張 生，李龍澍

(安徽大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，安徽 合肥 230601)

0 引言

NAO是一款高性能雙足機(jī)器人，2007年被Robo－Cup的組委會(huì)選定為標(biāo)準(zhǔn)平臺(tái)。在標(biāo)準(zhǔn)平臺(tái)組比賽中，NAO機(jī)器人感知外界最主要的方式是對(duì)圖像的處理，機(jī)器人的白色外殼和攝像頭各個(gè)方向的旋轉(zhuǎn)以及身體的晃動(dòng)，都增加了圖像識(shí)別的難度，需要確定拍攝圖像時(shí)機(jī)器人的位姿［1］。在比賽中，NAO要識(shí)別的目標(biāo)有:球、球門、綠色地毯、機(jī)器人的腰帶、場(chǎng)地白線、點(diǎn)球的位置和機(jī)器人，其中前4個(gè)目標(biāo)都是有特定顏色的，識(shí)別相對(duì)簡(jiǎn)單，而場(chǎng)地線和移動(dòng)的機(jī)器人都是白色的，使場(chǎng)地線的識(shí)別復(fù)雜很多。

根據(jù)球場(chǎng)上的實(shí)際情況，按球場(chǎng)目標(biāo)的特定顏色，將球場(chǎng)圖像按顏色分割［2］，然后沿白色邊緣遍歷并將邊緣分割再分類，分割點(diǎn)是那些不可導(dǎo)點(diǎn)或?qū)?shù)為零的點(diǎn)，再分析每個(gè)類是直線還是球場(chǎng)中間的圓弧，最后對(duì)得到的分類結(jié)果進(jìn)行綜合分析。此方法沿著白色邊緣遍歷，避免了圖像掃描時(shí)的盲目性，加快了直線識(shí)別算法的速度。該識(shí)別方法的流程如圖1所示，主要是中間的3步，本文將依次進(jìn)行分析。

圖1 直線識(shí)別流程圖

1 圖像預(yù)處理

通過(guò)圖像的顏色分割，球場(chǎng)外的點(diǎn)一般會(huì)成為未知點(diǎn)，這樣能很容易找到球場(chǎng)邊界［3］。NAO機(jī)器人提供的原始圖像格式是YUV422，但是一般都直接使用原始圖像來(lái)避免格式轉(zhuǎn)換［4］的開銷。

顏色表是一個(gè)三維的數(shù)組，每維分別代表Y、U和V，數(shù)組值存放顏色種類，如用0代表未知顏色，1代表紅色等，將維數(shù)［3］分別設(shè)置為64、64和64已經(jīng)足夠滿足要求。顏色表需要手動(dòng)采集像素來(lái)建立，這是在機(jī)器人比賽開始前的調(diào)試時(shí)離線建立的，比賽中用到的是建立好的顏色表。

按顏色表分割得到的圖像一般會(huì)有一些和實(shí)際不一樣的顏色點(diǎn)出現(xiàn)，例如機(jī)器人身上有綠色點(diǎn)，有時(shí)本應(yīng)為綠色地面可能出現(xiàn)白色或未知顏色等，這種現(xiàn)象很難去除，但可以使用一些去噪方法［5］過(guò)濾掉一些椒鹽噪點(diǎn)。

2 白色邊緣識(shí)別

白色點(diǎn)的遍歷是一種邊緣生長(zhǎng)過(guò)程［6］，其識(shí)別過(guò)程如下:

(1)按順序掃描圖像，找到第一個(gè)白色邊緣點(diǎn)，記錄該點(diǎn)的所有相鄰點(diǎn)，若圖像掃描完畢，轉(zhuǎn)入(5);

(2)取其中一個(gè)相鄰點(diǎn)作為起點(diǎn)，由該點(diǎn)出發(fā)，沿邊緣遍歷，并記錄這些邊緣點(diǎn)，轉(zhuǎn)入(3)去遍歷，若相鄰點(diǎn)遍歷完，返回(1)進(jìn)行下次掃描;

(3)每隔幾個(gè)點(diǎn)計(jì)算當(dāng)前點(diǎn)與前一個(gè)記錄的點(diǎn)相關(guān)斜率信息，判斷是否為分割點(diǎn)，若不是分割點(diǎn)，繼續(xù)遍歷，否則轉(zhuǎn)入(4);

(4)出現(xiàn)分割點(diǎn)，計(jì)算(2)中所記錄點(diǎn)的斜率信息，判斷是長(zhǎng)直線、短直線還是圓弧，并記下結(jié)果，返回(2);

