一種空間繩系機器人抓捕區(qū)域內(nèi)的障礙物檢測方法
【專利摘要】本發(fā)明公開了一種空間繩系機器人抓捕區(qū)域內(nèi)的障礙物檢測方法，首先在抓捕區(qū)域內(nèi)求取圖像梯度的模值和方向；接著根據(jù)梯度模值偽排序結(jié)果，得到的連通像素區(qū)域作為直線段候選區(qū)域；然后用外接矩形描述候選區(qū)域，滿足判定標(biāo)準(zhǔn)的長軸就是所要求的障礙物的直線段輪廓；最后遍歷輪廓上的點，得出其三維坐標(biāo)和最近的距離。本發(fā)明的直線段檢測部分采用的是基于圖像梯度信息的直線段檢測方法，能夠在多種復(fù)雜場景中快速準(zhǔn)確地檢測出直線段，利用本發(fā)明對抓捕點周圍的障礙物進(jìn)行檢測，然后對檢測到的直線段邊緣上點進(jìn)行三維重建，并計算與抓捕點的三維距離，找出距離最近的點，并得出其三維坐標(biāo)和最近的距離。
【專利說明】-種空間繩系機器人抓捕區(qū)域內(nèi)的障礙物檢測方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像處理與計算機視覺【技術(shù)領(lǐng)域】，具體涉及一種空間繩系機器人抓捕 區(qū)域內(nèi)的障礙物檢測方法。

【背景技術(shù)】
[0002] 空間繩系機器人系統(tǒng)由"空間繩系機器人+空間系繩+空間平臺"組成，具有安全、 靈活、操作距離遠(yuǎn)等特點。近年來，隨著空間技術(shù)的不斷發(fā)展，空間繩系機器人被廣泛地應(yīng) 用于包括在軌維修、在軌加注、輔助變軌、在軌空間站輔助組裝、軌道垃圾清理、目標(biāo)捕獲等 在軌服務(wù)中，已經(jīng)成為空間操控【技術(shù)領(lǐng)域】的研究熱點之一。
[0003] 在空間繩系機器人對目標(biāo)實施抓捕的過程中，要先對抓捕點附近進(jìn)行障礙物檢 測，得出障礙物到抓捕點的最近距離，把該距離信息返回給控制系統(tǒng)，再由控制系統(tǒng)判斷該 抓捕點是否能夠安全實施抓捕，并控制機械爪張開的大小和角度，從而避開障礙物，最終實 現(xiàn)安全可靠的抓捕住目標(biāo)。由于一般抓捕點都選取在衛(wèi)星翻板支架等具有一般特征的結(jié)構(gòu) 上，而附近的可能出現(xiàn)的障礙物一般是衛(wèi)星的外部輪廓、伸出的天線、發(fā)動機等，這些障礙 物一般紋理結(jié)構(gòu)都比較簡單，尺寸比較大，多數(shù)情況下是只有一部分出現(xiàn)在我們需要檢測 的抓捕區(qū)域的范圍之內(nèi)，而且一般都包含豐富的直線段結(jié)構(gòu)?；谶@些特點，本發(fā)明先對障 礙物進(jìn)行直線段檢測，得出障礙物大概的輪廓結(jié)構(gòu)，然后遍歷障礙物輪廓上的點，對其進(jìn)行 三維重建，找出距離抓捕點的三維空間距離最近的障礙物上的點，并得出三維的最近距離 和最近障礙物點的三維空間坐標(biāo)。
[0004] 傳統(tǒng)的用于直線段檢測的方法是，首先用Canny邊緣檢測，接著用Hough變換，提 取那些包含的邊緣點數(shù)超過給定閾值的所有直線，然后再使用長度閾值把這些直線切割為 線段。盡管本發(fā)明具有良好的抗噪性，對于不完整邊緣具有魯棒性，以及對部分遮蓋區(qū)域不 敏感等優(yōu)點，但是其計算量大、存儲量大、多峰值檢測以及斷點檢測效率低等缺陷嚴(yán)重限制 了它的應(yīng)用范圍，而且Hough變換更適合于全局的直線段檢測而不是局部直線段檢測。


