基于改進MDGHM-SURF算法的混聯(lián)式輸送機構(gòu)末端位姿檢測?

高國琴 劉夢茹

（江蘇大學(xué)電氣信息工程學(xué)院 鎮(zhèn)江 212013）

1 引言

針對現(xiàn)有汽車電泳涂裝輸送機，如RoDip輸送機和多功能穿梭機等結(jié)構(gòu)復(fù)雜、制造安裝工藝要求高、懸臂梁結(jié)構(gòu)不適合于大重型汽車車身涂裝輸送等問題，本課題組研制了一種新型混聯(lián)式汽車電泳涂裝輸送機構(gòu)［1］。準(zhǔn)確、快速地獲取機構(gòu)末端位姿參數(shù)，可有效避免通過運動學(xué)模型解算位姿所帶來的誤差［2～5］，并可進一步實現(xiàn)該輸送機構(gòu)基于末端位姿的高性能全閉環(huán)運動控制。

圖像特征的提取和匹配是末端位姿檢測的重要組成部分，其準(zhǔn)確性與速度直接決定了末端位姿檢測的準(zhǔn)確性與速度。快速魯棒性制度不變特征提取（Speeded Up Robust Features，SURF）算法［6］由Bay等提出，相較于Lowe提出的SIFT算法在運算速度及綜合性能上更優(yōu)越［7］，被廣泛應(yīng)用于圖像局部特征提取和匹配，以解決圖像發(fā)生平移、旋轉(zhuǎn)和局部尺度縮時的匹配問題。但當(dāng)圖像局部目標(biāo)特征不明顯且不易檢測時，算法提取的目標(biāo)特征點不準(zhǔn)確且不穩(wěn)定。文獻［8～9］提出的MDGHM-SURF算法采用Gaussian-Hermit矩定義描述符，提高了匹配算法的穩(wěn)定性，但目標(biāo)特征提取的準(zhǔn)確性低。

本課題組所研制的新型混聯(lián)式汽車電泳涂裝輸送機構(gòu)，其末端連接桿以及與其相連接的機構(gòu)構(gòu)件具有明顯的直線邊緣特征，但機構(gòu)整體呈灰黑色，構(gòu)件間無明顯顏色區(qū)別，同時受光線及機構(gòu)運行時其他構(gòu)件的遮擋問題影響，機構(gòu)末端連接桿的角點特征少且不易被檢測。針對以上問題，本文在雙目視覺檢測條件下，提出一種新的復(fù)雜機構(gòu)末端連接桿位姿檢測方法，即基于Hough-K均值改進MDGHM-SURF算法的混聯(lián)式輸送機構(gòu)末端位姿檢測方法，以在兼顧快速性和穩(wěn)定性的同時，提高機構(gòu)末端特征點獲取的準(zhǔn)確性，進而提高該輸送機構(gòu)末端位姿檢測的準(zhǔn)確度。該方法在特征提取部分，對由于光線干擾、機構(gòu)構(gòu)件間邊界模糊及遮擋引起的區(qū)域邊界間斷情況，提出Hough-K均值算法獲取特征點，即以Hough變換檢測直線算法獲取圖像邊緣直線，同時在參數(shù)空間中，以K-均值算法分類提取機構(gòu)末端邊緣直線及落在特征直線上的特征點。在特征點匹配部分，對于SURF描述符描述的特征點主方向準(zhǔn)確度低的問題，采用MDGHM-SURF算法［3］描述特征點，并匹配左右兩幅圖像中特征點的特征向量，獲取特征點對。最后將其帶入該機構(gòu)視覺模型，經(jīng)過坐標(biāo)轉(zhuǎn)換后獲取機構(gòu)末端三維位姿參數(shù)。

2 新型汽車電泳涂裝輸送機構(gòu)

