羅 偉

(武漢學(xué)院，武漢 430079)

0 引言

隨著信息時代的到來和電腦、手機等多媒體終端的普及，多媒體為體育教學(xué)和運動員的訓(xùn)練提供了極大的便利，只有運用先進的技術(shù)手段對教學(xué)進行改革，才能達(dá)到體育教學(xué)的最優(yōu)效果。利用多媒體數(shù)據(jù)庫系統(tǒng)可以為學(xué)生提供更加生動形象的學(xué)習(xí)素材，從而提高學(xué)生的學(xué)習(xí)興趣，采用先進的多媒體系統(tǒng)還可以對多視頻進行實時分析，從而捕捉到優(yōu)秀運動員的一些標(biāo)準(zhǔn)和極限動作，為教學(xué)和運動員的訓(xùn)練提供素材。籃球運動捕捉系統(tǒng)具有較高的圖像特征提取能力，將其使用在采摘機器人的視覺系統(tǒng)的設(shè)計中，可有效提高系統(tǒng)的目標(biāo)識別能力，提高自動化作業(yè)水平。

1 籃球動作捕捉系統(tǒng)及其在采摘機器人動作訓(xùn)練中的應(yīng)用

多媒體數(shù)據(jù)庫系統(tǒng)在運動員訓(xùn)練和教學(xué)時具有很多優(yōu)勢，采用多媒體數(shù)據(jù)庫系統(tǒng)可以對籃球的動作進行實時的捕捉，通過對比賽視頻幀的處理，得到優(yōu)秀運動員在得分時的技巧動作。這種方式讓學(xué)習(xí)不再受地域的限制，可以全方位多層次的展開教學(xué)活動，使教學(xué)變得更加生動形象，使教與學(xué)都能達(dá)到最好的效果。以籃球動作捕捉系統(tǒng)為例，如圖1所示。

圖1 籃球動作捕捉系統(tǒng)Fig.1 The basketball action capturing system

利用該系統(tǒng)可以實時地對比賽視頻幀進行動作捕捉，并從動作特征中統(tǒng)計技術(shù)動作數(shù)據(jù)，從而獲得籃球技術(shù)動作的多媒體數(shù)據(jù)支持。采摘機器人在自主作業(yè)時，其最主要的環(huán)節(jié)是自主定位果實目標(biāo)，這就需要依靠機器人自身強大的視覺系統(tǒng)。根據(jù)籃球動作捕捉系統(tǒng)的原理，采摘機器人的視覺系統(tǒng)也可以采用特征捕捉技術(shù)，對果實目標(biāo)進行定位，從而實現(xiàn)自主作業(yè)，其設(shè)計流程如圖2所示。

在設(shè)計采摘機器人視覺系統(tǒng)時，可以依據(jù)籃球?qū)崟r視頻的動作提取技術(shù)，對果實目標(biāo)特征進行提取，最終實現(xiàn)機器人的自主果實定位，實現(xiàn)自主作業(yè)。

圖2 基于籃球動作捕捉的采摘機器人視覺系統(tǒng)設(shè)計Fig.2 Design of picking robot vision system based on basketball motion capturing

2 基于籃球動作捕捉的采摘機器人視覺圖像邊緣檢測

在籃球動作捕捉過程中，動作捕捉的對象往往是比賽的視頻序列，該序列是由比賽現(xiàn)場的攝像機獲取的一組隨著時間變化的圖像，根據(jù)一定的時間間隔可以得到圖像隨時間的變化關(guān)系，其表達(dá)式可以寫成

{f(x,y,t0),f(x,y,t1),…,f(x,y,tN-1)}

(1)

其中，N為總的幀數(shù)；t為采集圖像時對應(yīng)的實時時刻，時間間隔為ti-ti-1。在沒有特殊要求的情況下，兩幅圖像的時間間隔是相同的，對于動態(tài)圖像的捕捉，可以得到比靜態(tài)圖上更加豐富的信息。在圖像捕捉過程中，最重要的環(huán)節(jié)是圖像的邊緣檢測，通過圖像邊緣檢測可以使圖像隱含的信息發(fā)掘出來，其基本步驟為：

1)濾波。在傳感器實時采集過程中，由于籃球動作的速度較快，難免會存在較多的噪聲，通過濾波可以將噪聲的影響降低到最小。

2)增強。利用梯度算法的原理，通過改變圖像的梯度，使圖像局部模糊的部分清晰化，以找到明顯的圖像邊緣。

3)檢測。由于圖像局部邊緣模糊，通過圖像邊緣檢測很難找到圖像的邊緣點，而通過梯度的設(shè)定閾值，可以對邊緣進行判斷，從而檢測到邊緣。

4)定位。精確確定邊緣的位置。

通過圖像濾波、圖像平滑處理、邊緣增強、邊緣定位及閾值分割等，可以檢測出圖像的邊緣，為動作數(shù)據(jù)的捕捉提供數(shù)據(jù)支持，其具體流程如圖3所示。