(5)綜合分析(4)中記錄的結(jié)果信息，輸出結(jié)果。

2.1 掃描和遍歷邊緣點(diǎn)

先掃描圖像，尋找白色邊緣點(diǎn)，在這里按網(wǎng)格掃描［7］。從而保證掃描的有效性，同時(shí)加快算法的速度。在一列中從上到下掃描圖像，掃描時(shí)若4個(gè)點(diǎn)中同行或同列出現(xiàn)白色點(diǎn)和非白色點(diǎn)交替，那么出現(xiàn)了邊緣點(diǎn)，再逐行或逐列掃描定位到邊緣點(diǎn)。

這里存在遍歷時(shí)路徑是否唯一的問(wèn)題，除了外層掃描第一次可能出現(xiàn)多種路徑外，還有2種情況也會(huì)有多種路徑選擇，如圖5和圖6所示，其他點(diǎn)正常情況下只有一種遍歷方式。

圖2 凸型邊緣

圖3 寬度為2的邊緣

圖2中數(shù)字1到8均為白色邊緣，遍歷到4的時(shí)候出現(xiàn)了5和6兩種不同方向的路徑，這種凸型情況有2種方法解決:(1)用棧這種數(shù)據(jù)結(jié)構(gòu)保存這樣的不同路徑，然后用深度優(yōu)先遍歷［8］的方式去遍歷;(2)在圖像預(yù)處理時(shí)考慮這種情況，將引起這種凸型的邊緣的點(diǎn)4和5直接過(guò)濾掉。另外一種出現(xiàn)不同路徑的情況如圖3所示，經(jīng)研究發(fā)現(xiàn)當(dāng)遍歷的優(yōu)先級(jí)一樣時(shí)，遍歷的路徑不會(huì)在邊緣間穿插。這樣就解決了沿白色邊緣遍歷時(shí)出現(xiàn)的歧義路徑問(wèn)題。

2.2 計(jì)算分割點(diǎn)

如圖4所示，平面上有若干條直線和曲線，那么結(jié)合NAO球場(chǎng)的情況如何將這些線分類呢?本文采取的是用分割點(diǎn)將它們分段，直觀上看，直線的交點(diǎn)應(yīng)為分割點(diǎn)，基于這種思想，本文分割點(diǎn)是不可導(dǎo)點(diǎn)和導(dǎo)數(shù)為0的點(diǎn)。

圖4 線的分類

圖4中有折線ABC，其函數(shù)為f(x)，當(dāng)由A點(diǎn)沿折線ABC向C點(diǎn)訪問(wèn)時(shí)，計(jì)算路徑上每一點(diǎn)P的左右極限，若P的左右極限存在且相等，即式(1)成立，那么繼續(xù)訪問(wèn)下個(gè)點(diǎn)。當(dāng)訪問(wèn)點(diǎn)B時(shí)，發(fā)現(xiàn)B點(diǎn)的左極限等于直線AB的斜率，而其右極限等于直線BC的斜率，即式(1)不成立，那么ABC肯定不在一條直線上，點(diǎn)B就是分割點(diǎn)，將A到B的路徑記錄下來(lái)，再由B點(diǎn)出發(fā)用同樣的方法繼續(xù)向C點(diǎn)訪問(wèn)，這樣把折線ABC分成了AB和BC兩段。直線和橫坐標(biāo)垂直時(shí)，直線上的點(diǎn)可導(dǎo)但斜率不存在，夾角為90度，值得一提的是為了降低邊緣不平滑［9］帶來(lái)的臨近邊緣點(diǎn)斜率變化大的影響，可以沿邊緣每隔N點(diǎn)計(jì)算一次向量的夾角，這可能會(huì)帶來(lái)遍歷寬度小的邊緣的“回頭”現(xiàn)象，這樣用夾角代替斜率時(shí)要注意遍歷點(diǎn)的方向變化。

曲線EOF正是ABC的變形，這些都可以做同樣的處理。圖4中的曲線GH是一段曲率很大的圓弧，在遍歷GH時(shí)，其上雖然存在導(dǎo)數(shù)為零的點(diǎn)，但是在計(jì)算斜率時(shí)發(fā)現(xiàn)斜率變化很小，肯定在閾值范圍內(nèi)，那么此時(shí)就沒(méi)有分割點(diǎn)出現(xiàn)。

