本發(fā)明涉及一種基于全景視覺(jué)成像系統(tǒng)的移動(dòng)機(jī)器人室內(nèi)快速歸航的方法，屬于移動(dòng)機(jī)器人視覺(jué)歸航領(lǐng)域。

背景技術(shù)：

移動(dòng)機(jī)器人的導(dǎo)航問(wèn)題是機(jī)器人研究領(lǐng)域中的一項(xiàng)重要的研究熱點(diǎn)，其中，視覺(jué)歸航(visualhoming)則是控制機(jī)器人到達(dá)預(yù)計(jì)目標(biāo)的一種有效手段。與傳統(tǒng)的機(jī)器人同時(shí)定位與地圖構(gòu)建(slam)不同，視覺(jué)歸航并不需要對(duì)機(jī)器人所在環(huán)境構(gòu)建地圖，而是直接獲得機(jī)器人在當(dāng)前位置處的歸航向量，即可使機(jī)器人到達(dá)預(yù)先設(shè)計(jì)好的位置，從而在保證精度的前提下，大幅度地降低了運(yùn)算成本。

視覺(jué)歸航需要利用全景視覺(jué)成像系統(tǒng)，由于全景視覺(jué)可以獲得360°的全方位視場(chǎng)，因此在采用全景視覺(jué)成像系統(tǒng)獲得全景圖像時(shí)，更多的特征點(diǎn)可以被利用到，再加上視覺(jué)系統(tǒng)本身所具有的價(jià)格低廉，構(gòu)圖直觀等優(yōu)勢(shì)，因此視覺(jué)歸航可以作為機(jī)器人局部導(dǎo)航領(lǐng)域中一個(gè)非常有效而且高效的手段。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是為了提供一種基于全景視覺(jué)成像系統(tǒng)的移動(dòng)機(jī)器人室內(nèi)快速歸航的方法，實(shí)現(xiàn)了在動(dòng)態(tài)室內(nèi)環(huán)境下的機(jī)器人歸航功能。

本發(fā)明的目的是這樣實(shí)現(xiàn)的：步驟一：通過(guò)搭載在移動(dòng)機(jī)器人上的全景視覺(jué)成像系統(tǒng)來(lái)獲得全景圖像，使移動(dòng)機(jī)器人自行檢測(cè)全景圖像中的無(wú)效區(qū)域并去除；

步驟二：對(duì)傳統(tǒng)的sift匹配算法進(jìn)行改進(jìn)，增加sift特征點(diǎn)匹配數(shù)量；

步驟三：根據(jù)改進(jìn)后的sift匹配算法得到匹配對(duì)，依據(jù)每對(duì)匹配對(duì)的相應(yīng)位置與尺度信息，判斷自然路標(biāo)與當(dāng)前位置/目標(biāo)位置的相對(duì)距離，從而對(duì)自然路標(biāo)進(jìn)行分類(lèi)，并獲得歸航向量。

本發(fā)明還包括這樣一些結(jié)構(gòu)特征：

1.步驟一具體為：

(1)將全景視覺(jué)成像系統(tǒng)搭載在移動(dòng)機(jī)器人上，控制移動(dòng)機(jī)器人到達(dá)指定位置，拍攝當(dāng)前位置和目標(biāo)位置的全景圖像；

(2)將兩幅圖像的相同位置的像素值進(jìn)行做差運(yùn)算，當(dāng)機(jī)器人識(shí)別出有較大連通區(qū)域的像素差值為0時(shí)，自行判斷該區(qū)域?yàn)闊o(wú)效區(qū)域；

(3)當(dāng)判斷完成后，分別將目標(biāo)圖像與當(dāng)前圖像的無(wú)效區(qū)域像素全部設(shè)置為255，將無(wú)效區(qū)域置黑。

2.步驟二具體為：

(1)使用去除無(wú)效區(qū)域后所剩余的圓環(huán)型圖像進(jìn)行匹配；

(2)增大sift匹配過(guò)程中的高斯金字塔層數(shù)與組數(shù)，從而增大了關(guān)鍵點(diǎn)檢測(cè)基數(shù)；

(3)在保證匹配精度始終保持較高水平的前提下，降低圖像特征點(diǎn)匹配閾值，實(shí)現(xiàn)sift特征點(diǎn)總數(shù)量的增加。

3.步驟三具體為：

(1)根據(jù)改進(jìn)后的sift匹配算法，將目標(biāo)圖像與當(dāng)前圖像進(jìn)行sift匹配，獲得匹配對(duì)，每個(gè)匹配對(duì)由目標(biāo)圖像與當(dāng)前圖像的sift匹配點(diǎn)構(gòu)成，每個(gè)匹配點(diǎn)均帶有尺度值信息；

