姜 燕，王 悅，張旭澤，李 露

（北京中電飛華通信有限公司，北京 100070）

0 引言

近年來隨著科學(xué)技術(shù)的不斷發(fā)展，自動(dòng)化機(jī)器人視覺技術(shù)在國(guó)內(nèi)外的發(fā)展速度逐漸加快，并且涉及多個(gè)領(lǐng)域，得到了廣泛應(yīng)用[1,2]。自動(dòng)化機(jī)器人視覺識(shí)別技術(shù)是向機(jī)器人輸入一種模擬人體視覺器官功能的技術(shù)，完成對(duì)事物的識(shí)別操作，主要代替人工完成事物的檢查和識(shí)別工作[3]。傳統(tǒng)的自動(dòng)化機(jī)器視覺識(shí)別技術(shù)只能保證對(duì)簡(jiǎn)單物體的識(shí)別準(zhǔn)確率，對(duì)于一些復(fù)雜事物的視覺識(shí)別結(jié)果會(huì)出現(xiàn)較大誤差，給各個(gè)領(lǐng)域帶來一定的損失[4,5]。

因此本文提出基于PCL的自動(dòng)化機(jī)器人視覺形狀特征識(shí)別算法的研究分析，以提高機(jī)器人視覺識(shí)別能力為目的，展開一系列的分析。PLC指的是一種可編程的控制器，本文結(jié)合PLC可編程和可控制的特點(diǎn)以及二維三維圖像處理方法，構(gòu)建一個(gè)簡(jiǎn)單的自動(dòng)機(jī)器人視覺形狀特征識(shí)別算法。

1 基于PCL的自動(dòng)化機(jī)器人視覺形狀特征識(shí)別的閾值圖像處理

本文設(shè)計(jì)的基于PCL的自動(dòng)化機(jī)器人視覺形狀特征識(shí)別的圖像處理分為云數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理、提取特征點(diǎn)、對(duì)圖像進(jìn)行分割處理四個(gè)步驟，每個(gè)步驟之間緊密相連，構(gòu)成一個(gè)完整的自動(dòng)化機(jī)器人視覺形狀特征識(shí)別的圖像處理流程[6,7]。閾值圖像處理工作流程如圖1所示。

圖1 閾值圖像處理工作流程

根據(jù)圖1可知，首先對(duì)自動(dòng)機(jī)器人對(duì)視覺圖像完成初步的云數(shù)據(jù)采集工作，因?yàn)槊總€(gè)事物的圖像都可以對(duì)其進(jìn)行三維建模處理，處理后的事物信息更具有深度，為視覺形狀特征識(shí)別的特征提取提供信息量高的數(shù)據(jù)，有利于提高機(jī)器人的視覺識(shí)別精度[8,9]。對(duì)事物圖像的數(shù)據(jù)采集主要采集事物本身的信息數(shù)據(jù)和周圍環(huán)境的信息數(shù)據(jù)，然后將采集到的數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理操作。數(shù)據(jù)預(yù)處理操作的目的是篩選出具有意義的機(jī)器人視覺識(shí)別的圖像信息，減輕圖像特征識(shí)別的工作量，提高機(jī)器人視覺識(shí)別的效率。對(duì)初步采集到的圖像進(jìn)行闕值分割，目的是將圖像與相靠背景相分離，降低其他因素對(duì)機(jī)器人視覺識(shí)別的干擾，為了分割精度，將有效的圖像以黑色框邊，其他無效圖像以白色背景虛化。最后機(jī)器人根據(jù)識(shí)別區(qū)域圖像的不同灰度值進(jìn)行圖像形狀的有效識(shí)別[10]。此外為保證像素點(diǎn)均勻性，本文將閾值的像素點(diǎn)設(shè)置為0。