本文所研究的新型汽車電泳涂裝輸送機構(gòu)如圖1所示，該機構(gòu)由行走機構(gòu)和升降翻轉(zhuǎn)機構(gòu)兩部分組成，行走機構(gòu)主要包括導(dǎo)軌、底座、行走輪等構(gòu)件，升降翻轉(zhuǎn)機構(gòu)主要包括絲杠、滑塊、連桿、連接桿、主動輪、從動輪、傳動帶、車體固定架等構(gòu)件。新型汽車電泳涂裝輸送機構(gòu)的運動過程為：行走機構(gòu)移動至電泳槽口，保持勻速運動，同時升降翻轉(zhuǎn)機構(gòu)開始翻轉(zhuǎn)180°，車頂向下后翻轉(zhuǎn)停止；然后，升降翻轉(zhuǎn)機構(gòu)驅(qū)動車體在電泳槽液中作上下小幅運動，與行走機構(gòu)勻速直線移動復(fù)合，使車體以正弦軌跡在電泳槽液中運動；涂裝完成后，升降翻轉(zhuǎn)機構(gòu)停止上下運動，并開始逆時針翻轉(zhuǎn)180°離開電泳槽液，車頂向上后翻轉(zhuǎn)停止，行走機構(gòu)移動離開電泳槽槽口。

圖1 新型汽車電泳涂裝機構(gòu)原型

3 圖像采集與特征提取

3.1 圖像采集

本文以維視雙目立體視覺系統(tǒng)作為研發(fā)平臺，采用兩個被安裝在三腳架上的MV-1300FM工業(yè)CCD相機，采集固定在該輸送機構(gòu)車體固定架上的待涂裝汽車白車身圖像。由于待處理的汽車車身型號和大小各異，不利于直接定位其三維位姿信息，而連接桿和車體固定架的形狀尺寸固定，故本文將研究獲取連接桿中點的三維位姿。

3.2 特征提取

由于本課題所研制的新型混聯(lián)式汽車電泳涂裝輸送機構(gòu)整體呈灰黑色，機構(gòu)部件間無明顯顏色區(qū)別。同時，受光線及機構(gòu)運行時其他構(gòu)件的遮擋問題影響，機構(gòu)末端連接桿的角點特征少且不易被檢測，但其具有明顯的直線邊緣特征，故本文提出一種新的機構(gòu)末端特征點檢測算法，即Hough-k均值算法。首先采用雙向濾波改進的Canny算子對原始圖像提取邊緣點并利用其非最大值抑制和滯后閾值化來抑制錯誤邊緣的出現(xiàn)；然后，運用改進的Hough變換獲取機構(gòu)連桿、連接桿及車體固定架邊緣直線，并獲取邊緣直線上的邊緣點。最后在參數(shù)空間中，采用K-均值算法對獲取的機構(gòu)邊緣直線的參數(shù)點分類，提取機構(gòu)特征邊緣直線及落在特征直線上的特征點。

1）雙邊濾波去噪。相比于高斯濾波，雙向濾波的權(quán)重不僅考慮了像素點間空間幾何距離而且考慮了像素點的相似度，因此可以更好地保持原始圖像的邊緣信息。其離散化公式表達如下：

式中：I(x)表示原始圖像灰度函數(shù)；h(x)表示濾波函數(shù)；f(x)表示濾波后灰度函數(shù)；k(x)=∑Ω

c(ξ)s(I(ξ)，I(x))表示對濾波結(jié)果的單位化；表示基于像素點間空間幾何距離的權(quán)重，其中||ξ-x||表示兩像素點的歐氏距離；表示基于像素點灰度值相似度的權(quán)重，其中 ||Ι(ξ)- Ι(x)||表示兩像素點灰度值之差。

2）Hough-K均值提取特征點。對邊緣點，采用結(jié)合該輸送機構(gòu)結(jié)構(gòu)特性改進的Hough直線檢測算法進一步提取機構(gòu)直線邊緣點。Hough變換［10］就是將圖像空間中直線檢測問題轉(zhuǎn)化為參數(shù)空間中點檢測問題，將邊緣點從直角坐標(biāo)(x，y)表示轉(zhuǎn)換為參數(shù)坐標(biāo)(ρ，θ)表示。根據(jù)坐標(biāo)轉(zhuǎn)換關(guān)系，如式（3），圖像直角坐標(biāo)系中直線上每個點對應(yīng)于參數(shù)坐標(biāo)系中一條曲線，且圖像空間中同一條直線的所有點對應(yīng)于參數(shù)空間中相交于同一點(ρ，θ)的曲線簇。

參數(shù)空間中曲線相交點累加峰值處的特定參數(shù)(ρ，θ)表示為圖像空間中候選直線。通過對累加峰值篩選閾值H的設(shè)定，調(diào)整候選直線數(shù)量，本文實驗設(shè)定H=50。

n個邊緣點(Xn，Yn)，其中n=1…n，任意兩個點可構(gòu)成直線，求該直線極坐標(biāo)表示的r、θ值，并構(gòu)成矩陣Qnn，其中Qij是由rij、θij兩個值構(gòu)成的矩陣，表示點(xi，yi) 和 (xj，yj)所構(gòu)成直線的極坐標(biāo)值r、θ。

