自主移动机器人立体视觉导航特征提取方法研究(机器人导航_图像分

摘要 自主移动机器人视觉导航的主要功能是对各种道路场景进行感知和理解，从而确定可行驶道路区及其周围环境。为了实现图像的道路理解，图像分割是必经的一个步骤。目前有很多图像分割算法，但多数容易产生过分割，需要后期进行区域合并。 图像分割有多种方法，本文选取了水平集、遗传算法、区域生长等方法进行分割。水平集和遗传算法都针对灰度图进行计算，都没有利用颜色信息。相同的灰度值有可能对应不同的颜色和纹理。在后期合并中，本文采用了基于颜色和纹理特征的区域合并算法，取得了良好的效果，比单纯利用颜色或纹理进行分割具有更好的准确性和鲁棒性。 最后，本文在MATLAB平台中实现了道路图像分割系统，使自主移动机器人能有效识别道路。试验表明，系统可以有效地对道路图像进行分割。 关键词：图像分割，颜色，纹理，区域融合 v:* {behavior:url(#default#VML);} o:* {behavior:url(#default#VML);} w:* {behavior:url(#default#VML);} .shape {behavior:url(#default#VML);} 引言 机器人以其具有灵活性、提高生产率、改进产品质量、改善劳动条件等优点而得到广泛应用。但是,目前绝大多数机器人的灵活性,只是就其能够"反复编程"而言,工作环境相对来说是固定的,所以一般人们称之为操作手(Manipulator)。正如人类活动范围和探索的空间是人类进步的标志一样,机器人的智能同样体现在运动空间的大小上。[1]为了获得更大的独立性,人们也对机器人的灵活性及智能提出更高的要求,要求机器人能够在一定范围内安全运动,完成特定的任务,增强机器人对环境的适应能力。因此,近年来,移动机器人特别是自主式移动机器人成为机器人研究领域的中心之一。 自主移动机器人的工作环境一般为户外，甚至海洋和天空。在其中的各项技术中，机器人导航系统是其在户外环境下正常作业的关键。室外环境一般比较开阔，受光照、天气、时间等的影响，环境劲舞的变化非常大，即包括简单的结构化环境，也包括复杂的非结构化环境。据统计，人类接受的信息70%以上来自视觉，对于机器人来说，利用摄像机获取环境信息有着多方面的优势。自主移动机器人可以利用视觉传感器获得外界信息，加以处理，从而得到关于外界环境的信息。下一步，机器人对得到的外界环境信息进行识别，从而实现自主移动，并完成特定功能。[2] 图像中包含了丰富的外界信息，目前有大量的研究人员从事关于图像的研究。目前已经可以实现道路图像的实时监测和障碍物的识别。自主移动机器人可以在很多人类不适宜的条件、或需要大量重复的条件下代替人类完成工作。由于机器人的维护费用比较低，自主移动机器人的应用将会越来越广泛。 1.2 ?国内外研究现状 自主移动机器人的研究、开发和应用在国外进行比较早，美国和日本在这一领域较为领先。对于室内移动机器人，日本和美国处于遥遥领先地位。室内移动机器人的应用空间一般限制在室内，环境具有相对结构化的特点。从功能上室内机器人可以分为核工业机器人、可移动工业装配机器人、服务机器人等。服务机器人可以说是应用最为广泛的一类移动机器人，其主要的应用范围包括室内传送、导盲、导游、导购、室内外清洗和保安巡逻等各个方面。目前在日本、欧美等西方发达国家，移动式服务机器人已广泛应用于五大领域：医疗福利服务、商场超市服务、餐厅旅馆服务、维修清服务和家庭服务。美国Probotics 公司 1999 年生产的Cye 小型家用移动式服务机器人，它可牵引一辆小型拖车在室内运送饮料、信件等生活用品，或牵引吸尘器进行室内清扫工作，该机器人采用双轮差动驱动方式，环境信息的获取采用地图输入方式，可跟踪声音信号，任务完成后能自动返回总站待命[1]。 