郭曉峰，王耀南，周顯恩，尹阿婷，趙輝平，劉磊

（1. 湖南大學(xué) 電氣與信息工程學(xué)院，湖南 長沙 410082; 2. 機(jī)器人視覺感知與控制技術(shù)國家工程實驗室，湖南長沙 410082）

隨著社會的不斷發(fā)展和科技的不斷進(jìn)步，以中國象棋機(jī)器人為代表的娛樂服務(wù)型機(jī)器人，逐漸成為機(jī)器人研究領(lǐng)域的熱點之一。

中國象棋機(jī)器人研究開始于21世紀(jì)初，2004年上海交通大學(xué)黃立波等[1]利用開放式控制器，成功開發(fā)了國內(nèi)第一臺中國象棋對弈機(jī)器人，同期多種對弈機(jī)器人相繼誕生[2]。早期的中國象棋機(jī)器人棋子的定位與識別采用非視覺方式，如特制不同電阻值[3-4]或光敏電阻[5]的棋子與設(shè)計電子棋盤的方式進(jìn)行棋子的定位與識別，類似地還可采用射頻[6]等方法。這些非視覺的識別法都有：系統(tǒng)需特殊設(shè)計定制，適應(yīng)性不強(qiáng)等缺點。隨著機(jī)器視覺技術(shù)的發(fā)展，棋子的定位與識別也逐漸采用機(jī)器視覺的方法。

在棋子定位問題上：大多依靠棋盤間接定位，例如，許豐磊[7]對棋盤內(nèi)90個小區(qū)域進(jìn)行輪廓跟蹤與提取，進(jìn)而判斷棋子位置；肖克先等[8-9]、杜俊俐等[10-11]通過對棋盤十字交點處進(jìn)行檢測。以上棋子定位方法均依靠棋盤直線檢測或交點檢測，無法做到脫離棋盤定位，且定位精度不高。

在棋子識別問題上：棋子識別實質(zhì)就是字符識別，其研究相對比較成熟，但目前字符識別研究和應(yīng)用最多的領(lǐng)域是汽車車牌的識別[12-13]。與傳統(tǒng)字符識別不同，象棋棋子識別具有旋轉(zhuǎn)任意性，目前針對中國象棋棋子字符的識別研究不多。馮元華[14]和莫妙桃[15]使用文字連通數(shù)、字符年輪統(tǒng)計等特征進(jìn)行字符識別，但其需要預(yù)先對棋子字符進(jìn)行特征統(tǒng)計，步驟繁瑣且正確率基本在83%左右。隨著計算機(jī)硬件和機(jī)器學(xué)習(xí)的發(fā)展，更多人嘗試使用BP神經(jīng)網(wǎng)絡(luò)[16]、深度學(xué)習(xí)[17-18]等進(jìn)行棋子識別。但機(jī)器學(xué)習(xí)或深度學(xué)習(xí)需要的訓(xùn)練樣本大，訓(xùn)練時間長，實時性不強(qiáng)，更換棋子后同樣需要重新訓(xùn)練，步驟復(fù)雜繁瑣。

針對上述棋子定位中存在的依靠棋盤定位、定位精度不高等問題，本文提出了一種基于最小外接圓二次定位棋子定位方法，能夠快速高精度實現(xiàn)棋子定位。針對當(dāng)前傳統(tǒng)文字識別方法識別率低，而基于機(jī)器學(xué)習(xí)的字符識別方法，存在訓(xùn)練時間長、實時性不強(qiáng)的問題，本文提出了一種旋轉(zhuǎn)差分識別算法，實現(xiàn)棋子快速精準(zhǔn)識別。

1 系統(tǒng)結(jié)構(gòu)

我們自主搭建了象棋機(jī)器人的硬件平臺，其結(jié)構(gòu)示意圖如圖1所示。系統(tǒng)主要由URAM四軸機(jī)械臂及相連的攝像機(jī)、計算機(jī)、象棋棋盤和輔助光源組成，該系統(tǒng)可實現(xiàn)兩個功能：1)開局階段自動擺棋功能；2)人機(jī)對弈功能。該系統(tǒng)有兩個工作區(qū)域：擺棋區(qū)域和棋盤區(qū)域。本文以擺棋區(qū)域內(nèi)棋子的定位與識別進(jìn)行研究。

