基于圖像識別的移動機器人自動完成充電

王建元，郭威，劉洋，李菁華

（東北電力大學 電氣工程學院，吉林 吉林132012）

0 引 言

目前機器人正在慢慢融入到我們的現實生活之中，其中目標識別技術又是機器人學最為基本的問題之一，從大量圖像之中提取有效信息，讓機器人在工作環境之中完成目標識別，需要利用一種快速有效的目標識別算法，這種算法要考慮到機器人在實際中靈活多變性。人類可以在極短時間內對圖像的特征進行識別，但是對于機器人而言視覺目標識別這是一件很困難的事情［1］。

視覺傳感器體積小，質量輕，價格便宜，采樣時間段，磁場影響范圍小，所以移動機器人可以通過視覺傳感器獲取大量的圖像信息，從這些圖像信息之中對圖像特征提取和匹配是我們研究的基礎和前提。移動機器人的目標識別主要根據機器人在先前獲得的圖像信息作為標準，與當前獲取的圖像目標進行比較和分析，若兩者目標圖像達到一致或者相似，則機器人認為已完成目標識別［2］。我們可以通過圖像的紋理、顏色、形狀、興趣點作為特征檢索，由于機器人得到圖像會受到環境的影響，所以我們要采取適當的算法進行圖像比較。本文通過移動機器人獲得的圖像進行紋理分析與SIFT尋找興趣點完成對圖像的分析研究。機器人移動過程需要耗電，那么需要對移動機器人充電，通過識別電源插座，當移動機器人電量降低到一定數值時，移動機器人通過識別電源插座，當所采集到的電源插座圖像與記憶中的圖像相匹配，移動機器人認為是插座，然后進行充電［3］。

紋理是描述圖像最為基本的概念，具有某種局部的性質，是圖像空間排列規則的反復出現的局部特征，通常認為圖像的頻譜中的高能窄脈沖和紋理關系密切，光滑的圖像一般不認為是紋理圖像［4］。紋理是圖像中不可缺少的視覺特性，紋理描繪了局部區域之中像素之間的關系，也描述了圖像的空間分布特征，可以通過粗糙度、方向性、對比度、和規則等方面進行描述。用形似性作為度量準則，是通過計算機找到與用戶想得到的最為相似的圖像，并不要求最精確的匹配，可以通過得到的相似度的大小進行排序［5］。

SIFT算法是一種尺度不變特征的變換算法，當圖像經過仿射變換，圖像之中的特征點不會發生變化，仿射變化包括圖像的旋轉、有遮擋物體、平移等。移動機器人獲得的圖像受到光線的影響，傳感器角度的影響，所以SIFT算法在移動機器人圖像識別中有很好的應用前景。

1 基于紋理特征的圖像識別

灰度共生矩陣是一種行之有效的分析紋理特征的經典方法，該方法研究的灰度級別的空間依賴關系是從數學的角度來研究的，灰度共生矩陣通過灰度值不同的像素分布反應分布特性，反應像素之間的位置關系和分布特征。它的基本過程是首先利用像素對之間的方向和距離數據構造出共生矩陣，然后從共生矩陣之中提取出能量、對比度、熵等對分析紋理特征有意義的統計量，提高檢索速度與效率［6］。

灰度共生矩陣利用圖像距離d＝（d x，d y）的兩個灰度像素同是出現的概率Pij定義的，i是一個像素的灰度值，j是另一個像素的灰度值，L是的灰度級別，共生矩陣階數為L×L，Pij定義為：

式中S表像素對的集合；＃S集合S的元素個數；x，y…N－1代表第一個像素的坐標形式；i，j＝0，1…L－1代表了像素的灰度級別；P（i，j）代表像素出現的概率聯合密度。在上式中，d x，d y∈（－N＋1，－N－1），共有（2N－1）×（2N－1）。

式（1）的計算量與工作量都很大，計算共生矩陣較為麻煩。但是Pij是一個對稱矩陣，所以我們采用四個方向為：（0°，45°，90°，135°）。

其中 d＝（0，d），（d，d），（－d，d）進而簡化了式（1）的計算公式，表示如下［7-8］：

式（5）的計算結果得到的共生矩陣只包含了一半的空間信息，但是Pij是一個對稱矩陣，因此將上式計算結果得到的共生矩陣進行翻轉之后和原來得到的共生矩陣進行疊加，再次得到的灰度分布信息是整個空間的域。因此得到式（6）。

將提取出來的圖像特征表示成為特征向量的形式，通過一定的相似距離的計算準則算出向量之間的距離，用向量之間的距離表示相似度的大小，距離越小表示相似性越大。相似性度量是將不同的特征分量之間的距離的疊加表示特征向量之間的距離。本文以歐氏距離作為測量特征向量之間的距離方法，其公式表達式如式（7）。

式中x，y代表兩幅圖對應的特征向量；xi和yi代表特征分量；D（x，y）表示圖像之間的距離。歐式公式比較準確的反映出人類視覺感知的相似性準則，歐式公式認為特征向量的分量之間的關系是同等重要的，是平等的。