(2)對(duì)每個(gè)匹配對(duì)，比較目標(biāo)圖像與當(dāng)前圖像中兩個(gè)sift特征點(diǎn)的尺度值，若目標(biāo)圖像中的sift特征點(diǎn)尺度值較大，則將該點(diǎn)記作收縮特征；反之，若目標(biāo)圖像中的sift特征點(diǎn)尺度值較小，則將該點(diǎn)記作擴(kuò)張?zhí)卣?，將?dāng)前圖像中的特征點(diǎn)被分為了收縮特征與擴(kuò)張?zhí)卣鲀深?lèi)；

(3)利用svm支持向量機(jī)對(duì)當(dāng)前圖像中的兩類(lèi)匹配點(diǎn)進(jìn)行svm大間距二值線性分類(lèi)，將收縮特征與擴(kuò)張?zhí)卣鞣譃閮蓚€(gè)部分，并得到線性決策邊界；

(4)畫(huà)出一條與決策邊界相互垂直的向量，其中向量的方向?yàn)橛蓴U(kuò)張?zhí)卣鞑糠种赶蚴湛s特征部分，該向量即為最終的歸航向量。

與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：本發(fā)明利用改進(jìn)的sift特征點(diǎn)匹配算法，提取機(jī)器人當(dāng)前位置和目標(biāo)位置全景圖像中的匹配點(diǎn)作為自然路標(biāo)，并根據(jù)路標(biāo)在兩幅圖像中的尺度值差異來(lái)判斷路標(biāo)距離當(dāng)前位置與目標(biāo)位置的相對(duì)差異，從而獲得歸航向量。

本發(fā)明涉及的方法解決了移動(dòng)機(jī)器人在室內(nèi)環(huán)境中的快速歸航問(wèn)題，通過(guò)比對(duì)機(jī)器人在當(dāng)前位置與目標(biāo)位置處的兩幅全景圖像，結(jié)合改進(jìn)的sift算法，對(duì)于機(jī)器人局部導(dǎo)航問(wèn)題具有重要的借鑒意義，也可以直接應(yīng)用到諸如工業(yè)機(jī)器人、服務(wù)型機(jī)器人的領(lǐng)域中。

具體是通過(guò)搭載在移動(dòng)機(jī)器人上的全景視覺(jué)成像系統(tǒng)來(lái)獲得全景圖像，根據(jù)全景視覺(jué)成像系統(tǒng)的成像特點(diǎn)，通過(guò)指令使移動(dòng)機(jī)器人自行檢測(cè)全景圖像中的無(wú)效區(qū)域并去除，從而提高了匹配精度；對(duì)傳統(tǒng)的sift匹配算法進(jìn)行改進(jìn)，在保證匹配精度的前提下，增加sift特征點(diǎn)匹配數(shù)量，從而提高精度，更利于獲得歸航向量；根據(jù)每對(duì)sift特征匹配對(duì)的相應(yīng)位置與尺度信息，判斷自然路標(biāo)與當(dāng)前位置/目標(biāo)位置的相對(duì)距離，從而對(duì)自然路標(biāo)進(jìn)行分類(lèi)，并獲得歸航向量。

附圖說(shuō)明

圖1是本發(fā)明中基于sift算法實(shí)現(xiàn)自然路標(biāo)提取與匹配的示例；

圖2是本發(fā)明中改進(jìn)的sift特征提取與匹配的算法流程圖；

圖3是本發(fā)明的系統(tǒng)流程圖。

具體實(shí)施方式

下面結(jié)合附圖與具體實(shí)施方式對(duì)本發(fā)明作進(jìn)一步詳細(xì)描述。

基于全景視覺(jué)成像系統(tǒng)的移動(dòng)機(jī)器人室內(nèi)快速歸航方法，通過(guò)利用改進(jìn)的sift特征檢測(cè)與匹配手段，分別對(duì)當(dāng)前位置與目標(biāo)位置處的全景圖像進(jìn)行sift匹配，從而獲得自然路標(biāo)，并結(jié)合svm手段得到當(dāng)前位置下機(jī)器人的歸航向量。其中：