圖 1 象棋機(jī)器人系統(tǒng)結(jié)構(gòu)示意Fig. 1 Sketch map of chess robot system

2 定位與識別算法

本文算法整體流程圖如圖2所示。

圖 2 算法整體流程圖Fig. 2 The whole flow chart of the algorithm

2.1 一次定位與預(yù)處理

一次定位與預(yù)處理整體流程如圖3所示。

圖 3 一次定位與預(yù)處理流程圖Fig. 3 first positioning and pretreatment flow chart

首先對擺棋區(qū)域進(jìn)行圖像采集，本系統(tǒng)使用普通家用網(wǎng)絡(luò)攝像頭，圖像分辨率為：1 280像素×720像素，測試所用棋子的直徑為15 mm。

1)圓檢測一次粗定位

棋子定位問題就是圓檢測問題。圓檢測算法主要有：最小二乘法[19-20]、多隨機(jī)圓擬合度評估[21]等擬合方法。這類方法圓檢測準(zhǔn)確度高，運(yùn)算量少，但其對噪聲敏感，且不能一次檢測多個圓。還有Hough變換[22]等投票(聚類)方法。這類方法將樣本點映射到參數(shù)空間，用累加器或者類聚的方法來檢測圓。這類方法對噪聲不敏感，且可以一次檢測多個圓，但其計算量大運(yùn)算時間長。

本系統(tǒng)運(yùn)行背景較復(fù)雜，有外界因素影響，因此需要圓檢測具有較強(qiáng)的魯棒性，且需要一次性檢測出多個圓形。系統(tǒng)對于棋子的定位精度和識別準(zhǔn)確度要求很高，但對于運(yùn)行時間要求不高，因此綜合以上考慮，本文使用Hough變換進(jìn)行棋子一次粗定位。

對采集到圖像進(jìn)行Hough變換的粗定位，定位效果圖如圖4所示，并可得到粗定位圓心坐標(biāo)。

圖 4 一次定位圖像Fig. 4 First positioning effect image

2)棋子分割

隨后根據(jù)該定位坐標(biāo)基于區(qū)域的圖像分割將棋子前后景分離和棋子分割。

3)顏色識別

將RGB模型圖片轉(zhuǎn)換為HSV模型，隨后對HSV模型中的各個值進(jìn)行統(tǒng)計，尋找紅、黑顏色的特征。

經(jīng)過實驗后得到：本文所使用棋子，紅色H(H：hue)值范圍為170～180；黑色H值范圍為103～106，利用紅色和黑色顏色的色調(diào)不同取值，就可將紅色和黑色的棋子圖像進(jìn)行識別。

4)字符分割

由棋子圖像的灰度直方圖：由圖5可知，棋子圖像的灰度分布具有很大離散性，即棋子背景灰度值較集中為一種灰度值，黑色或紅色字符集中為另一灰度值，且兩者相差較大。

圖 5 棋子圖片直方圖Fig. 5 The histogram of chess image

因此采用均值閾值分割進(jìn)行二值化處理，首先計算圖像像素灰度均值：T之后根據(jù)均值選定閾值進(jìn)行分割：

式中K為比例系數(shù)。通過實驗確定K取0.75時，字符分割效果較好。

2.2 棋子二次精確定位

系統(tǒng)工作環(huán)境較為復(fù)雜，干擾多，且所用棋子較小(僅為15 mm)，成像分辨率低。因此粗定位效果，部分棋子定位效果較差如圖6所示。需要對棋子進(jìn)行定位修正以確保定位精準(zhǔn)。

圖 6 定位效果Fig. 6 Positioning effect

本文提出的一種基于字符最小外接圓的定位修正方法的流程圖如圖7所示。

圖 7 二次定位流程圖Fig. 7 The flow chart of second positioning

二次定位算法步驟：

1)圖片載入及預(yù)處理。由一次粗定位得到原始字符圖如圖8(a)，及粗定位圓心如圖8中紅色圓點表示。預(yù)處理得二值化字符如圖8(b)。

圖 8 二次定位中間過程圖Fig. 8 Process image of second positioning

2)尋找最大輪廓。對二值化字符進(jìn)行形態(tài)梯度運(yùn)算如圖8(c)。對形態(tài)梯度圖進(jìn)行輪廓提取，依次遍歷所有輪廓并計算輪廓面積，保留面積最大的輪廓，如圖8(d)所示。

3)尋找輪廓外接圓。由于圓具有穩(wěn)定性和唯一性，因此尋找字符最大輪廓的最小外接圓如圖8(e)，外接圓圓心如圖中綠色圓點所示。

4)修正圓心。由最小外接圓，重新截取字符圖片如圖8(f)，保證字符位于圖像中心位置，為后續(xù)識別工作做準(zhǔn)備。同時由兩次圓心坐標(biāo)對比可得定位誤差，并對粗定位圓心坐標(biāo)進(jìn)行修正，從而得到棋子精確的圓心坐標(biāo)。

