儲澤楠 王偉 蔡勝宇

摘 要：為解決六足機器人自主識別的問題，實現(xiàn)機器人智能化、人性化的發(fā)展，以OpenMV為主要平臺，以六足機器人為主要機器載體，同時以Python為主要開發(fā)語言，以C語言為輔助開發(fā)語言，加上對圖像處理技術(shù)的合理應用，設計了一個簡易的基于OpenMV的視覺識別系統(tǒng)，從而實現(xiàn)視覺識別的應用。

關(guān)鍵詞：六足機器人;OpenMV;視覺識別;模擬仿真

中圖分類號：TP301 文獻標識碼：A 文章編號：1003-5168（2019）34-0026-04

Application of Vision Recognition System Based on

OpenMV in Hexapod Robot

CHU Zenan WANG Wei CAI Shengyu

（Anyang Institute of Technology，Anyang Henan 455000）

Abstract： In order to solve the problem of autonomous recognition of hexapod robot and realize the development of intelligent and humanized robot， a simple visual recognition system based on openmv was designed with openmv as the main platform， hexapod robot as the main machine carrier， python as the main development language， C as the auxiliary development language， and the reasonable application of image processing technology realize the application of visual recognition.

Keywords： hexapod robot;OpenMV;visual recognition;simulation

隨著機器人的熱起，相關(guān)技術(shù)也不斷發(fā)展，其中視覺信息處理技術(shù)是移動機器人研究的關(guān)鍵技術(shù)之一。目前，視覺信息處理的內(nèi)容主要包括視覺信息的壓縮和濾波、道路檢測和障礙物檢測、特定交通道路標志的識別、三維信息感知與處理[1-4]。視覺信息的獲取是機器人規(guī)劃和導航的基礎(chǔ)，同時也是決定機器人正確識別當前道路環(huán)境信息的依據(jù)。獲取到有效的視覺信息可以正確規(guī)劃路線并為正常的行走打下基礎(chǔ)[5]。視覺信息的過濾是基礎(chǔ)的視覺處理過程，能為其他視覺功能提供基礎(chǔ)的信息反饋，從而實現(xiàn)相應功能[6]。

因此，把視覺識別系統(tǒng)放到六足機器人進行研究，對實現(xiàn)機器人的智能化、人性化提供了新的思路。加強視覺識別系統(tǒng)的應用，可以在環(huán)境因素多變的情況下使機器人做出自主決策，讓機器人更好地服務于社會、服務于人類，促進時代的發(fā)展，推動科技的進步。

1 視覺識別基本理論

簡單來說，視覺識別就是對攝像頭獲取到的圖像進行處理和分析。攝像頭其實就是一個將光學信號轉(zhuǎn)變成電信號的裝置[7]。RGB三原色的原理不是出于物理原因，而是由于生理原因造成的。人的眼睛內(nèi)有幾種辨別顏色的錐形感光細胞，分別對黃綠色、綠色和藍紫色（或稱紫羅蘭色）的光最敏感（波長分別為564、534nm和420nm）。雖然三種細胞并不是分別對紅色、綠色和藍色最敏感，但這三種光可以分別對三種錐形細胞產(chǎn)生刺激。所以，RGB經(jīng)常用于顯示器上，用來顯示圖片。圖1為RGB三原色圖。

感光元件是由很多個感光點構(gòu)成的，如有320×240個點，每個點就是一個像素，把所有的像素點整合到一塊就組成了一幅320×240的圖像，如圖2所示。幀率（FPS）就是每秒處理的圖片數(shù)量，如果超過20幀，人眼基本分辨不出卡頓。

Lab顏色空間是由國際照明委員會（CIE）制定的一種色彩模式。Lab顏色空間中，L表示亮度;a和b分別代表兩個顏色通道。L的值域是0～100，而a和b的值域都是+127至-128。a的正數(shù)代表紅色，負端代表綠色;b的正數(shù)代表黃色，負端代表藍色。因此，L分量可以調(diào)整亮度，修改a和b分量的輸出色階來進行精確的顏色平衡。物理上，顏色就是不同波長的電磁波，但人們通過對電磁波運用RGB、LAB等顏色模型，使電磁波描述出人眼能識別的各種顏色。圖3是可見光的光譜。有了這些圖像的基本知識，就可以對圖像進行識別和分析。

