户外环境下基于混合视觉系统的移动机器人可通行区域识别研究.docx

户外环境下基于混合视觉系统的移动机器人可通行区域识别研究.docx

《户外环境下基于混合视觉系统的移动机器人可通行区域识别研究.docx》由会员分享，可在线阅读，更多相关《户外环境下基于混合视觉系统的移动机器人可通行区域识别研究.docx（69页珍藏版）》请在冰豆网上搜索。

工学硕士学位论文

户外环境下基于混合视觉系统的移动机器人可通行区域识别研究

学科专业 控制科学与工程

研究方向 机器人技术

二〇一五年十一月

目 录

摘要 i

ABSTRACT ii

第一章绪论 1

1.1课题研究背景及意义 1

1.2课题研究现状和发展趋势 3

1.2.1混合视觉系统 3

1.2.2图像分类相关技术 4

1.3课题研究主要内容 5

1.3.1主要内容和创新点 5

1.3.2论文的组织结构 6

第二章 混合视觉系统的构建 8

2.1混合视觉系统硬件平台构建 8

2.1.1机器人平台选择 8

2.1.2传感器选择 9

2.1.3视觉系统的安装固定 12

2.2摄像机的标定 13

2.2.1双目视觉系统左摄像机的标定 13

2.2.2全向视觉系统的标定 17

2.3本章小结 21

第三章前方可通行区域的识别及在全景图像中的映射 22

3.1基于双目视觉系统的可通行区域识别 22

3.2全向-双目混合视觉系统的共同视场确定 24

3.2.1左图像坐标系到世界坐标系的映射 24

3.2.2世界坐标系到全景图像坐标系的映射 29

3.3前方可通行区域识别结果及在全景图像中的映射 31

3.3.1前方可通行区域识别结果 31

3.3.2在全景图像中的映射结果 34

3.4本章小结 35

第四章基于全向视觉系统的周围环境可通行区域识别 36

4.1超像素处理 36

第I页

4.1.1超像素分割算法选择 36

4.1.2PreemptiveSLIC 38

4.2特征提取 40

4.2.1特征选择 40

4.2.2LBP特征 41

4.2.3WLD算子 43

4.3机器学习算法 45

4.3.1机器学习算法选择 45

4.3.2SVM算法 46

4.4多方向可通行区域识别结果与误差分析 47

4.5本章小结 50

第五章总结与展望 52

5.1课题工作总结 52

5.2下一步工作 53

致谢 54

参考文献 55

作者在校期间获得的学术成果及奖励情况 59

表 目 录

表2.1Bumblebee2摄像机参数 10

表2.2Prosilica摄像机参数 11

表2.3左摄像机内部参数 15

表2.4左摄像机外部参数 17

表2.5全向视觉系统初次标定参数 19

表2.6迭代计算后得到的全向视觉系统参数 20

表2.7全向视觉系统最终标定参数 20

表4.1WLD比较窗口 43

图 目 录

图1.1几种典型机器人 1

图1.2两类典型危险 2

图1.3基于混合视觉系统的可通行区域识别方法框图 6

图2.1全向移动机器人 9

图2.2Bumblebee双目视觉系统 9

图2.3全向视觉系统原理图 10

图2.4镜面相机组合示意图 11

图2.5全向视觉系统 12

图2.6传感器的安装位置 13

图2.7左摄像机采集的棋盘格图像 14

图2.8左图像角点提取 14

图2.9左图像角点重投影误差图 15

图2.10在标定板上建立X-Y-Z坐标系 16

图2.11单有效视点结构光线图 17

图2.12全向视觉系统采集的棋盘格图像 18

图2.13全景图像角点提取 19

图2.14全景图像角点重投影误差图 20

图2.15摄像机外部参数测量位置 21

图3.1U-V视差检测原理图 23

图3.2左图像到全景图像的映射关系 24

图3.3左图像坐标系与世界坐标系关系图 25

图3.4左图像坐标系到世界坐标系的映射关系 25

图3.5摄像机针孔透视成像模型 26

图3.6三角测量原理图 27

图3.7世界坐标系到全景图像坐标系的映射关系 29

图3.8全向视觉系统成像模型 30

图3.9全景图像畸变 31

图3.10双目视觉左图像 32

图3.11双目视觉视差图 33

图3.12前方可通行区域识别结果 33

图3.13可通行区域在全景图像上的映射结果 34

图4.1SLIC与PreemptiveSLIC分割效果比较 38

图4.2种子点个数对分割效果的影响 39

图4.3权值对分割效果的影响 40

图4.4基本LBP纹理图 41

图4.5几种圆域LBP特征提取示意图 42

图4.6WLD纹理图 44

图4.7360°方向可通行区域识别结果 49

第VI页

摘要

识别周围环境的可通行性是移动机器人路径规划的关键问题，不仅需要识别前方的可通行区域，也要对其它方向的可通行区域做出判别。

本文结合双目视觉系统的视差信息和全向视觉系统的全景图像信息，提出了基于混合视觉系统的

360°环境可通行区域识别方法，为实现机器人在复杂户外环境下的自主运行奠定了基础。

首先，根据自主识别前方可通行区域的需求，选择了Bumblebee双目视觉系统。