2.3 字符識別

棋子識別本質(zhì)上就是字符識別，但不同于傳統(tǒng)的字符識別，在擺放過程中棋子可能旋轉(zhuǎn)任意角度，而造成字符傾斜，而傳統(tǒng)基于像素的模板匹配識別不具有旋轉(zhuǎn)不變性。如何克服圓形棋子的旋轉(zhuǎn)特性是中國象棋棋子識別的難點。本文提出了一種旋轉(zhuǎn)差分識別算法，其具體流程圖如圖9所示。

圖 9 旋轉(zhuǎn)差分識別算法流程Fig. 9 Flow chart of recognition algorithm

載入已制備模板圖，將待識別圖與其做像素差分如圖10所示，并保留差分值。隨后，將模板旋轉(zhuǎn)a°后重復(fù)上述操作，直至360°旋轉(zhuǎn)完畢為止。統(tǒng)計各個旋轉(zhuǎn)角度的像素差分值，保留其中的最小值，記為Bn(n為模板序號，為1, 2,···,7)。

然后再和第2個模板進(jìn)行上述操作。依次和所有7個模板進(jìn)行上述操作后，則最小的Bn對應(yīng)的字符，即為待識別棋子的識別結(jié)果，隨即可得其對應(yīng)的棋盤的位置。識別效果如圖10所示。

圖 10 識別效果Fig. 10 Recognition effect image

3 實驗結(jié)果與分析

本系統(tǒng)硬件平臺如圖11所示，攝像機(jī)為普通家用網(wǎng)絡(luò)攝像頭，分辨率為：1 280像素×720像素。象棋棋子直徑為：15 mm。計算機(jī) CPU 為intel core i5—4 200 M，主頻 2.5 GHz，通過軟件開發(fā)平臺Visual Studio 2012和Open CV2.4.9編寫C + +程序，對棋子進(jìn)行了定位與識別算法驗證。

圖 11 中國象棋機(jī)器人系統(tǒng)硬件平臺Fig. 11 Hardware platform of Chinese chess robot system

3.1 棋子定位實驗

利用本系統(tǒng)采集4張擺棋區(qū)域的圖像，每張圖片中包含32個棋子，共128個棋子。隨后對每張棋子圓心進(jìn)行人工標(biāo)定，將檢測定位坐標(biāo)和標(biāo)定坐標(biāo)對比，得到定位誤差，如表1 所示。

表 1 定位結(jié)果Table 1 Location result

兩次定位誤差為歐氏距離D，單位為像素(pixel)。定義誤差修正率：

該參數(shù)可以反映定位精度的提升程度。由式(2)可知，定位精度提升均在40%以上，大部分在60%或70%以上，最高可達(dá)80%。

本系統(tǒng)使用棋子直徑為15 mm，通過比例換算，可以得到最終實際定位誤差。實驗結(jié)果表明：棋子定位精度均在0.50 mm以上，最高定位精度達(dá)到0.11 mm，定位精準(zhǔn)。棋子的平均定位時間為2.61 ms，定位快速，滿足象棋機(jī)器人快速精準(zhǔn)定位的要求。

各個字符定位精度存在差異：” 將”、“帥”、“炮”等的定位精度較高達(dá)到0.1 mm級別；而“士”、“車”的定位精度較低，僅為0.5 mm左右。因為相比于“將”、“帥”等左右結(jié)構(gòu)分布的文字，“士”、“車”等為一體的豎長結(jié)構(gòu)，造成其最大輪廓外接圓穩(wěn)定性不足，定位存在較大偏差。

定位時間存在差異，“士”、“仕”定位時間短達(dá)到1.5 ms左右；而“馬”、“炮”等字符定位時間長為3.0 ms左右，這是因為：“士”、“仕”等字符的筆畫較少的文字，“馬”、“炮”等較多，進(jìn)行輪廓提取后字符輪廓數(shù)量多，輪廓遍歷時遍歷的次數(shù)多，而造成定位時間長。

3.2 棋子識別實驗

本文采用旋轉(zhuǎn)差分識別算法，因此棋子識別率和差分時模板每次旋轉(zhuǎn)角度a密切相關(guān)，且算法的運(yùn)算時間也與其直接相關(guān)，a越小，即識別率越高但運(yùn)算效率越差。如何平衡識別率和運(yùn)算效率，是該算法要解決的關(guān)鍵問題。