2 視覺識別基本算法

2.1 顏色識別

顏色識別是OpenMV識別的最基本的功能[8]，而顏色識別最核心的是顏色閾值的選取。不同顏色有不同的顏色閾值，OpenMV通過對顏色閾值的判斷實現(xiàn)對同種顏色的識別。所謂顏色的閾值就是首先設定一個顏色，圖像的轉(zhuǎn)換是比較像素的過程[9]，圖像分析的過程就是通過所得到的像素點與預先設定的閾值進行分析和計算，從而判斷是否為設定顏色。因此，顏色閾值越高，顏色數(shù)量越少。例如：尋找紅色的閾值，就可以進行如下操作，圖4中（5，100，-64，40，-61，70）就是紅色閾值，在相應的顏色閾值中實現(xiàn)顏色的識別，實現(xiàn)顏色的跟蹤。

2.2 模板匹配

模板匹配采用的是NCC算法（Normalized Cross Correlation），只能匹配與模板圖片大小和角度基本一致的圖案。但是，該算法的局限性相對來說比較大，如視野中的目標圖案稍微比模板圖片大一些或者小一些就可能匹配不成功。

模板匹配適用于攝像頭與目標物體之間距離確定、不需要動態(tài)移動的情況[8]。比如，適用于流水線上特定物體的檢測，而不適用于小車追蹤一個運動的排球（因為運動的排球與攝像頭的距離是動態(tài)的，攝像頭看到的排球大小會變化，不會與模板圖片完全一樣）。對于多角度、多大小匹配，可以嘗試保存多個模板，采用多模板匹配。

基于NCC算法用來比較兩幅圖像的相似程度是一種常見的圖像處理手段。取值范圍為[-1，1]，每個像素價值圖像不合，如果它有一個子集與另外一個樣本數(shù)據(jù)相互匹配，則其NCC值為1，表示相關(guān)性很高，如果是-1則表示完全不相關(guān)。NCC是基于相似度度量的匹配算法，在工業(yè)領(lǐng)域已被廣泛采納。

NCC算法的計算公式為：

[NCC（x，y）=i=1Mj=1N{[Ix+i，y+j-Ix，y]g[T（i，j）-T]}i=1Mj=1N[Ix+i，y+j-Ix，y]2i=1Mj=1N[Ti，j-T]2]（1）

其中，[I]為目標圖像;[T]為模板圖像，模板大小為[M×N]。根據(jù)NCC算法，就可以比較模板與圖像的特征，得出是否匹配。

2.3 特征點檢測

在實際應用中，對單個圖像固定距離的圖像識別應用比較單一，而動態(tài)識別應用比較普遍，根據(jù)這一情況引出特征點檢測這一概念。特征點檢測不再局限于特定距離、特定大小物體的識別，使準確識別動態(tài)物體成為可能，對物體與圖像的比例進行算法比對，實現(xiàn)識別的功能。FAST算法在特征點檢測中應用比較廣泛，本設計中就是用該算法實現(xiàn)特征點檢測。

FAST，即Features from Accelerated Segment Test，加速分割測試獲得特征。只有比較幾個像素，才能確定該點是不是一個關(guān)鍵?？焖偎惴▉碜杂诟鼽c的定義，圍繞一個點形成一個圓，根據(jù)一個圓的像素值來判斷這一點是否關(guān)鍵。如果存在這樣一段圓弧，其連續(xù)長度超過周長的3/4，并且其上面所有像素的強度值都與圓心的強度值明顯不同（全部更黑或更亮），那么就認定這是一個關(guān)鍵點。用這個算法檢測關(guān)鍵點的速度非常快，因此十分適合需要優(yōu)先考慮速度的應用。這些應用包括實時視覺跟蹤、目標識別等。

3 實驗驗證

3.1 視覺識別實驗

對于視覺識別功能的實驗方法，首先測試程序的完整性，檢查程序是否有錯，接著運行程序。本文以紅色物體為例，首先找到紅色的閾值填入程序中，接著把物體放到離攝像頭不遠處，運行程序，可以看到電腦端會顯示攝像頭的圖像，并且把紅色物體用綠色矩形框標識出來，反復測試幾次。圖5是攝像頭與實物的位置圖片，反映第三人稱視角的觀看角度。圖6是OpenMV攝像頭的識別圖片，檢測到的紅色物體用矩形框標注出反映正面視角的觀看角度。

