機器人人機界面的三維可視化設(shè)計

張韜

摘 要： 為了提高機器人人機界面的三維可視化操作性能，提出一種基于GPU實時圖形跟蹤渲染的機器人人機界面的三維可視化重構(gòu)設(shè)計方法。采用計算機視覺方法進行機器人的人機界面視覺特征采樣，對采樣的視覺像素信息進行稀疏散點重構(gòu)，在重構(gòu)的三維空間中通過圖像處理方法實現(xiàn)圖形降噪和邊緣修正處理，提高人機交互界面的三維可視化圖形細節(jié)表達能力。仿真結(jié)果表明，采用該方法進行機器人人機界面的三維可視化設(shè)計，輸出圖形的視覺效果較好，人機交互能力較強，具有較高的應(yīng)用價值。

關(guān)鍵詞： 機器人； 人機界面； 三維可視化； 圖形降噪； 圖像處理

中圖分類號： TN830.1?34； TP391 文獻標(biāo)識碼： A 文章編號： 1004?373X（2017）12?0105?03

Abstract： In order to improve the operating performance of 3D visualization of robot human?computer interface， a 3D visualization reconstruction design method of robot human?computer interface based on GPU real?time graph tracking rendering is put forward. The computer vision method is used to sample the visual features of robot man?computer interface， and perform the sparse scattered points reconstruction for the sampled vision pixel information. The image processing method is adopted to denoise the graph and correct the edge in the reconstructed 3D space， and improve the detail presentation ability of 3D visualization graph of man?computer interface. The simulation results show that the method used to design the 3D visualization of the robot human?computer interface has perfect visual effect of the output graph， strong human?computer interaction ability， and high application value.

Keywords： robot； human?computer interface； 3D visualization； graph noise reduction； image processing

0 引 言

機器人人機交互（Human?Computer Interaction，HCM）是通過圖像和計算機視覺處理的方法，實現(xiàn)機器人系統(tǒng)與用戶之間的交互關(guān)系和溝通，在機器人人機交互過程中，人與計算機通過計算機視覺處理和動作識別的形式實現(xiàn)語言溝通，完成確定的任務(wù)和計算機與機器人的信息交換[1]。機器人人機交互系統(tǒng)廣泛應(yīng)用在視景模型仿真、機器手設(shè)計和遠程虛擬控制等領(lǐng)域，在現(xiàn)代工業(yè)和遠程控制中具有重要的應(yīng)用價值。

在機器人的人機交互中，需要通過對人機界面的三維可視化設(shè)計，提高人機交互的可視性和人工智能性，研究人機交互界面的三維可視化重構(gòu)方法在機器人的人工智能優(yōu)化設(shè)計領(lǐng)域具有重要的應(yīng)用意義。對此，本文提出一種基于GPU實時圖形跟蹤渲染的機器人人機界面的三維可視化重構(gòu)設(shè)計方法。首先采用計算機視覺方法進行機器人的人機界面視覺特征采樣，采用圖像處理方法實現(xiàn)圖形降噪和邊緣修正處理，提高人機交互界面的三維可視化圖形細節(jié)表達能力。最后進行仿真實驗分析，得出有效性結(jié)論。

1 視覺特征采樣與像素信息重構(gòu)

1.1 人機界面計算機視覺特征采樣

為了實現(xiàn)機器人人機界面的三維可視化設(shè)計，首先進行視覺信息采樣，本文采用計算機視覺方法進行機器人的人機界面視覺特征采樣，在視覺信息采集中，對特征空間中的突變信息進行采集，檢測提取后的輪廓線信息是否符合要求，不符合的原因是由于閾值小而提取了過多的次要輪廓線，使主要輪廓線無法突出。利用多尺度特征來提取輪廓線，并將高頻與低頻部分的輪廓線信號進行融合，也就是在不同尺度特征下進行輪廓線提取，因此可得到光滑的輪廓線圖像，提取出的人機界面外部采集輪廓線，將外部特征通過二維流形分析[2]。機器人與人體動作的交互過程可以表征為一個高維向量，收集大量人體動作完成機器人的人機動作交互，將人機交互界面場景數(shù)據(jù)庫中的交互動作數(shù)據(jù)進行三維特征掃描，掃描包括激光掃描、紅外掃描和CT掃描等方法[3]，得到機器人人機界面交互的動作掃描的像素組成為：