采集20副圖像共640個棋子進(jìn)行測試，在0°～45°區(qū)間內(nèi)分別設(shè)定了不同的差分旋轉(zhuǎn)角度a°進(jìn)行11次實驗，如表2 所示。注：運(yùn)算時間為單個棋子的全流程平均運(yùn)算時間，包括定位與識別。

表 2 識別結(jié)果Table 2 Recognition result

由表2可以得到棋子識別率和運(yùn)算時間與差分旋轉(zhuǎn)角度a的關(guān)系圖，如圖12和圖13所示。

圖 12 識別準(zhǔn)確率Fig. 12 Recognition accuracy

圖 13 運(yùn)算時間Fig. 13 Operation time

對圖12、13進(jìn)行分析，從識別率來看，當(dāng)旋轉(zhuǎn)角度在1°～21°變化時，系統(tǒng)均保持較高的準(zhǔn)確率，達(dá)到98%。當(dāng)角度超過21°以后，準(zhǔn)確率開始下降并且下降速率越來越快。

從運(yùn)算時間來看，角度為1°時處理一個棋子平均耗時75.6 ms。但隨著角度不斷增大，運(yùn)算時間迅速減小，為5°時，運(yùn)算時間已減小到18.7 ms。隨后減小速率不斷放緩。

綜合識別率和運(yùn)算時間分析，該系統(tǒng)差分識別算法的旋轉(zhuǎn)角度選擇10°～15°較為適宜。在此角度范圍內(nèi)，棋子識別率較高為98%左右，全流程運(yùn)算時間為10 ms左右，滿足象棋機(jī)器人系統(tǒng)的要求。

選定旋轉(zhuǎn)差分角a=13°，對20幅圖片中各個字符識別情況分別統(tǒng)計如表3所示。其中錯誤識別為：“炮”錯誤識別為“相”；“馬”和“兵”之間錯誤識別；“車”和“卒”之間錯誤識別。字符之間相互錯誤識別的原因和如何進(jìn)一步提升算法的識別準(zhǔn)確率是下一步研究的重點。

3.3 實驗結(jié)果對比

將本文在旋轉(zhuǎn)差分角度設(shè)定在13°情況下的實驗數(shù)據(jù)與文獻(xiàn)[17]的實驗數(shù)據(jù)進(jìn)行對比，得到結(jié)果如表4所示。

表 3 旋轉(zhuǎn)差分角為13°時的識別結(jié)果Table 3 Recognition results when the angle is 13 degrees

表 4 對比測試結(jié)果Table 4 Comparison of test result

從表4可知，本象棋棋子定位與識別系統(tǒng)棋子定位誤差0.5 mm略低于文獻(xiàn)[17]的0.8 mm，識別準(zhǔn)確率98.8%略高于文獻(xiàn)[17]的98%，該兩項指標(biāo)相差不大。但本系統(tǒng)棋子全流程運(yùn)算時間僅為9.3 ms，遠(yuǎn)遠(yuǎn)小于文獻(xiàn)[17]的最短識別時間49 ms。

本文使用的攝像機(jī)為普通網(wǎng)絡(luò)攝像頭分辨率為1 280像素×720像素，文獻(xiàn)[17]使用的是工業(yè)高清相機(jī)分辨率為1 000像素×1 000像素；本文使用的棋子為直徑15 mm，文獻(xiàn)[17]使用的棋子直徑為28 mm；且文獻(xiàn)[17]的測試環(huán)境較為簡單，為測試平臺箱內(nèi)部，本文的測試環(huán)境較為復(fù)雜。因此，本文的綜合測試效果優(yōu)于文獻(xiàn)[17]，具有良好的應(yīng)用前景。

4 結(jié)束語

本文針對中國象棋機(jī)器人中棋子視覺定位與識別問題，提出了一種基于最小外接圓二次定位的定位方法和一種旋轉(zhuǎn)差分識別算法。實驗結(jié)果表明該定位方法能夠?qū)崿F(xiàn)棋子的快速高精度定位，定位精度達(dá)到0.5 mm，平均定位時間為2.6 ms；能夠快速精準(zhǔn)地識別棋子，在保證棋子識別準(zhǔn)確度達(dá)到98%以上的情況下，單棋子全流程運(yùn)算時間為10 ms左右，完全滿足現(xiàn)有象棋機(jī)器人的指標(biāo)要求。

目前該算法在個別字符定位誤差和識別準(zhǔn)確度、棋子定位時間、棋子全流程運(yùn)算時間等方面存在進(jìn)一步優(yōu)化空間，這將是下一步研究的重點。