薄阿維 陜西財經職業(yè)技術學院

羽毛球機器人的工作原理可以概括為：判斷來球的運動軌跡并做出準確的預測，并完成擊球。人機互動的關鍵在于實時準確識別、跟蹤、預測高速飛行的羽毛球落點。

本文基于深度傳感器Kinect，對其捕捉的圖像進行濾噪處理，提出了一種背景差分和目標樣本排序相結合的目標識別方法，進而構建模型，以兩幀圖像目標定位和速度參數(shù)估算羽毛球的位置。

1 運動目標檢測

Kinect 捕捉的初始深度圖像包含大量的噪聲，研究首先過濾掉原始噪聲和前景、背景，然后去除固有的背景，進而通過目標圖像塊的數(shù)量區(qū)分人和羽毛球，根據(jù)采樣點與中值點距離超過臨界值便重新取樣的原則，對剩余的圖像塊進行分類排序，臨界值取為50 毫米。最后，將目標圖像的平均值作為目標點的位置。

1.1 圖像預處理及噪音濾除

本文提出了一種基于深度信息的交叉濾波算法，對深度圖像進行平滑降噪處理。

交叉濾波具體算法為：

1.2 目標位置的提取

2 運動軌跡仿真及目標落點預測

下一幀的速度如公式（2）所示：

通過實驗，比較了不同參數(shù)下預測坐標點與實際坐標點之間的偏差，由此取偏差值最小的參數(shù)。通過實驗調整，最終確定，。

根據(jù)連續(xù)3 幀的坐標可以得出速度的方向為：

根據(jù)公式（9），將一段時間內的坐標整合即可得出羽毛球的運行軌跡。本文將其設置為2 秒，每秒可計算300 個點，以此繪制仿真軌跡。擊球點的坐標為當羽毛球軌跡點的高度小于等于0 時，記錄此時的平面坐標位置。羽毛球著陸點的坐標為

3 實驗

3.1 運動軌跡仿真實驗

將多組相鄰的3 個紅色曲線點引入模型，得到了羽毛球的運動軌跡。其中藍點代表羽毛球的實時檢測點，紅色圓圈代表擊球點的加權平均值，擊球高度為0.8m。從圖1 可以看出，最后10 個預測落點的坐標誤差小于30mm。

圖1 最后10 個預測落點位置圖

4 結論

本文基于羽毛球機器人的視覺跟蹤系統(tǒng)，針對深度圖像的噪聲問題，提出了非線性交叉濾波算法能有效去除噪聲點；根據(jù)運動軌跡預測模型，采用歷史與實時預測相結合的方式判斷羽毛球落點。實驗結果顯示，Kinect 自由旋轉和任意仰角情況下，定位精度控制在30mm 以內，命中率達到92%，證明了該算法具有良好的實時性和準確性。