機器人移動過程需要耗電，那么需要對移動機器人充電，通過識別電源插座，當移動機器人電量降低到一定數值時，移動機器人通過識別插座，當所采集的圖像與移動機器人自身記憶中的電源插座相匹配時，如果匹配得到的相似度較高，移動機器人認為是插座，然后進行充電，如圖1所示。

圖1 紋理分析比較圖像Fig.1 Compare images by texture analysis

通過紋理分析編程計算得出兩個圖像的相似距離為0.008 0，相似度為84%；兩者相似度較高，認為是同一張圖像，那么移動機器人可以在此處自主充電如表1所示。

表1 圖像灰度共生矩陣的紋理參數Tab.1 Texture parameters of image gray co-occurrencematrix

2 基于SIFT算法的圖像識別

由于移動機器人攝像頭獲取的圖像會受到角度與光線的影響，紋理分析的方法就有一定的局限性了，而SIFT算法具有尺度不變特征，能夠很好解決環境對圖像的影響。

SIFT主要包括4個步驟［9-10］：

（1）尺度空間極值檢測

對于二維圖像I（x，y），在不同尺度下的尺度空間下表示 L（x，y，δ）可由圖像 I（x，y）與高斯核 G（x，y，δ）的卷積得到。建立圖像的DOG金字塔，在DOG尺度空間中的26個領域中檢測極值，D（x，y，δ）是兩個相鄰尺度圖像之差，即：

一個點如果與周圍八個點以及上下層的十八個領域點共26個領域中是最大值與最小值，就確定該點是圖像在該尺度下的一個特征點；

（2）利用關鍵點領域像素的梯度分布特征為每個關鍵點指定方向參數，使得算子具有旋轉不變性質。

式中為（x，y）處梯度的模值和方向公式；式中L所用的尺度為每個關鍵點各自所在尺度；

（3）生成SIFT特征向量，把坐標軸旋轉到特征點方向，保證旋轉不變性，對每個關鍵點使用4×4共種子點來描述，這樣對于一個關鍵點可以產生個數據，形成維的SIFT特征向量，即特征描述符；

（4）特征點匹配是指在找出圖像的特征點后，尋找圖像間特征點的對應關系，通常采用最近領方法，查找每一個特征點在另一相圖的最近領，理想狀態下兩幅相圖之間相同部分的特征點應該具有相同的特征描述向量，所以它們之間的距離應該最近，如圖2所示。

圖2 機器人記憶中的圖像與有旋轉角度圖像Fig.2 Robotmemory of the image and the rotation angle of the image

對SIFT算法進行編程，得到圖3與圖4。

圖3 輸入圖片得到關鍵點Fig.3 Key points obtained by entering the picture

圖4 機器人記憶中的圖像與180度旋轉角圖像匹配Fig.4 Matching of 180 degree rotation angleof the image and the imagememory of the robot

將圖3數據做成表2。

表2 圖像提取的特征點比較Tab.2 Comparing of the extracted feature point of image

從中我們可以計算出兩張圖像的相似度為72%，移動機器人認為此相似度較高，可以在此處進行充電。

對電源插座進行180度旋轉在進行識別，通過對SIFT算法進行編程，得到圖5與圖6。

圖5 輸入圖片得到關鍵點Fig.5 Key points obtained by entering the picture

圖6 機器人記憶中的圖像與有遮擋物體圖像匹配Fig.6 Matching of robotmemory of the image and the object image with cover

圖5整理出的數據如表3所示。

表3 圖像提取的特征點比較Tab.3 Comparing of the extracted feature point of image

從中我們可以計算出兩張圖像的相似度為68%，移動機器人認為此相似度較高，可以在此處進行充電。

實際中，當電源附近有遮擋物體時，也會對圖像造成影響。SIFT算法對于解決有遮擋物體時也有很好的辨識度。通過SIFT算法進行編程，得到圖6與圖7。

圖7 輸入圖片得到關鍵點Fig.7 Key points obtained by entering the picture

圖7整理出的數據如表4所示。

表4 圖像提取的特征點比較Tab.4 Comparing of the extracted feature point of image

當有遮擋物體時，用SIFT算法我們可以計算出兩張圖像的相似度為80%，移動機器人認為此相似度較高，可以在此處進行充電。

3 結束語

本文針對移動機器人識別電源插座完成自主充電進行了編程研究，編程結果有很好的普適性，為移動機器人后續環節提供了很好的鋪墊，基于圖像紋理與圖像興趣點的目標識別有很好的實用性。圖像的紋理是描述圖像最為基本的概念，具有某種局部的性質。圖像的興趣點是圖像的局部點特征，能夠降低圖像處理的計算量，局部特征獨特性好，計算率較高，有很好的辨識性。對于圖像的紋理特征與SIFT算法還有更好的改進算法需要不斷地研究與實踐。