胡 彬，王 超

(河南工業(yè)職業(yè)技術(shù)學院，河南 南陽 473000)

0 引言

隨著網(wǎng)絡(luò)技術(shù)的不斷推廣和應(yīng)用的普及，加上多媒體數(shù)據(jù)獲取設(shè)備的不斷更新和升級，圖像和視頻的數(shù)量開始飛速增長，多媒體數(shù)據(jù)的存儲和處理問題成為當前研究的熱點。在采摘機器人進行果實采摘時，實際的作業(yè)環(huán)境往往會使待采摘果實自身運動，造成較大的采摘誤差。為了提高機器人的采摘精度，擬將運動目標實時跟蹤技術(shù)應(yīng)用到采摘機器人控制系統(tǒng)中，從而提高了機器人對作業(yè)環(huán)境的適應(yīng)能力。但是，采用這種方案會產(chǎn)生大量的實時檢測視頻和圖像數(shù)據(jù)，為了提高圖像的處理速度，達到運動目標實時定位的目的，本次擬將云計算和存儲技術(shù)引入到圖像處理系統(tǒng)中，以期得到快速圖像處理功能。

1 基于Hadoop云存儲技術(shù)的圖像處理系統(tǒng)

云計算和云儲存技術(shù)是一種新的IT資源提供模式，通過分布式和并行計算，可以為許多用戶提供網(wǎng)絡(luò)共享計算和存儲服務(wù)功能。Hadoop作為一個云平臺的基礎(chǔ)架構(gòu)被Apache基金會所研發(fā)，用戶可以在不熟悉分布底層細節(jié)的情況下搭建分布式計算平臺，其核心組件是分布式文件系統(tǒng)和MapReduce。分布式文件系統(tǒng)如圖1所示。

圖1 分布式文件系統(tǒng)

分布式文件系統(tǒng)可以隱藏負載均衡和冗余復制等細節(jié)，適合部署在廉價的硬件資源上，實現(xiàn)了高吞吐量數(shù)據(jù)的訪問和大規(guī)模數(shù)據(jù)集服務(wù)功能，為上層提供了一個統(tǒng)一的文件系統(tǒng)的API應(yīng)用程序接口。

任務(wù)節(jié)點分配如圖2所示。其中，MapReduce表示兩種操作，包括map和reduce。其中，map是將輸入數(shù)據(jù)內(nèi)容進行分解：reduce是將分解的內(nèi)容進行整合，最終輸出。在進行圖像處理時，用戶將MapReduce任務(wù)發(fā)送給主節(jié)點，然后云計算和存儲系統(tǒng)將任務(wù)分配給各個子節(jié)點，從而實現(xiàn)并行處理。在采摘機器人進行運動目標捕捉過程中會產(chǎn)生大量處理圖像，采用一般的圖像處理器較難實現(xiàn)對實時視頻和圖像的處理；而采用云存儲思想的并行計算技術(shù)，可以有效地提高圖像的處理速度，實現(xiàn)運動目標的實時跟蹤與捕捉。

圖2 任務(wù)節(jié)點分配

2 采摘機器人運動目標檢測和動作控制

在實際采摘作業(yè)時，待采摘果實在風力等因素的影響下往往不是靜止的，因此采摘機器人在進行果實目標識別時需要考慮果實的實際運動，對動態(tài)目標進行追蹤。采摘機器人視覺系統(tǒng)對于動態(tài)目標的追蹤首先需要對待采摘目標的運動進行檢測，從無線傳感器采集的圖像中將變化的區(qū)域序列從背景圖像中提取出來。其方法主要有3種，下面逐一介紹。

1)背景差分法。使用這種方法時，運動區(qū)域的檢測可以利用背景和當前圖像的差分來實現(xiàn)。首先，建立一個背景模型；然后，采集的新圖像和背景圖像進行相減。如果像素差超過了設(shè)定的閾值，則判定為運動圖像并進行鎖定，跟蹤其運動軌跡。

2)幀間差分法。幀間差法是利用兩幅相鄰圖像之間的差值來判斷物體的運動信息，從而可以有效地獲知運動目標的位置和形狀等，并預(yù)測其運動軌跡，對運動目標的捕捉和追蹤精度較高。

3)光流法。光流法是根據(jù)圖像灰度的變化預(yù)測運動目標的瞬時速度，進而預(yù)測其運動軌跡的一種方法。在理想狀態(tài)下，不需要場景信息就可以精確地計算出物體的運動速度； 但這種方法的計算較為復雜，對噪聲較為敏感，對計算機處理硬件也要求較高。

綜合比較以上方法，本次選用幀間差方法來實現(xiàn)運動目標的跟蹤，運動目標的運動狀態(tài)可以通過其幀間重心的變化進行預(yù)測。在運動狀態(tài)預(yù)測方面，本次研究選用了Klaman濾波算法。假設(shè)其狀態(tài)向量為

(1)

其中，mx(t)、my(t)分別表示t時刻待采摘目標在采集圖像上的方向和位置；Δx′(t)、Δy′(t)分別表示運動時刻為t時待采摘目標在x和y向上的瞬時速率；Δt表示時間間隔。因此，狀態(tài)方程可以表示為時間的線性狀態(tài)方程，即

