基于全景近紅外視覺的室外移動機器人定位系統

張栩

0 引言

智能移動機器人是機器人研究和工程應用的一個重要領域。其中，室外移動機器人在軍事、民用、商用方面都有廣泛的應用前景，是目前研究的熱點方向。作為機器人在戶外作業的基礎，定位成了需要解決的首要問題。

近幾年來，由于計算機圖像處理能力和技術的飛速發展以及各種高端數字圖像處理設備性能價格比的提高，機器視覺在移動機器人定位導航中的應用越來越受到人們的重視[1]。與激光、聲納、GPS、WLAN等技術相比，視覺信號具有表述形式直觀、信息量豐富、造價低廉并且不易被電磁輻射干擾等優點。目前常用的基于視覺的室外移動機器人自定位方法，主要有基于自然路標和基于人工路標兩種，前者是直接在環境中提取已存在的特征及物體，雖然運用靈活，但對周圍環境要求嚴格且識別難度較大，主要用于需要高速運動的機器人如智能車輛；后者是提取人為放置在環境中的標志物體，它識別穩定并且具有較高精度，但對光照和陰影變化敏感，適合于速度慢但對精度要求高的作業型機器人。

本文針對高精度要求的室外機器人定位問題，提出一種近紅外光源照明、全景視覺觀測和人工編碼路標相結合的室外機器人定位系統。該系統通過近紅外光成像降低光照和陰影的影響，利用全景視覺獲取大范圍環境信息，依靠圖像處理算法識別路標，最后用三角定位算法完成機器人定位。夜晚、白天不同光照情況下的實驗證明該系統具有良好的魯棒性和較高的精度。

1 系統的設計

1.1 系統的框架

本文采用在道路兩側布置編碼路標，全景視覺識別的方式來實現定位導航。在依靠機器視覺來定位時，光線的變化是影響識別精度的最大因素。而在室外全天候情況下，照度從0到105Lux變化，這使得僅僅采用太陽光照明來識別路標幾乎成為不可能。

為了讓機器人在全天候各種天氣下都能穩定的定位，本文采用了近紅外主動照明的方式，進行近紅外光識別。近紅外光可以有效降低環境光線變化的干擾，與日間強烈的可見光區分開，并且具有良好的夜間穿透能力，有利于夜間觀測定位。

本系統由全景近紅外視覺和編碼路標系統兩部分組成，如圖1所示。編碼路標分布在機器人路徑的兩側，視覺系統中的近紅外照明器發出近紅外光線均勻覆蓋在機器人周圍，經路標反射后返回視覺系統的全景攝像機，完成成像。

圖1 系統實景圖

1.2 系統的流程

如圖2所示，編碼路標系統包括路標模板和編碼地圖，其中編碼地圖中記錄了編碼路標在世界坐標系中的坐標。系統在采集到近紅外全景圖像后，通過圖像處理結合路標模板得到路標在圖像中的編碼和坐標，進而結合編碼地圖進行三角定位，確定出機器人當前的位姿，實現定位。

圖2 系統流程圖

1.3 全景近紅外視覺系統

全景近紅外視覺系統由近紅外照明器及全景攝像機組成。近紅外照明器發出的近紅外光線均勻地覆蓋在機器人周圍的圓形范圍，形成近紅外主動照明。全景攝像機由攝像頭、濾光片和安裝于鏡頭正上方的雙曲面鏡組成，能獲得大范圍的可視角度。攝像頭捕捉經過雙曲鏡面反射的外界光線，濾光片將攝像頭獲取的光譜范圍控制在810 nm到880 nm的近紅外光譜范圍內，以降低其他光線對攝像機的干擾。

1.4 編碼路標

由于定位采用三角定位算法，所以至少需要有三個不同的路標被識別到。本文采用四種編碼路標，如圖3所示。路標利用黑白區域的順序和寬度比區分，圖形復雜度低，抗干擾能力強，成本低。路標的黑色區域吸收近紅外光，白色區域覆蓋有反光材料，使其能更好的反射近紅外光。