同一條直線上的任意點求取的r、θ值相同，故用累加數(shù)組A(r，θ，i)對矩陣Qnn中相同的元素進行累加，對于同一r、θ值，其i加1。由于采集的圖像中機構(gòu)邊緣直線線段明顯且長度大于干擾線段，故采集到的在同一條直線上的邊緣點數(shù)量越多，該條直線為機構(gòu)邊緣直線的可能性越大。對每個r、θ值的i數(shù)值大于等于n 2，則保留并根據(jù)r、θ值畫出該直線線段。

該輸送機構(gòu)末端為固定在車體固定架上的汽車白車身，由該輸送機構(gòu)的運動過程可知，第二階段電泳槽液淹沒汽車車身及大部分車體固定架，無法直接從圖像中獲取該機構(gòu)末端，故將末端視為與車體固定架焊接的連接桿。根據(jù)機構(gòu)的結(jié)構(gòu)特性和運動特性［1］，機構(gòu)第一支鏈的連桿邊緣直線、第四支鏈的連桿邊緣直線及連接桿邊緣直線的參數(shù)坐標(biāo) (ρ，θ)分布規(guī)律，故在參數(shù)空間 (ρ，θ)中采用K-均值算法對所有直線的參數(shù)點(ρ，θ)進行分類，提取機構(gòu)特征直線邊緣點為特征點，即為第一支鏈連桿邊緣點、第四支鏈的連桿邊緣點及連接桿邊緣點。

4 匹配與坐標(biāo)求解

4.1 特征點匹配

本文采用朱奇光等提出的基于改進離散Gaussian-Hermit矩的SURF圖像匹配算法［9］。相較于常規(guī)SURF算法［6］，Gaussian-Hermit矩定義的描述符具有較強的邊緣特征描述能力，且其改進的離散Gaussian-Hermit矩可以高效地表示圖像中任意局部特征點，適用于匹配本文通過處理后獲取的特征點［11］。

4.2 坐標(biāo)求解

新型汽車電泳涂裝輸送機構(gòu)坐標(biāo)系如圖2所示，建立定坐標(biāo)系{W}={OW-XWYWZW} 和{C}={OC-XCYCZC}以及動坐標(biāo)系{P}={OP-XPYPZP}，其中：定坐標(biāo)系{W }即世界坐標(biāo)系，坐標(biāo)系原點OW位于左行走機構(gòu)導(dǎo)軌的起始點，XW軸沿導(dǎo)軌方向，ZW軸平行于連接桿；定坐標(biāo)系{C }即相機坐標(biāo)系，坐標(biāo)系原點OC為相機平面中心點，XC軸和YC軸平行于相機平面；動坐標(biāo)系{P} 即目標(biāo)坐標(biāo)系，坐標(biāo)系原點OP位于P1和P2點中點。

圖2 新型汽車電泳涂裝輸送機構(gòu)坐標(biāo)系

雙目相機標(biāo)定通過標(biāo)定兩相機內(nèi)外參數(shù)，即左右相機相對位置以及各自的幾何參數(shù)、光學(xué)參數(shù)和畸變參數(shù)，來確定三維坐標(biāo)中空間物點與圖像平面上像素投影點之間的對應(yīng)關(guān)系［12］。

1）單目標(biāo)定。設(shè)空間物點 P(XW，YW)，其像素投影點 p(u，v)，轉(zhuǎn)換關(guān)系如下式：

其中：s為任意數(shù)，A為內(nèi)參數(shù)矩陣，R為旋轉(zhuǎn)矩陣，T為平移矩陣。

根據(jù)本文采用的相機參數(shù)可知，像素在軸上的物理尺寸dX=5.2um、dY=5.2um，O在圖像平面uOv 中的坐標(biāo) (u0，v0)=(640，512)。

根據(jù)Zhang標(biāo)定［12］可知，通過棋盤格局模板獲取4個參考點的3幅標(biāo)定圖像，將每幅圖像下參考點的世界坐標(biāo)與像素坐標(biāo)代入方程，求解得相機內(nèi)參數(shù)。本文實驗中，左右相機內(nèi)參數(shù)矩陣分別為