【發(fā)明內(nèi)容】

[0005] 本發(fā)明主要針對配備有雙目相機的空間繩系機器人對抓捕點附近進(jìn)行障礙物檢 測的應(yīng)用，提供了一種適用于空間繩系機器人的空間繩系機器人抓捕區(qū)域內(nèi)的障礙物檢測 方法，該方法用于檢測復(fù)雜場景中抓捕點附近障礙物直線段的輪廓，并得到距離抓捕點最 近的障礙物點的三維坐標(biāo)和最近的距離，本發(fā)明具有良好的魯棒性，實時性，計算速度快， 檢測結(jié)果準(zhǔn)確等優(yōu)點。
[0006] 為實現(xiàn)上述目的，本發(fā)明所采用的技術(shù)方案包括以下步驟：
[0007] 1)利用空間繩系機器人上的雙目相機對目標(biāo)進(jìn)行圖像采集；
[0008] 采集到目標(biāo)的左圖像込和右圖像Ικ;
[0009] 2)在左圖像込上，以抓捕點0為中心設(shè)置一個矩形抓捕區(qū)域R，作為處理的感興 趣區(qū)域R;
[0010] 3)在感興趣區(qū)域R內(nèi)計算該圖像的梯度，并計算梯度模值和直線方向角；
[0011] 4)根據(jù)圖像的像素梯度模值的大小，利用偽序法對圖像的像素進(jìn)行排序；
[0012] 5)按照偽序排列結(jié)果，選取種子像素，按照區(qū)域增長方法計算直線段候選區(qū)域 Re ；
[0013] 6)劃分出直線段候選區(qū)域Re后，采用外接矩形法描述和判定直線段候選區(qū)域Re， 并且計算外接矩形的短軸和長軸的方向以及端點坐標(biāo)；
[0014] 7)采用外接矩形長短軸之比與閾值進(jìn)行比較的方法，確定出所要檢測障礙物的直 線段邊緣；
[0015] 8)遍歷障礙物直線段邊緣上的像素點，對其進(jìn)行三維重建，并計算與抓捕點0之 間的三維距離，得出最近的距離和最近的障礙物點的三維坐標(biāo)。
[0016] 所述的步驟3)中，計算梯度模值和直線方向角的具體步驟如下：
[0017] 3-1):對于感興趣區(qū)域R中的像素（X，y)，其X，y方向上的梯度gx(x, y)，gy(x, y) 定義為：

【權(quán)利要求】
1. 一種空間繩系機器人抓捕區(qū)域內(nèi)的障礙物檢測方法，其特征在于，包括以下步驟： 1) 利用空間繩系機器人上的雙目相機對目標(biāo)進(jìn)行圖像采集； 采集到目標(biāo)的左圖像和右圖像Ικ ; 2) 在左圖像k上，以抓捕點0為中心設(shè)置一個矩形抓捕區(qū)域R，作為處理的感興趣區(qū) 域R ; 3) 在感興趣區(qū)域R內(nèi)計算該圖像的梯度，并計算梯度模值和直線方向角； 4) 根據(jù)圖像的像素梯度模值的大小，利用偽序法對圖像的像素進(jìn)行排序； 5) 按照偽序排列結(jié)果，選取種子像素，按照區(qū)域增長方法計算直線段候選區(qū)域Re ; 6) 劃分出直線段候選區(qū)域Re后，采用外接矩形法描述和判定直線段候選區(qū)域Re，并且 計算外接矩形的短軸和長軸的方向以及端點坐標(biāo)； 7) 采用外接矩形長短軸之比與閾值進(jìn)行比較的方法，確定出所要檢測障礙物的直線段 邊緣； 8) 遍歷障礙物直線段邊緣上的像素點，對其進(jìn)行三維重建，并計算與抓捕點0之間的 三維距離，得出最近的距離和最近的障礙物點的三維坐標(biāo)。
2. 根據(jù)權(quán)利要求1所述的空間繩系機器人抓捕區(qū)域內(nèi)的障礙物檢測方法，其特征在 于：所述的步驟3)中，計算梯度模值和直線方向角的具體步驟如下： 3-1):對于感興趣區(qū)域R中的像素（X，y),其X, y方向上的梯度gx(x, y), gy(x, y)定義 為：