圖3 編碼路標模板

2 算法原理

2.1 近紅外成像

視覺成像的效果在很大程度上影響著圖像識別的好壞。太陽光中也含有近紅外光，在太陽光很強時，其中的近紅外光強度很大，這會使圖像的整體灰度上升，造成圖像中路標跟周圍地面的灰度接近，損失部分圖像細節。為了降低太陽光對圖像的干擾，白天在采集圖像時應盡量減小曝光時間。而在夜晚，近紅外照明器發出的近紅外光強度較小，則需要增大曝光時間。

針對太陽光照度不均一的各種情況，通過標定能夠確定出各種照度下最佳的曝光時間，使攝像機成像效果達到最好以便于路標的提取。本文采用如下公式來確定曝光時間：

其中E為曝光時間，G為圖像灰度總值。利用該公式，通過兩幀圖像的灰度總值之差就能確定兩幀圖像的曝光時間之差。這樣，圖像灰度總值維持在一個固定的范圍之內，減少了成像階段造成的圖像信息損失。

2.2 單幀圖像處理的算法

圖像處理的目標是分辨出路標的種類并且提取出圖像中路標的位置，它的算法流程如圖4所示。

首先通過全景攝像機獲取全景圖像。雖然全景圖像視野大，但同時也存在模糊、畸變等問題。為了方便幾何形狀的提取和分析，需要將全景圖像展開[2]。接著對展開圖像進行二值化操作，使路標和周圍背景分離開。然后提取出路標并進行模板匹配，確定路標的坐標及編號。

圖4 單幀圖像處理流程

圖5為圖像處理各階段的效果圖。圖5(a)為采集到的近紅外全景圖，圖5(b)、圖5(c)分別為展開圖和二值化圖，圖5(d)為識別后的效果圖，其中紅色方框和數字標示出識別到的路標及編號。

圖5 圖像處理效果圖

為了提高魯棒性，算法還做了如下優化：

（1）因為全景圖像較大，而全景展開用到了非線性插值，所以全景圖像展開耗時較多，影響了實時性。算法在第一次展開全景圖后建立了全景圖與展開圖之間的坐標對應表，以后的圖片采用查表的方式來展開[3]，省去了非線性插值操作，提高了實時性。

（2）在二值化操作之前，進行圖像增強操作[4]，提高路標與周圍背景的灰度差，以便二值化操作時能更好的分割出路標與背景。

（3）在提取路標之前進行形態學濾波，包括腐蝕和膨脹操作，以減少噪聲的干擾。

2.3 二值化

二值化算法是整個圖像處理中的關鍵點，它主要作用是分割圖像，去除背景，留下感興趣的目標物體。二值化的好壞程度直接影響了對路標的提取。

目前常用的二值化方法是大津法[5]，它能較穩定的選出單幀圖像的自適應閾值，完成圖像分割。但當背景與目標之間灰度相差不明顯時，二值化后的圖像中會出現無法忍受的大塊黑色區域，甚至會出現丟失整幅圖像信息的情況。同時它對噪聲和目標的大小很敏感，而且僅對灰度直方圖為雙峰的圖像有較好的效果。受周圍環境的復雜性及光照變化所影響，攝像機在白天實驗過程中采集到的圖像用大津法較難分割。本文采用一種改進的大津法來選取二值化閾值，算法步驟如下：

（1）由于目標的灰度高于圖像的平均灰度，所以求出圖像I(x,y)的平均灰度T0作為二值化的閾值的下限；

（2）計算I(x,y)中灰度大于T0的所有像素的灰度均值T1，作為閾值的上限；

（3）選取灰度T(T0＜ T ＜ T1)，灰度在T0到T之間的像素個數占 I(x,y)的比例為 w0，其平均灰度為 u0；灰度在 T到T1之間的像素個數占I(x,y)的比例為w1，其平均灰度為u1；I(x,y)的總平均灰度為u，類間方差為g。當