圖3 邊緣檢測的流程圖Fig.3 The flow chart of edge detection

邊緣檢測算法的主要目標(biāo)是檢測到梯度變化的最大值，通過優(yōu)化梯度值，對噪聲進行抑制，從而有效地找到邊緣的位置。邊緣檢測算子有很多，本次選用Canny算法。

Canny邊緣檢測算法在實際使用時，首先會對圖像進行濾波操作，然后對圖像的最大梯度值進行檢測，從而確定圖像的邊緣位置。在進行檢測時，采用先對圖像進行平滑處理，后對圖像進行求導(dǎo)，其二維高斯函數(shù)為

(1)

在某一方向n上是G(x,y)的一階方向?qū)?shù)為

(2)

(3)

(4)

其中，n為方向矢量；G為梯度矢量。將圖像f(x,y)與Gn作卷積，同時改變n的方向，當(dāng)Gn·f(x,y)得到最大值時，邊緣檢測的方向與n正交。則

(5)

(6)

(7)

(8)

其中，A(x,y)為捕捉實時圖像(x,y)點處的邊緣強度；θ為捕捉實時圖像(x,y)點處的法向矢量。為了得到準(zhǔn)確的圖像邊緣，需要提取局部梯度的最大值點，常用的方式是將G(x,y)使用一個閾值。

如圖4所示：為了對捕捉圖像進行邊緣檢測，需要得到圖像邊緣梯度的最大值，通過閾值的設(shè)定，保留高于閾值的點，將低于閾值的點全部設(shè)置為0，從而可有效地識別出圖像的邊緣，為果實目標(biāo)信息的獲取提供數(shù)據(jù)支持。

圖4 采摘機器人果實目標(biāo)邊緣檢測和識別流程

Fig.4 The target edge detection and recognition process of fruit picking robot

3 采摘機器人視覺圖像檢測系統(tǒng)測試

為了驗證籃球動作捕捉多媒體數(shù)據(jù)庫系統(tǒng)方案在采摘機器人視覺檢測系統(tǒng)中使用的可行性，利用機器人實驗測試的方法對方案進行驗證，首先對視覺系統(tǒng)的圖像處理進行測試，其測試場景如圖5所示。

圖5 采摘機器人視覺系統(tǒng)測試場景Fig.5 The test scenario of vision system of picking robot

為了驗證時間系統(tǒng)對復(fù)雜采摘環(huán)境的適應(yīng)性，選取了夜間作業(yè)環(huán)境作為研究對象，受夜間光線的影響，采集得到的圖像往往含有較多的噪聲，首先對圖像進行濾波和增強處理，得到了如圖6所示的結(jié)果。

圖6 圖像增強后結(jié)果Fig.6 The effect after image enhancement

采用圖片平滑和增強處理后，圖像的背景噪聲有了明顯的降低，相對于背景部分，果實圖像更加突出，然后采用邊緣檢測算法，可以得到更加清晰的果實圖像，如圖7所示。

圖7 邊緣檢測后結(jié)果圖像Fig.7 The result image after edge detection

對圖像進行邊緣檢測后，成功地提取到果實的特征圖像，將背景部分繼續(xù)弱化，為采摘機器人果實目標(biāo)的識別提供了較高質(zhì)量的圖像。為了進一步驗證采摘機器人對目標(biāo)識別的準(zhǔn)確率，設(shè)計了采摘機器人果實采摘試驗，如圖8所示。

通過測試可以得到圖像的準(zhǔn)確識別率和準(zhǔn)確定位率，對5次測試結(jié)果進行了統(tǒng)計，得到了如表1所示的結(jié)果。

測試結(jié)果表明：采用本次設(shè)計的視覺檢測系統(tǒng)對果實圖像的準(zhǔn)確識別率較高，且能夠準(zhǔn)確地定位到果實，可以滿足高精度采摘的需求，從而驗證了方案的可行性。

圖8 采摘機器人實驗Fig.8 The experiment of picking robot表1 采摘機器人采摘性能測試Table 1 The picking performance test of picking robot %

4 結(jié)論

為了提高采摘機器人視覺系統(tǒng)的目標(biāo)識別精度，提高自動化程度，將籃球動作捕捉系統(tǒng)引入到視覺系統(tǒng)的設(shè)計過程中，參考捕捉系統(tǒng)的邊緣檢測和動作特征提取方法，對視覺系統(tǒng)進行了改進，得到了具有較高精度的目標(biāo)識別能力。對視覺系統(tǒng)的功能進行了驗證，結(jié)果表明：采用籃球動作捕捉技術(shù)對采摘機器人視覺系統(tǒng)進行改進后，其果實目標(biāo)的識別能力較強，可在復(fù)雜的夜間環(huán)境下成功的將果實目標(biāo)識別。對采摘機器人的果實識別率和準(zhǔn)確定位率進行了測試，結(jié)果表明：其成功識別果實的概率較高，準(zhǔn)確定位的能力較強，滿足了高精度采摘的需求。