閾值采集過程如圖2所示。

圖2 閾值采集過程

本文采用濾波處理法剔除無效的數(shù)據(jù)信息，主要是降低灰度圖像中的噪點(diǎn)，提高機(jī)器人的識(shí)別率。處理過程是將采集到有效區(qū)域的灰度信息圖像平均分為多個(gè)大小相同的區(qū)域，然后利用標(biāo)準(zhǔn)的圖像像素點(diǎn)作為每個(gè)區(qū)域的平均像素點(diǎn)，不改變區(qū)域大小的情況下，合理剔減、增加每個(gè)區(qū)域內(nèi)的像素點(diǎn)，使整個(gè)圖像信息噪點(diǎn)度降到最低。

本文選用云聚類分析的方法提取自動(dòng)化機(jī)器人視覺圖像的體征點(diǎn)，云聚類提取方法的提取原理是對(duì)圖像的每一個(gè)信息點(diǎn)進(jìn)行識(shí)別，根據(jù)結(jié)果需要和標(biāo)準(zhǔn)，提取出相對(duì)于的視覺圖像特征點(diǎn)，極大地保證了圖像特征點(diǎn)的精度和準(zhǔn)確度。特征提取的過程分為云聚類關(guān)鍵特征分類和提取兩個(gè)部分，云聚類關(guān)鍵特征分類首先將有效圖像信息數(shù)據(jù)的圖像灰度信息機(jī)械能深度量化，根據(jù)圖像的像素?cái)?shù)量為基礎(chǔ)進(jìn)行量化計(jì)算，將取量化值為500～2500之間的有效圖像區(qū)域作為最終的特征點(diǎn)識(shí)別提取區(qū)域。在篩選好有效的視覺形狀特征圖像識(shí)別區(qū)域，通過PCL技術(shù)概述出視覺圖像的整體特征，根據(jù)自動(dòng)機(jī)器人的需要進(jìn)行調(diào)用備份[11,12]。

2 基于PCL的自動(dòng)化機(jī)器人視覺形狀特征識(shí)別算法

自動(dòng)化機(jī)器人如圖3所示。

圖3 自動(dòng)化機(jī)器人

視覺形狀識(shí)別過程如圖4所示。

圖4 基于PCL的自動(dòng)化機(jī)器人視覺形狀特征識(shí)別

2.1 基于PCL的自動(dòng)化機(jī)器人視覺形狀特征的輪廓形狀識(shí)別

基于PCL的自動(dòng)化機(jī)器人視覺形狀特征的輪廓分析主要利用機(jī)器人視覺觀察事物形狀的邊界輪廓邊界像素點(diǎn)的分析識(shí)別，完成視覺形狀特征的輪廓分析。識(shí)別過程數(shù)據(jù)接口如圖5所示。

1）輪廓的長(zhǎng)度。輪廓的長(zhǎng)度是一種簡(jiǎn)單的視覺形狀特征，它是指視覺形狀特征區(qū)域最外圍的輪廓周長(zhǎng)。視覺形狀的特征區(qū)域可以看做是由無數(shù)個(gè)區(qū)域內(nèi)部點(diǎn)和外圍輪廓點(diǎn)構(gòu)成的。外圍輪廓點(diǎn)以8連通鏈碼的排列方式從8個(gè)方向連接組成視覺形狀特征區(qū)域輪廓，其輪廓的長(zhǎng)度通常用外圍輪廓點(diǎn)的數(shù)量衡量。輪廓長(zhǎng)度的計(jì)算方式如式(1)所示。

圖5 識(shí)別過程數(shù)據(jù)接口

在式(1)中，S表示輪廓的長(zhǎng)度；M表示輪廓上擁有的外圍輪廓點(diǎn)數(shù)量；c表示每個(gè)外圍輪廓點(diǎn)的標(biāo)準(zhǔn)長(zhǎng)度。

2）輪廓的直徑。輪廓的直徑是指在視覺形狀特征區(qū)域內(nèi)相離最遠(yuǎn)的外圍輪廓點(diǎn)之間的距離，在某種程度上，輪廓的直徑可以描述視覺形狀特征區(qū)域的大小和形狀。假設(shè)在某一視覺形狀特征區(qū)域中，相距最遠(yuǎn)的兩個(gè)外圍輪廓點(diǎn)為A點(diǎn)和B點(diǎn)，則該視覺形狀特征區(qū)域的輪廓直徑可以用下式(2)表示。