(1) 式中，I (x, y)為像素（x, y)的灰度值； 3-2):計算梯度的模值G(x,y),公式如下：
(3) 直線方向角0定義為：
3. 根據(jù)權(quán)利要求1所述的空間繩系機器人抓捕區(qū)域內(nèi)的障礙物檢測方法，其特征在 于：所述的步驟4)中，利用偽序法對像素進(jìn)行排序的具體方法如下： 首先按照梯度模值的最大值和最小值線性生成一個區(qū)間，然后將每一個像素按照梯度 模值大小放入對應(yīng)區(qū)間內(nèi)。
4. 根據(jù)權(quán)利要求3所述的空間繩系機器人抓捕區(qū)域內(nèi)的障礙物檢測方法，其特征在 于：對于同一區(qū)間內(nèi)的像素，認(rèn)為其梯度模值相差很小，以同等的概率選為鄰域增長的種子 點。
5. 根據(jù)權(quán)利要求1所述的空間繩系機器人抓捕區(qū)域內(nèi)的障礙物檢測方法，其特征在 于：所述的步驟5)中，計算直線段候選區(qū)域Re的具體方法如下： 5-1)按照偽序排列結(jié)果，根據(jù)梯度模值從大到小選取區(qū)域增長的種子點，并且要求該 點沒有被訪問過，區(qū)域增長從該種子像素開始； 5-2)定義區(qū)域的角度為：
(5) 其中，表示區(qū)域的角度，θ?表示區(qū)域中第i個像素的直線方向角； 5-3)設(shè)種子點為（x，y)，則開始時區(qū)域角度為種子點的直線方向角，S卩：0Mgim = θ (x，y)，令 Sx = cos ( Θ regim)，Sy = sin ( Θ regi〇n); 5-4)對于每一個區(qū)域中的點P，訪問其鄰域像素聲；首先判斷聲是否被訪問過，如果被 訪問過，則訪問下一個鄰域像素；如果沒有被訪問過，則標(biāo)記聲被訪問過，并且判斷像素點 歹的直線方向角6與區(qū)域方向Θ Mgim之差，如果方向之差不超過閾值2 π /n，那么就認(rèn)為其 方向一致，則把該點P加入到區(qū)域中，并更新區(qū)域方向角度，如下：
(6) 5- 5)重復(fù)步驟5-4)，直到當(dāng)沒有新的像素增加到該區(qū)域中時，該種子像素區(qū)域增長過 程結(jié)束；返回到步驟5-1)，重新從偽排序列中選取下一個種子點，開始下一個區(qū)域的增長， 直到偽排序列中沒有能夠滿足要求的種子點為止，區(qū)域增長算法結(jié)束。
6. 根據(jù)權(quán)利要求5所述的空間繩系機器人抓捕區(qū)域內(nèi)的障礙物檢測方法，其特征在 于：在每一個像素被訪問之前，先判斷其梯度模值大小，如果小于設(shè)定的梯度模值閾值，則 該像素不能夠被訪問；閾值選取的越大，提取到的邊緣越清晰，候選區(qū)域包含的像素個數(shù)越 少；反之，候選區(qū)域包含的像素個數(shù)越多，計算量也越大。
7. 根據(jù)權(quán)利要求1所述的空間繩系機器人抓捕區(qū)域內(nèi)的障礙物檢測方法，其特征在 于：所述的步驟6)中，采用外接矩形法描述和判定候選區(qū)域Re，并且計算外接矩形的短軸 和長軸的方向以及端點坐標(biāo)的具體方法如下： 6- 1)首先計算候選區(qū)域Re的形心（cx, cy)，公式如下：
(7) 式中，（cx，cy)是候選區(qū)域Re的形心坐標(biāo)，G(j)為候選區(qū)域Re中第j個像素的梯度模 值，（X (j)，y (j))是第j個像素的坐標(biāo)； 6-2)計算候選區(qū)域的長軸和短軸方向，是由下面矩陣的特征值和特征向量計算得到：