1.2 視覺像素信息稀疏散點重構(gòu)

對采樣的視覺像素信息進行稀疏散點重構(gòu)，為進行人機界面的三維可視化設(shè)計提供數(shù)據(jù)基礎(chǔ)，對機器人人機交互界面的視覺像素信息稀疏散點重構(gòu)需要遵循以下原則：

（1） 可描述性。對不同的人機交互動作，應(yīng)該提取具有明顯區(qū)別的特征參數(shù)，即特征參數(shù)具有較強的敏感性，能夠高效地對技術(shù)姿態(tài)進行描述。

（2） 可靠性。不同的動作識別系統(tǒng)做同一個技術(shù)動作時一定會存在差異，但這種差異不應(yīng)該對特征參數(shù)造成影響，即同種類型的技術(shù)姿態(tài)的特征參數(shù)會比較相似，這就要求所提取的特征參數(shù)對位置和對象不敏感。

（3） 數(shù)量少。一個動作識別特征值越多，系統(tǒng)的計算復(fù)雜程度就越大，因此要盡可能控制特征值的數(shù)量[5]。在像素點中，通過仿射變換，得到對應(yīng)的不變矩坐標(biāo)為，在不同朝向和不同尺度間進行機器人人機界面網(wǎng)格區(qū)域匹配，得到人機界面三維輪廓函數(shù)為：

3 實驗測試分析

對機器人的人機界面三維可視化實驗建立在本主機配置為PentiumD CPU 2.80 GHz，2.79 GHz，2.00 GB內(nèi)存的計算機硬件平臺上。在機器人人機動作特征識別中，人體動作特征單元和模塊子單元表示為Cell （col，row）。其中col表示行，row為列，人機交互中人體動作圖像采集來自于分辨率為640×480，幀率為25 f/s的AVI視頻，參數(shù)設(shè)定為=0.5，=2，=2，得到機器人人機界面的三維可視化重構(gòu)結(jié)果如圖1所示。對圖1給出的機器人人機界面三維重構(gòu)結(jié)果進行降噪和修正處理，得到三維可視化優(yōu)化結(jié)果如圖2所示。

對比圖2和圖1結(jié)果得知，采用本文方法進行機器人人機界面的三維可視化設(shè)計，輸出圖形的視覺效果較好，人機交互能力較強，性能優(yōu)越。

4 結(jié) 語

為了提高機器人人機界面的三維可視化操作性能，本文提出一種基于GPU實時圖形跟蹤渲染的機器人人機界面的三維可視化重構(gòu)設(shè)計方法。采用計算機視覺方法進行機器人的人機界面視覺特征采樣，在重構(gòu)的三維空間中通過圖像處理方法實現(xiàn)圖形降噪和邊緣修正處理，實現(xiàn)三維可視化設(shè)計。研究得知，采用該方法進行機器人人機界面的三維可視化設(shè)計，輸出圖形的視覺效果較好，人機交互能力較強，具有較高的應(yīng)用價值。

參考文獻

[1] 董哲康，段書凱，胡小方.非線性憶阻器的串并聯(lián)研究及在圖像處理中的應(yīng)用[J].西南大學(xué)學(xué)報（自然科學(xué)版），2015，37（2）：153?161.

[2] 袁健，高勃.基于OpenCL的三維可視化加速模型[J].小型微型計算機系統(tǒng)，2015，36（2）：327?331.

[3] 朱路，劉江鋒，劉媛媛，等.基于稀疏采樣與級聯(lián)字典的微波輻射圖像重構(gòu)方法[J].微波學(xué)報，2014，30（6）：41?45.

[4] HUANG Y， PAISLEY J， LIN Q， et al. Bayesian nonparametric dictionary learning for compressed sensing MRI [J]. IEEE transactions on image processing， 2014， 23（12）： 5007?5019.

[5] SHEN L， SUN G， HUANG Q， et al. Multi?level discriminative dictionary learning with application to large scale image classification [J]. IEEE transactions on image processing， 2015， 24（10）： 3109?3123.

[6] 竇慧晶，王千龍，張雪.基于小波閾值去噪和共軛模糊函數(shù)的時頻差聯(lián)合估計算法[J].電子與信息學(xué)報，2016，38（5）：1123?1128.