其中，D表示輪廓的直徑。FA、FB都屬于輪廓內(nèi)的點(diǎn)，H表示距離量度，在不同種類的特征分析中，距離量度的值不一定相同。

3）離心率。設(shè)在視覺形狀特征區(qū)域，水平經(jīng)過視覺形狀特征區(qū)域中心點(diǎn)的直線段為長(zhǎng)軸，垂直經(jīng)過區(qū)域中心點(diǎn)的直線段為短軸，則離心率代表長(zhǎng)軸與短軸的筆直。離心率可以大致描繪視覺形狀特征區(qū)域的輪廓，使得任何具有封閉輪廓的視覺形狀特征區(qū)域都可以用橢圓來模擬，改變了傳統(tǒng)視覺形狀特征區(qū)域描述的規(guī)范化，使其描述形式更加靈活[13,14]。

4）輪廓的斜率、曲率和角點(diǎn)。斜率、曲率和角點(diǎn)是描繪視覺形狀特征區(qū)域輪廓的三大要素。其中，輪廓的斜率表示了輪廓上各點(diǎn)的變化速度，明確了各點(diǎn)的指向。曲率表示輪廓上各點(diǎn)沿著輪廓方向變化的情況，展示了輪廓的凹凸性變化，但是由于曲率會(huì)因?yàn)檩喞牟黄交豢煽?，因此在使用曲率前必須?duì)視覺形狀特征區(qū)域進(jìn)行預(yù)處理，才能得到準(zhǔn)確的變化情況。角點(diǎn)是在一定范圍內(nèi)曲率的極值點(diǎn)，通過角點(diǎn)可以基本分析輪廓的變化的復(fù)雜性，明確輪廓變化的幅度[15]。識(shí)別界面如圖6所示。

圖6 識(shí)別界面

2.2 基于PCL的自動(dòng)化機(jī)器人視覺形狀特征的區(qū)域形狀識(shí)別算法分析

通過上述對(duì)基于PCL的自動(dòng)化機(jī)器人視覺形狀特征的輪廓分析后，以PCL技術(shù)為基礎(chǔ)，對(duì)視覺形狀特征的區(qū)域形狀進(jìn)行識(shí)別，將由閉合輪廓曲線形成的視覺形狀特征區(qū)域當(dāng)成一個(gè)識(shí)別整體，整合該區(qū)域內(nèi)的所有像素點(diǎn)。識(shí)別設(shè)備如圖7所示。別的區(qū)域形狀分為四種，如圖8所示。

圖7 識(shí)別設(shè)備

圖8 識(shí)別的區(qū)域形狀

1）區(qū)域重心。區(qū)域重心是一種特殊的視覺形狀特征，當(dāng)與區(qū)域中心不完全相同，在規(guī)則區(qū)域中，區(qū)域中心可以與區(qū)域中心為同一個(gè)點(diǎn)，但在不規(guī)則的視覺形狀特征區(qū)域中，區(qū)域重心能夠更好地描述區(qū)域的全局性。區(qū)域重心的坐標(biāo)計(jì)算方式較為復(fù)雜，原因在于視覺形狀特征區(qū)域內(nèi)的點(diǎn)的數(shù)量較多，且計(jì)算結(jié)果可能不是整數(shù)，其坐標(biāo)的確定具有一定難度。區(qū)域重心的坐標(biāo)計(jì)算公式如式(3)所示。

其中，x表示區(qū)域重心的橫坐標(biāo)；y表示區(qū)域重心的縱坐標(biāo)；e為計(jì)算參數(shù)；

2）區(qū)域面積。區(qū)域面積是視覺形狀的一個(gè)基本特征，不僅表示了特征區(qū)域的大小，更代表了該區(qū)域包含像素點(diǎn)的數(shù)量。對(duì)于某一特征區(qū)域來說，其區(qū)域面積可以用式(4)來計(jì)算。