(8) 矩陣中

設(shè)矩陣Μ的特征值分別為a，b(b>a)，對應(yīng)的特征向量分別為（ai，a2)T和（bpby; 矩陣的特征值反映的是長軸和短軸兩個方向上像素的分布情況，較大的特征值對應(yīng)候 選區(qū)域的長軸，其特征向量方向就是候選區(qū)域的長軸方向；由特征向量能夠計算出候選區(qū) 域的短軸和長軸方向，分別為： = tan ( Θ ) = ag/ap k2 = tan ( θ 2) = t^/t^ (9) 其中分別為候選區(qū)域的短軸和長軸斜率，θπ 02分別為兩個特征值對應(yīng)的特征 向量方向角； 6-3)確定候選區(qū)域的外接矩形：以步驟7-2)計算得到的候選區(qū)域的短軸和長軸方向 作為矩形的兩個垂直邊的方向，矩形的長和寬取為最小的可以覆蓋整個候選區(qū)域的值； 6-4)確定過區(qū)域形心（cx, cy)的長軸直線解析式為： y-cy = k2 (x-cx) (10) 整理為點斜式為： y = k2*x+cy-k2*cx (11) 同理，短軸的解析式為： y = k1*x+cy-k1*cx (12) 6-5)計算長軸的兩個端點Pi和p2，公式如下： Pi = (cx, b2) (13) p2 = (cx, cy)+d2* (b" b2) (14)
同理，計算出短軸的兩個端點； 另外，對于長軸斜率為零的情況，兩個端點的縱坐標(biāo)為\，橫坐標(biāo)為像素橫坐標(biāo)的極大 極小值。
8. 根據(jù)權(quán)利要求1所述的空間繩系機器人抓捕區(qū)域內(nèi)的障礙物檢測方法，其特征在 于：所述的步驟7)中，確定障礙物直線段邊緣的具體方法如下： 采用外接矩形的長軸與短軸長度的比值判定候選區(qū)域是否對應(yīng)直線段結(jié)構(gòu)，長短軸之 比值大于設(shè)定的閾值，則區(qū)域中像素主要分布在長軸方向，認(rèn)為候選區(qū)域?qū)?yīng)直線段模型， 長軸就是所要求的直線段；如果長短軸之比小于設(shè)定的閾值，則認(rèn)為此區(qū)域?qū)?yīng)的不是直 線段。
9. 根據(jù)權(quán)利要求1所述的空間繩系機器人抓捕區(qū)域內(nèi)的障礙物檢測方法，其特征在 于：所述的步驟8)中，得出最近的距離和最近的障礙物點的三維坐標(biāo)的具體方法如下： 8-1)遍歷障礙物直線段邊緣上的像素點，設(shè)(?為其中的一個點，并且％在左相機圖像 中的坐標(biāo)為[uuvJT，在右相機圖像中的坐標(biāo)為[uK，vK] T，那么％映射到世界坐標(biāo)系中的三 維坐標(biāo)IX，Yi，Zj為：
(15) (16)
(17) 其中b代表立體相機的基線，cu, ^和cv, ^是左相機的主點，:f是焦距，d表不視差，d = uL-uK| ; 8-2)設(shè)抓捕點0在三維空間中的坐標(biāo)為[X。，YQ，ZQ]T，則Qi點到0的三維距離為：
(18) 8-3)遍歷障礙物直線段邊緣上的所有像素點，找出最短距離Li()和與之對應(yīng)的障礙物 上的最近點Qi。。
【文檔編號】G06T17/00GK104156946SQ201410342218
【公開日】2014年11月19日 申請日期:2014年7月17日 優(yōu)先權(quán)日:2014年7月17日
【發(fā)明者】黃攀峰, 張彬, 蔡佳, 孟中杰, 劉正雄 申請人:西北工業(yè)大學(xué)