针对全向视觉系统的参数标定问题，选择了双曲线型反射镜面与Prosilica摄像机组成全向视觉系统。

为了使混合视觉系统得到较大的共同视场，将双目视觉系统置于全向视觉系统前方，一并搭载于全向移动机器人平台上。

其次，通过ELAS匹配算法得出双目视觉的视差信息，基于U-V视差算法实现机器人前方可通行区域的识别。

为了将识别结果映射到全景图像中，本文提出了基于坐标转换的图像映射方法，引入世界坐标系为媒介，建立左图像坐标系到全景图像坐标系的映射模型。

并通过相应的MATLAB标定工具箱计算出模型参数。

再次，本文选择了SVM算法在全景图像中以前方可通行区域和不可通行区域的特征和标签为样本进行机器学习。

为了提高算法效率，本文先通过Preemptive

SLIC算法对图像进行超像素分割，进而分别基于LBP和WLD两种局部纹理特征进行训练分类，识别周围360°环境的可通行区域。

最后，在户外校园环境中开展了一系列的实验，结果表明，本文提出的方法有效扩大了机器人对可通行区域的识别范围，为机器人的路径规划能力提供了更丰富的环境感知信息。

主题词：

全向移动机器人；双目—全向混合视觉系统；可通行区域识别；图像映射；机器学习

第i页

ABSTRACT

Formobilerobotsincomplexoutdoorenvironments,recognizingthetraversableregionisthekeyproblemofrouteplanning.Itneedstorecognizethetraversableregionnotonlyinfrontoftherobot,butalsoineverydirectionaroundit.Combiningtheparallaxinformationofbinocularvisionsystemandthepanoramicimageinformationofomnidirectionalvisionsystem,thispaperproposesbinocular-omnidirectionalhybridvisionsystemtorecognizetraversableregionin360°environmentsaroundtherobot,whichlayafoundationforrobots’autonomousnavigationinoutdoorenvironments.

Firstly,inordertorecognizethetraversableregioninfrontoftherobotautonomously,wechoosetheBumblebeebinocularsensor.Forcalibratingtheparametersofomnidirectionalvisionsystemeasily,wechoosehyperbolicmirrorandfixitwithaProsilicaindustrialcameratobeaomnidirectionalvisionsystem.Aimingtogetalargeenoughcommonfieldofview,wefixthebinocularvisionsysteminfrontoftheomnidirectionalvisionsysteminanomnidirectionalmobilerobot.

Then,withtheElasmatchingalgorithm,theparallaxofthebinocularvisionsystemcanbecomputed,andthetraversableregioninfrontoftherobotcanberecognizedbyU-Vparallaxalgorithm.Formappingtheresulttopanoramicimage,thispaperproposestheimagemappingmethodbasedoncoordinatesystemconversion.Byaworldcoordinatesystem,themappingrelationshipbetweentheleftimagecoordinatesystemandthepanoramicimagecoordinatesystemscanbecomputed.TheparametersofthecoordinateconversioncanbecomputedbyMATLABcalibrationtoolbox.

Andthen,SVMalgorithmischosenformachinelearningwiththesampleoffeatureandlabeloftraversableregionandintraverbleregioniffrontoftherobot.Inordertoimprovetheefficiencyofthealgorithm,thepanoramicimageissegmentedbyPreemptiveSLICalgorithm.ThenLBPfeatureandWLDfeaturearechosenforclassification,sothatthe