(1)利用全景成像視覺(jué)傳感器，預(yù)先記錄目標(biāo)位置處的全景圖像。在實(shí)現(xiàn)機(jī)器人歸航的過(guò)程中，通過(guò)不斷比對(duì)機(jī)器人當(dāng)前位置與目標(biāo)位置處的全景圖像，同時(shí)驅(qū)動(dòng)機(jī)器人自行識(shí)別全景圖像中的無(wú)效區(qū)域，獲得高質(zhì)量的自然路標(biāo)，并結(jié)合歸航算法使機(jī)器人得到當(dāng)前位置的歸航向量；

(2)在利用基于改進(jìn)的sift特征檢測(cè)與匹配手段來(lái)獲得自然路標(biāo)后，設(shè)計(jì)的路標(biāo)具有光照、旋轉(zhuǎn)等不變性，并且在保證匹配精度較高的條件下，增加特征點(diǎn)匹配數(shù)量，提高最終所得歸航向量的精度；

(3)根據(jù)sift特征點(diǎn)檢測(cè)過(guò)程中sift特征點(diǎn)的尺度與拍攝位置到該特征點(diǎn)所代表的自然路標(biāo)的直線距離關(guān)系，來(lái)通過(guò)兩幅圖像中sift的尺度差值對(duì)當(dāng)前圖像中的所有sift特征點(diǎn)進(jìn)行分類(lèi)，并利用svm大間距線性分類(lèi)器對(duì)兩類(lèi)sift特征點(diǎn)進(jìn)行線性分類(lèi)，從而直接獲得歸航向量，控制機(jī)器人逐漸向目標(biāo)位置移動(dòng)。

所述獲取全景圖像并自行去除無(wú)效區(qū)域的方法具體為：

(1)將全景視覺(jué)成像系統(tǒng)搭載在移動(dòng)機(jī)器人上，控制移動(dòng)機(jī)器人到達(dá)指定位置，拍攝當(dāng)前位置和目標(biāo)位置的全景圖像；

(2)將兩幅圖像的相同位置的像素值進(jìn)行做差運(yùn)算，當(dāng)機(jī)器人識(shí)別出有較大連通區(qū)域的像素差值為0時(shí)，自行判斷該區(qū)域?yàn)闊o(wú)效區(qū)域(即全景系統(tǒng)遮擋區(qū)域以及墻面、天花板等識(shí)別度極低的區(qū)域)；

(3)當(dāng)區(qū)域判斷完成后，分別將目標(biāo)圖像與當(dāng)前圖像的無(wú)效區(qū)域像素全部設(shè)置為255，即將無(wú)效區(qū)域置黑，從而進(jìn)行進(jìn)一步的sift匹配。

所述改進(jìn)的sift特征匹配算法具體為：

(1)人為設(shè)置圖像檢測(cè)區(qū)域，去除掉原始全景圖像中邊緣區(qū)域以及全景系統(tǒng)遮擋區(qū)域，從而增大了有效匹配區(qū)域占比，提高了自然路標(biāo)的品質(zhì)；

(2)增大sift匹配過(guò)程中的高斯金字塔層數(shù)與組數(shù)，從而增大了關(guān)鍵點(diǎn)檢測(cè)基數(shù)，最終獲得的sift特征點(diǎn)也隨之增多，尺度信息也隨著高斯金字塔的擴(kuò)大而更豐富化，并與此同時(shí)保證了匹配準(zhǔn)確性；

(3)在保證匹配精度始終保持較高水平的前提下，適當(dāng)降低圖像特征點(diǎn)匹配閾值，從而增加sift特征點(diǎn)總數(shù)量。

所述利用特征點(diǎn)尺度信息來(lái)實(shí)現(xiàn)歸航的方法具體為：

(1)將目標(biāo)圖像與當(dāng)前圖像進(jìn)行sift匹配，獲得匹配對(duì)，即每個(gè)匹配對(duì)由目標(biāo)圖像與當(dāng)前圖像的sift匹配點(diǎn)構(gòu)成，每個(gè)匹配點(diǎn)均帶有尺度值信息；

(2)對(duì)每個(gè)匹配對(duì)，比較目標(biāo)圖像與當(dāng)前圖像中兩個(gè)sift特征點(diǎn)的尺度值，若目標(biāo)圖像中的sift特征點(diǎn)尺度值較大，則將該點(diǎn)記作收縮特征；反之，若目標(biāo)圖像中的sift特征點(diǎn)尺度值較小，則將該點(diǎn)記作擴(kuò)張?zhí)卣?。故在?dāng)前圖像中，特征點(diǎn)被分為了收縮特征與擴(kuò)張?zhí)卣鲀深?lèi)。