2.3 結(jié)果歸類

遍歷時(shí)當(dāng)出現(xiàn)分割點(diǎn)或到達(dá)圖像邊界時(shí)，需要將剛遍歷的一系列點(diǎn)歸類，這些點(diǎn)可歸類為長(zhǎng)直線、短直線和圓弧。首先，可以用點(diǎn)的個(gè)數(shù)來(lái)判斷當(dāng)前這些點(diǎn)是否為短直線，其它的就是長(zhǎng)直線或圓弧，可用一些簡(jiǎn)單的計(jì)算就能判別是長(zhǎng)直線還是圓弧。很明顯，長(zhǎng)直線的始點(diǎn)斜率和終點(diǎn)斜率變化應(yīng)該不大，而圓弧則應(yīng)變化較大。本實(shí)驗(yàn)用的方法是把要?dú)w類的一系列點(diǎn)的前面N點(diǎn)的斜率和后面N點(diǎn)的斜率進(jìn)行比較來(lái)判斷，即用式(2)的slope1和式(3)slope2的差值來(lái)衡量，再判斷式(4)是否成立，這種方法計(jì)算簡(jiǎn)單又不失有效性。

歸類后可得到輸入圖像(如圖5所示)的白色邊界點(diǎn)分類結(jié)果。如圖6所示，黑色粗線表示長(zhǎng)直線，帶端點(diǎn)的細(xì)黑線表示圓弧，不帶端點(diǎn)的細(xì)直線表示短直線，這樣分類就結(jié)束了。

圖5 輸入圖像

圖6 分類結(jié)果

由分類結(jié)果可以看出，原本是球場(chǎng)上圓弧被分類成直線，需要結(jié)合球場(chǎng)的實(shí)際情況，將圓弧和直線綜合考慮。其實(shí)很多識(shí)別算法直接將圓弧化成短直線，綜合考慮后再接上［10］。這可以用霍夫線變換原理來(lái)實(shí)現(xiàn)，只是霍夫線變換［11］考慮的元素是點(diǎn)，而這里考慮的是直線，還要注意線的平行特征，將短直線、長(zhǎng)直線、圓弧拼接起來(lái)。

3 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)使用的是3.3版本的NAO機(jī)器人，主要硬件參數(shù):CPU:AMD GEODE x86 500MHz;同步動(dòng)態(tài)隨機(jī)存儲(chǔ)器(SDRAM):256MB，閃存:2G;攝像頭:2只COMS攝像頭，最高提供30幀/s、分辨率為640×480的圖像;操作系統(tǒng)中自帶 OpenCV函數(shù)庫(kù)［12］。實(shí)驗(yàn)判斷的標(biāo)準(zhǔn)是將其中的主要直線和圓弧識(shí)別出來(lái)，結(jié)果如表1所示。

表1 實(shí)驗(yàn)數(shù)據(jù)

表1中實(shí)驗(yàn)的顏色表是在光線1下配置的，距離太遠(yuǎn)的白線基本不能識(shí)別(距離很遠(yuǎn)時(shí)可以用識(shí)別到的球場(chǎng)邊界來(lái)給出估計(jì)值)，當(dāng)距離逐漸變小時(shí)才能識(shí)別出邊界，在2m左右有很好的識(shí)別率。當(dāng)距離太近時(shí)，圖像雖然很清晰但機(jī)器人的視野很小，沒(méi)有干擾時(shí)能很好識(shí)別，當(dāng)拿NAO去干擾時(shí)，機(jī)器人基本上擋住了白線，所以給出形式上的識(shí)別率50%。用在光線1下配置的顏色表去對(duì)光線2下的球場(chǎng)做顏色分割后的實(shí)驗(yàn)結(jié)果比光線1下差很多，不過(guò)近距離基本不受影響。其實(shí)，識(shí)別的結(jié)果大部分被上層用在機(jī)器人定位算法中，大多數(shù)使用的定位方法是蒙特卡羅濾波［13］或者廣義的卡爾曼濾波［14］，這樣程序只需識(shí)別出圖像中的主要直線和圓弧。這個(gè)方法用于顏色分割后三維圖像同價(jià)的二維數(shù)組運(yùn)算，還采用網(wǎng)格掃描，主要是識(shí)別方法計(jì)算簡(jiǎn)單，使得白線識(shí)別程序運(yùn)行一般在9ms至12ms，很好地滿足了機(jī)器人比賽對(duì)直線識(shí)別的要求。較之于單純的直線識(shí)別，本文的方法更注重機(jī)器人圖像處理的整體效率，其中的圖像預(yù)處理使得后續(xù)的識(shí)別算法事半功倍。