国内目前也已开始了有关的室内移动机器人的研究开发工作，在移动机器人的运动规划与控制方面也取得了一定的成就，中国科技大学、上海交通大学、哈尔滨工业大学、中科院自动化研究所等一批大学和科研院所也先后研制成功了各种家用机器人、娱乐机器人、导游机器人、清洁机器人等。 室外移动机器人的应用领域主要是军事和农业，为民用运输部门或公路安全部门提供服务。它的主要功能是在室外环境下实现车辆的无人驾驶，并根据需要完成一定的任务。根据室外智能机器人应用领域和道路环境的不同，目前室外移动机器人研究的侧重点可分为两方面：一是结构化道路（高速公路，高等级公路）上的车辆自主驾驶或辅助驾驶；二是移动机器人在非结构化道路（一般道路、农田小路、乡间土路）上的机动性、灵活性与自然环境下的越野性，这其中，因为在士兵生命有危险的前线、污染的环境以及长时间单调的侦察、监视中，军用机器人有着人类所无可比拟的优势，因此发展尤为迅速，并收到了很好的实效。 我国在这方面的研究成果主要有清华大学开发的THMR-Ⅲ和THMR-V 型自主车[3]，主要研究直线跟踪算法、白线跟踪算法、连续障碍物跟踪算法、漫游避障算法、路标识别、视觉神经网络道路识别、道路模糊识别等多种导航算法。THMR-V 型能够实现结构化环境下的车道线自动跟踪，准结构化环境下的道路跟踪，复杂环境下的道路避障、道路停障以及视觉临场感遥控驾驶等功能。[3] 本文利用图像分割实现道路的检测与识别。图像分割目前采用的算法多种多样。基于区域生长的图像分割算法需要一个或多个“种子”点，算法从种子点开始向周围扩散，对每一个遇到的点，用一定规则决定是否将其归入同一类。区域生长的图像分割分为灰度的区域生成和基于彩色图像颜色空间的区域生长。基于遗传算法的图像分割需要定义一个目标函数，如取一定的阈值或其他参数值作为自变量，用某一特征衡量分割的效果，这样，图像分割的过程就转化为求目标函数极值的问题。 水平集是一种非常有效的图像分割算法，水平集(level set)的基本思想是将界面看成高一维空间中某一函数 （称为水平集函数）的零水平集，同时界面的演化也扩充到高一维的空间中。我们将水平集函数按照它所满足的发展方程进行演化或迭代，由于水平集函数不断进行演化，所以对应的零水平集也在不断变化，当水平集演化趋于平稳时，演化停止，得到界面形状。 对于道路图像理解来说，图像分割的结果过于粗糙，常常造成过分割，影响最后的效果。因此往往采用一定方法进行区域合并。颜色是图像的一个有力的描述子，上述分割算法大多针对灰度图像，没有利用图像的颜色信息。在区域合并阶段，采用颜色特征进行合并，可以获得良好的效果。颜色和纹理特征的提取方法有灰度共生矩阵、小波变换、马尔科夫场等。 1.3? 本文主要研究内容 本文先简要介绍了自主移动机器人的研究背景和应用价值，并概述了国内外在这一领域的研究成果。阐述了图像分割对于道路理解的重要性，并介绍了区域生长、水平集、遗传算法等图像分割算法，随后介绍了区域合并的特征提取方法，中间分析了本文采用的小波纹理提取方法。最后在MATLAB中实现了道路图像的分割，并给出实验结果。本文的结构安排如下： 第一章? 绪论。介绍了自主移动机器人的研究概况和意义，并说明了本文的主要研究内容和结构安排。 第二章? 图像分割方法。介绍了基于区域生长的图像分割算法、基于水平集的图像分割算法、基于遗传算法的图像分割算法和基于颜色聚类的分割算法。 第三章? 基于颜色和纹理的区域合并。介绍了纹理特征提取的主要方法，详细介绍了小波的纹理提取方法。 第四章? 图像分割的实现和实验结果。在MATLAB平台中实现了基于图像分割和的道路识别系统，采用基于颜色聚类的图像分割，并使用颜色和纹理特征做区域融合。 第五章? 总结与展望。对本文的工作进行了总结并提出了未来工作研究的方向。