(3)利用svm支持向量機(jī)對(duì)當(dāng)前圖像中的兩類(lèi)匹配點(diǎn)進(jìn)行svm大間距二值線性分類(lèi)，將收縮特征與擴(kuò)張?zhí)卣鞣譃閮蓚€(gè)部分，并得到線性決策邊界；

(4)畫(huà)出一條與決策邊界相互垂直的向量，其中向量的方向?yàn)橛蓴U(kuò)張?zhí)卣鞑糠种赶蚴湛s特征部分。該向量即為最終的歸航向量。

下面結(jié)合附圖對(duì)本發(fā)明的實(shí)施例進(jìn)行描述：

(1)基于sift算法實(shí)現(xiàn)路標(biāo)提取與匹配

選取室內(nèi)中的某一位置作為目標(biāo)位置，即機(jī)器人通過(guò)自我歸航預(yù)計(jì)到達(dá)的位置，記為s位置(snapshot)，然后將全景視覺(jué)成像系統(tǒng)搭載在移動(dòng)機(jī)器人上，拍攝s位置處的全景目標(biāo)圖像is并保存。

當(dāng)機(jī)器人室內(nèi)某一位置向預(yù)設(shè)的目標(biāo)位置進(jìn)行歸航任務(wù)時(shí)，記當(dāng)前機(jī)器人位置為c位置(current)，并拍攝當(dāng)前位置下的全景圖像ic。獲得兩幅全景圖像后，利用sift算法分別對(duì)兩幅圖像進(jìn)行特征提取，獲得特征點(diǎn)后再對(duì)兩幅圖像進(jìn)行匹配，獲得匹配對(duì)i＝1,2,...,ns，j＝1,2,...,nc，k＝1,2,...,n，其中為目標(biāo)圖像中的某一特征點(diǎn)，總數(shù)為ns；為當(dāng)前圖像中的某一特征點(diǎn)，總數(shù)為nc；k為某一匹配對(duì)；n為匹配對(duì)總個(gè)數(shù)。這些匹配點(diǎn)在世界坐標(biāo)系下即為自然路標(biāo)，具有光照、旋轉(zhuǎn)等不變性。在獲得匹配對(duì)后，分別記錄下這些點(diǎn)在各自圖像中的坐標(biāo)位置以及相應(yīng)的尺度值如圖1所示即為目標(biāo)位置與任意位置下兩幅圖像的sift特征點(diǎn)匹配情況。

(2)改進(jìn)的sift特征點(diǎn)提取與匹配的算法

圖2是本發(fā)明中改進(jìn)的sift特征提取與匹配的算法流程圖。當(dāng)利用搭載在移動(dòng)機(jī)器人上的全景視覺(jué)成像系統(tǒng)獲得目標(biāo)位置與當(dāng)前位置的兩幅全景圖像is、ic后，利用改進(jìn)后的sift特征點(diǎn)提取與匹配算法對(duì)兩幅圖像的穩(wěn)健特征點(diǎn)進(jìn)行匹配。

首先，根據(jù)全景圖像的尺寸與成像特點(diǎn)，自行設(shè)計(jì)檢測(cè)區(qū)域，將圖像中的邊緣區(qū)域以及移動(dòng)機(jī)器人系統(tǒng)的遮擋區(qū)域置黑，設(shè)置移動(dòng)機(jī)器人遮擋區(qū)域半徑為n，邊緣有效區(qū)域外環(huán)半徑為m，則在干擾部分去除后，剩余的有效部分為一個(gè)內(nèi)環(huán)半徑為n，外環(huán)半徑為m的圓環(huán)。

然后，根據(jù)sift特征檢測(cè)與匹配算法的特點(diǎn)，為了獲得關(guān)鍵點(diǎn)，需要對(duì)原始圖像進(jìn)行多次的高斯模糊與降采樣，得到不同尺度的圖像組。即為高斯金字塔，因此本發(fā)明在其基礎(chǔ)上，人為地增大sift匹配過(guò)程中的高斯金字塔的層數(shù)s與組數(shù)o，從而增大了關(guān)鍵點(diǎn)的檢測(cè)數(shù)量，并使得特征點(diǎn)的尺度信息更豐富化。

最后，適當(dāng)降低圖像特征點(diǎn)的peakthreshold匹配閾值，使在保證匹配精度的前提下，適當(dāng)提高特征點(diǎn)總數(shù)量。