X(t)=Φ(t)X(t-Δt)+ω(t-Δt)

(2)

具體為

(3)

其中，ω(t)是狀態(tài)誤差，其值為

ω(t)=?ωmx(t)ωmy(t)ωΔx′(t)ωΔy′(t)」T

(4)

其方差為

(5)

無線傳感器采集圖像信息時的量測方程為

Y(t)=H(t)X(t)+v(t)

(6)

(7)

其中，v(t)為采集測量誤差，取值為

v(t)=[vmx(t)vmy(t)]T

(8)

其方差分別為

(9)

在進行運動目標的預(yù)測時，需要確定運動目標的初試位置狀態(tài)，可以選擇無線傳感器采集得到的第1幀作為運動目標初始位置。假設(shè)通過預(yù)測得到的最終狀態(tài)為A點(xo,yo)，則采摘機器人執(zhí)行末端的控制可以分為兩步：首先使采摘機器人執(zhí)行末端左右移動Δx，使運動目標的重心和末端在x軸上重合；然后使執(zhí)行末端上下移動動Δy，使運動目標的重心和末端在y軸上重合。水平移動的距離可以根據(jù)攝像機小孔成像的原理進行推導計算，公式為

(10)

其中，dx表示像素的橫向物理尺寸。同理，經(jīng)過計算可以得到Δy的值。通過對采摘機器人執(zhí)行末端的控制，可以實現(xiàn)運動果實的采摘。

3 基于云存儲和無線傳感網(wǎng)絡(luò)的采摘機器人性能測試

為了驗證采摘機器人對運動目標的識別和采摘作業(yè)性能，以輪式機器人平臺為載體，搭載了圖像采集裝置和無線傳感器設(shè)備，將采集到的圖像傳遞給圖像處理中心，如圖3所示。

圖3 基于無線傳感網(wǎng)絡(luò)的采摘機器人實驗平臺

在圖像采集時，由于果實目標是運動的，會產(chǎn)生海量的圖像數(shù)據(jù)，因此在圖像處理時采用了分布式并行計算云存儲系統(tǒng)，從而有效地提高了實時圖像的處理速度。

圖4為本次選用的荔枝待采摘果實。由于果實的質(zhì)量較小，很容易被風吹動，因此非常適合作為采摘機器人實驗研究用的運動目標。通過對運動目標的追蹤，得到了如圖5所示的運動捕捉圖像。

圖4 待采摘運動果實

圖5 果實運動跟蹤圖像結(jié)果

本次采用第2節(jié)中的卡爾曼濾波算法對運動圖像進行了采集，得到了多幀運動圖像，并對圖像最后運動軌跡進行了預(yù)測，得到了圖像跟蹤誤差，如圖6所示。

卡爾曼濾波作為一種遞推技術(shù)，在時變序列圖像的運動分析中可以預(yù)測果實的運動軌跡。圖6為圖像跟蹤的誤差。通過對運動圖像狀態(tài)方程和預(yù)測方程的調(diào)整，可以使軌跡預(yù)測的誤差降低到最小。最后，通過對運動目標的捕捉，得到了如圖7所示的結(jié)果。

圖6 圖像跟蹤誤差

圖7 運動目標位置提取結(jié)果

最后，利用圖像邊緣檢測和處理技術(shù)得到了運動目標的最終位置信息。圖像由A運動B，最終鎖定B處為采摘位置，并為采摘機器人采摘終端發(fā)出控制質(zhì)量，完成相應(yīng)的采摘動作。

對荔枝運動目標的識別準確率和采摘成功率進行了統(tǒng)計，如表1所示。統(tǒng)計結(jié)果表明：采摘機器人對于運動果實目標的成功識別率較高，并可以較好地完成采摘作業(yè)任務(wù)，從而驗證了方案的可行性。其中，云存儲技術(shù)保證了實時圖像的保存和處理速度，對于系統(tǒng)的實現(xiàn)起到了至關(guān)重要的作用。

表1 位置識別準確率和成功采摘率測試

Table 1 The test of location recognition accuracy and successful picking rate

測試編號運動目標識別準確率/%成功采摘率/%193.191.3292.890.6395.592.5493.690.8593.291.6694.891.8

4 結(jié)論

為了提高采摘機器人的定位精度和準確采摘率，將動態(tài)目標捕捉技術(shù)引入到了采摘機器人控制系統(tǒng)中。為了實現(xiàn)圖像的高速處理，在系統(tǒng)中使用了基于Hadoop云存儲技術(shù)的圖像并行處理方案，從而實現(xiàn)了果實采摘過程中動態(tài)果實圖像的定位和采摘。為了驗證方案的可行性，以較小的荔枝果實采摘為研究對象，設(shè)計了一款具有圖像采集和無線圖像傳輸功能的采摘機器人，并在圖像處理系統(tǒng)中搭建了并行計算平臺。實驗結(jié)果表明：圖像處理系統(tǒng)可以成功獲取運動圖像的最終位置，且采摘機器人具有較高的采摘準確率，為現(xiàn)代采摘機器人的研究提供了有益的參考。