人之间的距离和目标位置和是一个正数。
(b)两个障碍的距离足够大时,两个矩形区域的侧角可以连接到确认可能通过一系列机器人,然后确定最佳路径。
(c)当两个障碍的距离使机器人通过但太窄,不再使用矩形选框。这时,凸起的两个障碍的相应位置,以及它们之间的距离计算搜索一个中立的立场使机器人通过。
(d)当两个障碍的距离不允许机器人,根据情况(3),机器人引导避免障碍从左边的左边障碍或右侧的障碍。

4所示。实验结果

我们进行了实验验证测试的有效性的障碍识别和基于视觉传感的导航方法。我们选择了Srv-1机器人(图2)的移动机器人导航实验。

Srv-1机器人是一个跟踪机器人的大小长度12厘米,宽10厘米,高8厘米。主要的传感器接收外部信息是CMOS相机设置在机器人的前面身体的一项决议像素像素。这个机器人被选中,是因为它的小尺寸和视觉感知的功能,使它适合测试导航方法在实验环境(图3)。

如图3,有五个障碍。移动机器人是一个起始位置,和目标位置b可以看出,图像中的噪声。与此同时,障碍形成几个影子区域,因为光源的位置,准确的识别障碍造成干扰。使用一节中描述的方法2障碍的识别特征信息如图4。

如图4,五个障碍的特征信息是公认的准确。这是因为Retinex增强方法增加有效的障碍和背景之间的对比,和障碍的阴影也带进后台。对比增加后,改善Ostu阈值分割方法能够单独的障碍信息准确。

根据识别的结果,建立了移动机器人的环境信息的过程。根据导航算法中描述的部分3计划路径,机器人如图5。

图中可以看到5APF导航方法的基础上,辅助视觉信息可以计划一个理想的移动机器人的路径。产生的斥力场,从右下角点(O1群)的矩形选框形成的第一个障碍,影响了从A到B的理想路径,机器人避免第一个障碍形成一条新的道路。之后,机器人回到理想的路径从A到B的一段时间后。接下来,机器人成功避免了斥力场O2。当进入O3和O4之间的地区,由于区域的宽度比较窄,机器人前进沿着路径平行矩形选框的边缘。O5到达斥力场时,机器人成功避免了最后一个障碍,最后到达目标点B。

为了进一步验证性能在一个复杂的环境下,该算法和现有算法的比较了。构造一个复杂的环境,进一步显示在图6。有网格和块场景中的一些障碍。每个块都是一半一半的长度和宽度的网格。同样的,机器人的宽度大小等于块的宽度。的障碍是由一块,两块,或几个街区。在现场,障碍是18。

在实验中,机器人的初始位置设置在C点和目标机器人的位置设置在D点。在实验中有三个机器人。1号机器人配备了视觉传感器将执行一个任务控制根据红色路径规划的算法。机器人2号和3号配备了超声波距离传感器将控制执行相同的任务,根据绿色和蓝色1号机器人路径规划的人工势算法。

从比较结果如图所示6入口的位置,2号和3号都是远离中心轴的场景地图。这是由于中间的场景更多的障碍。这些障碍导致麻烦的信息反馈超声波传感器和机器人很难判断这种情况会是安全的。放大比较结果如图所示7。

从局部放大结果如图所示7,机器人1号选择复杂的障碍分布的中心位置作为入口,发现一个安全的路径穿过该地区。这证明了该算法是有效的和视觉传感器的信息采集是准确的。机器人2号和3号选择了一条路径,以避免整个地区的复杂障碍,以确保安全。

机器人1号和3号之间的比较结果如图所示8。机器人1号保持最优路径在引力的作用下目标的位置和当地的斥力的障碍。在引力的作用下目标位置的机器人3号试图返回现场的中心轴的位置地图。然而,由于超声波传感器的反馈信息和路径规划机器人的安全区域设置3号不能穿过中间的场景。多次失败后,它又回到位置。通过上面的比较,该算法具有更高的效率和更好的路径规划。

5。结论

视觉传感器对移动机器人接收环境信息很重要。通过接收环境信息与视觉传感器和构建地图根据障碍特点的环境图像,理想的移动路径移动机器人可以计划成功。我们把环境图像处理分为三个步骤:噪声去除、对比度增强、特征提取和障碍。与视觉传感器获取的障碍信息后,我们进一步设计一个基于APF的导航策略使用辅助视觉信息。在这种方法中,导航的斥力场函数改进算法避免陷入局部最小值,和外部使用矩形选框障碍处理不规则的视觉特性区域。实验结果表明,障碍物提取方法提出了工作可以有效地解决噪声和阴影的影响,准确地提取信息障碍。导航方法充分利用视觉特征信息和实现正确的移动机器人导航。

利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作是财务支持的中国国际科技合作项目(批准号2014 dfa70470),中国国家自然科学仪器发展重大项目(批准号61327811),江苏省自然科学基金杰出青年学者(批准号BK2012005)。