(3)利用特征點(diǎn)尺度信息來(lái)實(shí)現(xiàn)移動(dòng)機(jī)器人歸航的方法

圖3為本發(fā)明的系統(tǒng)流程圖。在利用改進(jìn)的sift特征提取與匹配算法后，得到多個(gè)帶有尺度信息的sift匹配對(duì)。根據(jù)高斯模糊的性質(zhì)，當(dāng)拍攝位置與sift特征點(diǎn)所代表的實(shí)際位置的距離越大時(shí)，sift算法需要用更大尺度的高斯模糊對(duì)圖像進(jìn)行處理才能將該sift特征點(diǎn)檢測(cè)出來(lái)，因此將匹配對(duì)中的兩個(gè)匹配點(diǎn)的尺度信息進(jìn)行比較，可以推斷出該匹配點(diǎn)所代表的實(shí)際位置與目標(biāo)位置/當(dāng)前位置的距離關(guān)系。因此對(duì)任意一個(gè)sift匹配對(duì)可通過(guò)如下公式進(jìn)行判斷：

若δσ^k＞0，則說(shuō)明移動(dòng)機(jī)器人當(dāng)前位置c到該匹配對(duì)所代表的自然路標(biāo)位置的距離dc比目標(biāo)位置s到該自然路標(biāo)位置的距離ds小，記目標(biāo)圖像中的此類(lèi)點(diǎn)為擴(kuò)張?zhí)卣鼽c(diǎn)，代表當(dāng)前機(jī)器人需要增大其與此路標(biāo)的距離才能到達(dá)目標(biāo)位置；反之亦然，并記作收縮特征點(diǎn)。因此對(duì)于當(dāng)前圖像，特征點(diǎn)被分為了收縮特征與擴(kuò)張?zhí)卣鲀深?lèi)，總結(jié)如下：

根據(jù)幾何學(xué)的知識(shí)，我們可以輕易地判斷，如果作出c位置與s位置的垂直平分線將當(dāng)前圖像切割成兩部分，理論上靠近c(diǎn)位置一側(cè)的特征點(diǎn)應(yīng)均為擴(kuò)張?zhí)卣鼽c(diǎn)，靠近s位置一側(cè)的特征點(diǎn)應(yīng)均為收縮特征點(diǎn)。因此利用svm支持向量機(jī)，以收縮特征與擴(kuò)張?zhí)卣髯鳛橛?xùn)練樣本，采取大間隔二值線性分類(lèi)手段，將訓(xùn)練樣本進(jìn)行二值分類(lèi)，并獲得線性決策邊界：

ωx+b＝0

最后，畫(huà)出一條與該線性決策邊界向垂直的一條向量其中方向?yàn)橛蓴U(kuò)張?zhí)卣鞑糠种赶蚴湛s特征部分，此向量即為最終的歸航向量。

綜上，本發(fā)明設(shè)計(jì)了一種基于自然路標(biāo)的移動(dòng)機(jī)器人室內(nèi)快速歸航的方法，包括機(jī)器人當(dāng)前位置與目標(biāo)位置的全景圖像獲取與自動(dòng)檢測(cè)優(yōu)化、自然特征匹配手段以及機(jī)器人歸航算法。針對(duì)一般機(jī)器人導(dǎo)航手段運(yùn)算量較大的問(wèn)題，采用機(jī)器人視覺(jué)歸航方法，通過(guò)計(jì)算機(jī)器人目標(biāo)位置到當(dāng)前位置的運(yùn)動(dòng)向量，省略了機(jī)器人建圖、定位等具有較大計(jì)算量的過(guò)程，并通過(guò)自行比對(duì)圖像差異獲得無(wú)效區(qū)域的手段，提出一種獲得高質(zhì)量全景圓環(huán)的方法；針對(duì)復(fù)雜的動(dòng)態(tài)環(huán)境問(wèn)題，采用改進(jìn)的圖像特征提取手段提取自然路標(biāo)，從而在保證匹配精度的同時(shí)，增大匹配點(diǎn)基數(shù)；根據(jù)特征匹配手段中的尺度信息與性質(zhì)，并引入機(jī)器學(xué)習(xí)中的分類(lèi)手段，提出了一種高魯棒性的歸航算法。本發(fā)明實(shí)現(xiàn)了移動(dòng)機(jī)器人室內(nèi)局部歸航，適用于動(dòng)態(tài)環(huán)境下機(jī)器人的導(dǎo)航任務(wù)，并可以廣泛的應(yīng)用于家庭型或工業(yè)型的服務(wù)機(jī)器人局部導(dǎo)航中，較高的精確性與較好的快速性使得移動(dòng)機(jī)器人可以很好地完成歸航任務(wù)。