2）雙目標(biāo)定。由于兩相機水平方向平行（即將右圖投影到左圖）對于雙目視覺成像模型來說，通過相機標(biāo)定分別獲得左右相機的內(nèi)參數(shù)和右相機相對左相機的的三維旋轉(zhuǎn)R和平移T參數(shù)，假設(shè)Rl、Tl和Rr、Tr分別表示左右相機相對于世界坐標(biāo)系的旋轉(zhuǎn)矩陣和平移矩陣，則兩相機的相對位置可表示為下式：

本文實驗中，平移向量和旋轉(zhuǎn)矩陣分別為

通過標(biāo)定匹配過程，可得到輸送機構(gòu)末端同一標(biāo)志點在左右攝像機中的成像坐標(biāo)。假設(shè)標(biāo)志點PW其左右相機的像素投影點分別為 pl和 pr，則根據(jù)投影定理有

式中：Ml=Al[RlTl]和Mr=Ar[RrTr]分別為左右投影矩陣；sl，sr表示比例因子，將上式展開來

則有：

式中(ul，vl，1) ，(ur，vr，1)分別表示像素投影點 pl和 pr的齊次坐標(biāo)；(X ，Y，Z，1) 為標(biāo)志點在世界坐標(biāo)系下的齊次坐標(biāo)；（ k=1，2;i=1，2，3;j=1，2，3，4）表示左右投影矩陣的第 i行，第 j列。

聯(lián)立式（11）和式（12），可得：

其中：

從而：

將特征點的左右像素坐標(biāo)代入式（14），求得特征點的三維坐標(biāo)。

5 新型汽車電泳涂裝輸送機構(gòu)末端位姿參數(shù)求解

新型汽車電泳涂裝輸送機構(gòu)末端位姿的變化可表示為中心點OP點的位姿變化，該輸送機構(gòu)的位姿信息包括末端連接桿中心點的空間位置OP（圖2中OP點在世界坐標(biāo)系下坐標(biāo)）和輸送機構(gòu)的三個姿態(tài)角（翻滾角 β 、俯仰角 α 和航向角 γ）［13］。

5.1 位置參數(shù)

將圖2中的P1和P2設(shè)為標(biāo)志點，已知標(biāo)志點的世界坐標(biāo)P1(xW1，yW1，zW1) 、P2(xW2，yW2，zW2)，輸送機構(gòu)末端連接桿的中心點OP是P1和P2連線的中點，則其位置坐標(biāo)OP(xW0，yW0，zW0)可表示如下：

根據(jù)該機構(gòu)運動特點，其運動過程中中心點OP沿Y軸方向位移不變，故 yW0為定值。

5.2 姿態(tài)參數(shù)求解

一般機構(gòu)的姿態(tài)角 β、α、γ的意義為機構(gòu)動坐標(biāo)系{P}即目標(biāo)坐標(biāo)系，通過坐標(biāo)系旋轉(zhuǎn)與世界坐標(biāo)系{W}={OW-XWYWZW}重合的角度，具體表示為：繞X軸旋轉(zhuǎn)的俯仰角α，繞Y軸旋轉(zhuǎn)的翻滾角β，繞Z軸旋轉(zhuǎn)的航向角γ。旋轉(zhuǎn)矩陣表示為

則翻滾角β、俯仰角α和航向角γ分別表示為

根據(jù)新型汽車電泳涂裝輸送機構(gòu)運動特點，其運動過程中俯仰角α和航向角γ，及中心點OP沿Y軸方向位移相較于世界坐標(biāo)系不變，只有翻滾角β在變化，故該機構(gòu)末端位姿參數(shù)即為( )x，z，β 。

6 實驗與結(jié)果分析

試驗的運行環(huán)境如下，硬件環(huán)境：操作系統(tǒng)Windows7，處理器 Intel（R）Core（TM）2 Duo，主頻2.66GHz，內(nèi)存2GB，高速數(shù)字圖像采集卡型號為MV-1394A、MV1394B，相機型號為 MV-1300FM，鏡頭型號為AFT-0814MP，標(biāo)定板型號為AFT-CT430。軟件環(huán)境：CCAS雙目視覺運動測量算法研究開發(fā)平臺，軟件開發(fā)平臺采用Visual C++6.0可視化集成開發(fā)工具編制人機交互界面，各模塊API函數(shù)接口通過C++編程語言結(jié)合第三方開發(fā)軟件Matlab編程實現(xiàn)。