4 結(jié)束語(yǔ)

本文提出一種基于顏色分割和邊緣分類的邊緣識(shí)別方法，與霍夫線變換這種傳統(tǒng)理論不同的是將邊緣線分段來(lái)處理，標(biāo)準(zhǔn)平臺(tái)組的NAO機(jī)器人球隊(duì)BHuman是將白色區(qū)域歸類［3］，再分析識(shí)別。本文將這種歸類思想用在邊緣線上，實(shí)驗(yàn)證明這種方法是可行的。雖然圖像的預(yù)處理對(duì)光線有要求，但是在比賽時(shí)光線是基本穩(wěn)定的，而且YUV顏色空間對(duì)光線并不敏感，B－Human用的圖像處理方法就是在這樣的顏色分割基礎(chǔ)上進(jìn)行的，BHuman球隊(duì)的成功證明顏色分割方法的確是有效的。另外，可以在本文方法的識(shí)別結(jié)果上，運(yùn)用一些統(tǒng)計(jì)特征來(lái)識(shí)別出機(jī)器人區(qū)域，從而為上層程序提供更多的信息。實(shí)驗(yàn)表明，本文方法具有較好的實(shí)時(shí)性和可以接受的準(zhǔn)確性，比單純的直線識(shí)別方法有更好的綜合效益，方法是可行的。

［1］李龍澍，王唯翔，王凡.基于三維線性倒立擺的雙足機(jī)器人步態(tài)規(guī)劃［J］.計(jì)算機(jī)技術(shù)與發(fā)展，2011，21(6):66－69.

［2］Alexander Fabisch，Tim Laue，Thomas R?fer.Robot recognition and modeling in the RoboCup standard platform league［C］//Proceedings of the Fifth Workshop on Humanoid Soccer Robots.2010.

［3］Thomas R?fer，Tim Laue，Judith Müller，et al.B－Human Team Report and Code Release 2011［EB/OL］.http://www.b－h(huán)uman.de/downloads/bhuman11_coderelease.pdf，2011－11－03.

［4］黃晶，趙臣，周明明.基于快速彩色空間變換的足球機(jī)器人目標(biāo)搜索［J］.哈爾濱工業(yè)大學(xué)學(xué)報(bào)，2003，35(9):1036－1039.

［5］關(guān)新平，趙立興，唐英干.圖像去噪混合濾波方法［J］.中國(guó)圖象圖形學(xué)報(bào):A 輯，2005，10(3):332－337.

［6］林通，石青云.一種基于邊緣生長(zhǎng)的灰度和彩色圖像分割方法［J］.中國(guó)圖象圖形學(xué)報(bào):A輯，2000，5(11):911－955.

［7］歐宗瑛，袁野，張艷珍.基于顏色信息足球機(jī)器人視覺(jué)跟蹤算法［J］.大連理工大學(xué)學(xué)報(bào)，2000，40(6):729－732.

［8］陳冠楠，楊坤濤，謝志明，等.基于深度優(yōu)先遍歷的圖像邊緣檢測(cè)方法［J］.應(yīng)用光學(xué)，2008，29(1):14－17.

［9］鄒福輝，李忠科.圖像邊緣檢測(cè)算法的對(duì)比分析［J］.計(jì)算機(jī)應(yīng)用，2008，28(B06):215－216，219.

［10］任博，陳小平.一種實(shí)時(shí)魯棒的直線提取技術(shù)［J］.計(jì)算機(jī)仿真，2008，25(4):159－163.

［11］騰今朝，邱杰.利用Hough變換實(shí)現(xiàn)直線的快速精確檢測(cè)［J］.中國(guó)圖象圖形學(xué)報(bào)，2008，13(2):234－237.

［12］陳勝勇，劉盛，等.基于OpenCv的計(jì)算機(jī)視覺(jué)技術(shù)實(shí)現(xiàn)［M］.北京:科學(xué)出版社，2008.

［13］Thomas R?fer，Tim Laue，Dirk Thomas.Particle－filterbased Self－localization usingLandmarks and Directed Lines［C］//RoboCup 2005:Robot Soccer World Cup IX.2005，4020:608－615.

［14］徐海偉，殷波，徐濤.基于模糊自適應(yīng)卡爾曼濾波的移動(dòng)機(jī)器人定位方法［J］.計(jì)算機(jī)應(yīng)用研究，2009，26(8):2974－2976.