為最大時，T為最佳二值化閾值。

算法主要進行邏輯判斷和簡單的整數運算，所以運算速度快，不會影響系統實時性。

2.4 路標跟蹤

為了節約系統資源，提高實時性，本文采用目標跟蹤的方法。具體做法如下：

（1）根據上一幀圖像中得到的路標的坐標，結合兩幀之間的時間差，預估出當前幀中路標可能會出現的位置范圍；

（2）在該范圍內進行查表展開、二值化等操作來完成識別；

（3）判斷識別出的路標個數是否與上一幀相符，若不相符，則重新進行全圖識別。

由于預估出的范圍很小，所以系統實時性得到了提高。實際實驗中，為了提高抗干擾能力，可以設置在連續一定幀內路標個數都小于第一幀的時，才重新全圖識別。

2.5 三角定位

三角定位是已知 3個路標的全局坐標以及在機器人局部坐標系中的觀察角度來計算機器人在全局坐標中的位置。其基本算法主要有相交圓法、Newton-Rapson法和幾何三角法。本文采用相交圓法[6]來實現機器人位姿和方向角的計算。

相交圓法是利用平面上 3點確定一個圓，也就是每 2個路標和機器人位置確定一個圓，3個路標就可以和機器人位置確定2個圓，而這2個圓的交點一個是其中一個路標，另一個就是機器人的位置。定位實質上是求解如下的非線性觀測方程：

3 系統定位實驗

本文以Frontier-II兩輪差速機器人為載體進行實驗。該機器人在機載的 DSP運動控制器的控制下，利用帶有編碼器的30w直流電機提供動力。進行視覺處理的PC采用的是雙核Intel 2.0 G，1 G內存的筆記本，Windows操作系統。攝像機為1 / 2英寸的CCD近紅外黑白攝像機，像素為752× 580，幀率為30 fps。實驗場地為水泥道路，路標對稱的擺放在道路兩側，距離道路中線均為1.5 m，其縱向間距為2 m，如圖6所示。

圖6 實驗地圖

為了實驗本系統對環境的適應性及其定位精度，在白天(20000 Lux)和夜晚(100 Lux)兩個時段，人工推行機器人以0.5 m/s的速度在道路中央行駛各5次，并記錄三角定位的結果。表1給出了白天和夜晚定位時的偏差距離和偏差角度的比較結果。

表1 系統定位實驗（距離單位: cm，角度單位: °）

由表可知，在白天有太陽光干擾時，定位的距離偏差均值為3.846 cm，而在夜晚沒有太陽光時為3.110 cm，偏差角度均小于 3°，具備對大范圍光照變化的適應性和較高的定位精度。

4 結論

本文設計了一種基于全景近紅外視覺的室外移動機器人定位系統，該系統利用近紅外全景視覺識別編碼路標，進而通過三角定位來計算當前的位姿。近紅外成像提高了視覺系統對室外白天和夜晚大范圍光照變化的魯棒性，全景攝像機可以獲得大范圍的路標定向信息，改進大津法和路標跟蹤的應用使得識別路標更準確、更快速，三角定位算法能夠精確的計算出機器人的世界坐標，為機器人在特定區域進行作業提供保證。室外環境下移動機器人的定位實驗結果表明，本系統具有較高的定位精度和良好的魯棒性。

[1]段華,趙東標.基于歸一化 RGB值的道路區域檢測算法[D],南京:南京航空航天大學,2005.

[2]Horita Y,Shibata K,Maeda K,et al.Omni-directional Polarization Image Sensor Based on an Omni-directional Camera and a Polarization Filter[C].Proc 6th IEEE Int Conf Advanced Video and Signal Based Surveillance.Genoa,Italy: IEEE Press,2009.280-285.

[3]凌云峰,朱齊丹,吳自新等.全景視覺圖像柱面理論展開算法實現及其改進[J].應用科技,2006,33(9): 4-9.

[4]Wang Lei,Chen Gong-xin,Lu Ling,et al.A Medical CT Image Enhancing Algorithm Based on the Mixture Scope Model of Wavelet Multi-Scale Transform[C].2008 Intelligent Information Technology Application.Shanghai,China: IEEE Press,2008.310-314.

[5]Otsu N.A threshold selection method from gray-level histograms [J].IEEE Trans Systems Man and Cybernetics,1979,9(1): 62-66.

[6]Cohen C and Koss F.A Comprehensive Study of Three Object Triangulation[C].Proceedings of the 1993 SPIE Conference on Mobile Robots.Boston,MA: IEEE Press,1993.95-106.