同一時刻采集左右兩個相機分別拍攝的新型汽車電泳涂裝輸送機構(gòu)圖像，對兩幅圖像分別采用SURF特征點檢測算法和本文提出的Hough-K均值算法檢測特征點。然后，依據(jù)每組圖像檢測到的特征點數(shù)目及檢測時間，對兩種方法進行比較分析，以驗證對于該機構(gòu)末端本文提出的Hough-K均值算法相對于常規(guī)SURF特征點檢測算法提取的機構(gòu)特征點具有更好的準(zhǔn)確性。接著，分別采用SURF描述符和Gaussian-Hermit矩定義的描述符描述Hough-K均值算法所提取的機構(gòu)特征點，并根據(jù)左右圖像特征點的特征向量相似程度匹配左右圖像的特征點。最后，求解所獲取的特征點的三維坐標(biāo)，經(jīng)過坐標(biāo)轉(zhuǎn)換后獲取機構(gòu)末端三維位姿參數(shù)與實際位姿參數(shù)對比，以驗證整個機構(gòu)末端位姿檢測方法的有效性。

圖3～圖6為分別采用兩種特征點檢測算法獲取的機構(gòu)特征點檢測結(jié)果。圖3為采用SURF算法提取的圖像特征點效果，圖4表示用Hough-K均值算法提取的機構(gòu)特征點結(jié)果。圖5表示采用SURF算法提取匹配機構(gòu)特征點效果圖，圖6表示采用基于Hough-K均值的MDGHM-SURF算法提取匹配機構(gòu)末端連接桿特征點效果圖。表1為SURF算法與基于Hough-K均值的MDGHM-SURF算法提取機構(gòu)點數(shù)的準(zhǔn)確率對比。圖7表示與實際位姿相比，采用基于Hough-K均值的MDGHM-SURF算法檢測機構(gòu)末端位姿參數(shù)的跟蹤誤差。

圖3 SURF特征點檢測算子提取的特征

圖4 改進的Hough算子提取的特征

圖5 SURF算法匹配結(jié)果

圖6 基于Hough-k均值的MDGHM-SURF算法匹配結(jié)果

表1 匹配結(jié)果統(tǒng)計

采集一個運動周期內(nèi)9個時刻的機構(gòu)運動圖片，檢測提取特征點，經(jīng)過坐標(biāo)轉(zhuǎn)換后獲取機構(gòu)末端三維位姿參數(shù)與實際位姿參數(shù)對比，獲得基于Hough-k均值的MDGHM-SURF算法位姿檢測參數(shù)的誤差值，如圖7。

圖7 位姿分量跟蹤誤差

由實驗結(jié)果可見，在保證算法的實時性前提下，本文提出的基于Hough-k均值的MDGHM-SURF算法較常規(guī)SURF算法提高了機構(gòu)末端連接桿特征點提取的準(zhǔn)確度提高了6%，進而有效提高了位姿檢測的準(zhǔn)確度。

7 結(jié)語

針對基于雙目視覺的新型汽車電泳涂裝輸送機構(gòu)末端位姿檢測連接桿特征點且易被遮擋問題，為提高位姿檢測系統(tǒng)的準(zhǔn)確性，本文在特征提取階段提出了一種Hough-K均值算法分類篩選機構(gòu)直線邊緣點以提高檢測結(jié)果的精確性。該方法根據(jù)被檢測對象自身的特點，首先采用雙向濾波改進的Canny算子對原始圖像提取邊緣信息并利用其非最大值抑制和滯后閾值化來抑制錯誤邊緣的出現(xiàn)。然后，采用Hough變換檢測直線算法獲取圖像邊緣直線，同時在參數(shù)空間中，以K-均值算法分類提取機構(gòu)末端邊緣直線及落在特征直線上的特征點。接著，采用MDGHM-SURF算法［3］描述特征點，并匹配左右兩幅圖像中特征點的特征向量，獲取特征點對。最后將其帶入該機構(gòu)視覺模型，經(jīng)過坐標(biāo)轉(zhuǎn)換后獲取機構(gòu)末端三維位姿參數(shù)。實驗結(jié)果表明對于該輸送機構(gòu)，基于雙目視覺，采用結(jié)合Hough-K均值的MDGHM-SURF匹配算法較常規(guī)SURF匹配算法，有效提高了機構(gòu)末端連接桿特征點提取的正確率，進而使位姿檢測的準(zhǔn)確度得以提高。