從圖5和圖6設置的實驗條件進行分析，本文所設計的六足機器人對物體的識別有良好的精度。

3.2 視覺測距實驗

對視覺測距功能進行檢測，同樣先檢查程序的正確性。以上述紅色物體為例，筆者先檢測物體的距離，把物體放到已知距離的某處，運行程序，這時在電腦端會標記紅色物體同時會輸出此時的距離，如圖7所示，再觀察實物圖的位置，如圖8所示。接著把紅色物體再移動多次，比較測得數(shù)據(jù)與實際數(shù)據(jù)的差值。

從圖7和圖8不難看出，設計的機器人測距的效果明顯，這對于六足機器人的行走是至關(guān)重要的部分，也是物體識別的一個應用。

3.3 目標跟蹤實驗

相對其他功能來說，目標跟蹤實驗需要用STM32單片機來完成，其他功能都是給這個功能做基礎(chǔ)，通過圖像分析返回數(shù)據(jù)，再通過串口發(fā)送數(shù)據(jù)給STM32單片機，單片機再控制舵機板實現(xiàn)目標跟蹤。同樣，采用紅色物體進行目標跟蹤測試，運行代碼，把紅色物體放到攝像頭前，設置一定的臨界值，當距離大于最大臨界值時，機器人會向物體移動，當距離小于最小臨界值時，機器人會向后移動，當攝像頭的視野找不到設定物體時，機器人會原地轉(zhuǎn)圈尋找標識物體，具體效果如圖9至10所示，多測幾次檢測功能的穩(wěn)定性與準確性。

從圖9和圖10可以看出，設計的機器人對于目標識別，借助于硬件板子的設計，加上軟件模式的功能，研究的目標跟蹤效果是非常明顯的。

4 結(jié)論

本文以六足機器人作為研究對象，描述了在OpenMV平臺開發(fā)視覺識別簡易系統(tǒng)，把該系統(tǒng)搭建到六足機器人上進行應用，實現(xiàn)了六足機器人的視覺識別和目標跟蹤。通過對機器人識別的研究和應用，對六足機器人的真正行走具有至關(guān)重要的現(xiàn)實意義。但目前，如何適應多環(huán)境、多角度的目標跟蹤，仍然是下一步需要研究的目標。

參考文獻：

[1]張海慶，韓軍.基于激光視覺識別的紅外多目標智能跟蹤方法研究[J].激光雜志，2019（7）：19-23.

[2] Tamborrino M，Ditlevsen S，Markussen B，et al. Gaussian counter models for visual identification of briefly presented， mutually confusable single stimuli in pure accuracy tasks[J]. Journal of Mathematical Psychology，2017（3）：628-642.

[3]張乾，肖永菲，楊玉成，等.基于計算機視覺的室外停車場車位檢測實驗設計[J].實驗技術(shù)與管理，2019（7）：138-140，146.

[4]張磊，謝子瓊，張健.基于機器視覺的目標跟隨六足機器人[J].重慶郵電大學學報（自然科學版），2017（4）：557-562.

[5]朱佩，徐巧玉，王軍委，等.一種嵌入式智能視覺系統(tǒng)的設計[J].河南科技大學學報（自然科學版），2019（4）：46-51，7.

[6]曾錦樂，都東.基于多視覺特征獲取與融合的焊道軌跡自動識別[J].機械工程學報，2019（7）：127.

[7]Qingguo X，Guangyao L，Li X，et al. Real-world plant species identification based on deep convolutional neural networks and visual attention[J]. Ecological Informatics，2018（48）：117-124.

[8]Carpinteri A，Invernizzi S，Lacidogna G . Historical brick-masonry subjected to double flat-jack test： Acoustic emissions and scale effects on cracking density[J]. Construction & Building Materials，2009（8）：2813-2820.

[9]安颯，廉小親，成開元，等.基于OpenMV的無人駕駛智能小車模擬系統(tǒng)[J].信息技術(shù)與信息化，2019（6）：16-20.