在式(4)中，（a，b）表示特征區(qū)域內(nèi)像素點(diǎn)的坐標(biāo)。采用該算法可以使區(qū)域面積的計(jì)算簡(jiǎn)單化，加快自動(dòng)化機(jī)器人識(shí)別和計(jì)算的速度。

3）形狀參數(shù)。形狀參數(shù)主要根據(jù)視覺形狀特征的周長(zhǎng)和面積進(jìn)行計(jì)算，可以更全面且緊湊地識(shí)別區(qū)域特征，但其缺點(diǎn)在于對(duì)于變化較小的區(qū)域不敏感。

3 實(shí)驗(yàn)研究

為了驗(yàn)證本文提出的基于PCL的自動(dòng)化機(jī)器人視覺形狀特征識(shí)別算法的有效性，選用本文的識(shí)別算法與傳統(tǒng)識(shí)別算法進(jìn)行實(shí)驗(yàn)對(duì)比。傳統(tǒng)的識(shí)別算法分別為基于信息分析的自動(dòng)化機(jī)器人視覺形狀特征識(shí)別算法、基于數(shù)據(jù)挖掘的自動(dòng)化機(jī)器人視覺形狀特征識(shí)別算法。設(shè)定實(shí)驗(yàn)參數(shù)如表1所示。

表1 實(shí)驗(yàn)參數(shù)

根據(jù)上述實(shí)驗(yàn)參數(shù)，選用本文系統(tǒng)和傳統(tǒng)系統(tǒng)進(jìn)行識(shí)別，得到的識(shí)別時(shí)間實(shí)驗(yàn)結(jié)果如圖9所示。

圖9 識(shí)別時(shí)間實(shí)驗(yàn)結(jié)果

根據(jù)圖9可知，本文提出的基于PCL的自動(dòng)化機(jī)器人視覺形狀特征識(shí)別算法識(shí)別時(shí)間小于傳統(tǒng)系統(tǒng)的識(shí)別時(shí)間。

識(shí)別準(zhǔn)確率實(shí)驗(yàn)結(jié)果：

根據(jù)圖10可知，在相同時(shí)間內(nèi)，本文提出的系統(tǒng)識(shí)別準(zhǔn)確率高于傳統(tǒng)系統(tǒng)。本文體現(xiàn)出的系統(tǒng)具有信息分析能力，能夠從多個(gè)角度探究機(jī)器人的輪廓和特點(diǎn)，一般情況下，在可編程控制器投入使用后，可編程控制器的工作過程分為三個(gè)階段：輸入采樣、用戶程序執(zhí)行和輸出刷新。實(shí)現(xiàn)以上三個(gè)階段稱為“掃描周期”。可編程控制器的CPU在整個(gè)運(yùn)行過程中，以一定的掃描速度重復(fù)執(zhí)行以上三個(gè)步驟，因此識(shí)別準(zhǔn)確度更高。

圖10 識(shí)別準(zhǔn)確率實(shí)驗(yàn)結(jié)果

綜上所述，本文提出的基于PCL的自動(dòng)化機(jī)器人視覺形狀特征識(shí)別算法識(shí)別能力要優(yōu)于傳統(tǒng)算法的識(shí)別能力，實(shí)際應(yīng)用效果更好。

4 結(jié)語

本文深入研究了基于PCL的自動(dòng)化機(jī)器人視覺形狀特征識(shí)別算法，首先了解PCL的概念和基本工作方法，然后逐步分析基于PCL的自動(dòng)化機(jī)器人視覺形狀特征識(shí)別的圖像處理過程、輪廓分析過程以及區(qū)域形狀分析的過程，完成基于PCL的自動(dòng)化機(jī)器人視覺形狀特征識(shí)別算法分析的研究。本文在基于PCL的自動(dòng)化機(jī)器人視覺形狀特征識(shí)別的圖像處理分析中設(shè)計(jì)的闕值圖像特征提取方法，可以排除其他外界圖像因素的干擾，具有操作簡(jiǎn)單、靈敏度高的優(yōu)點(diǎn)，有效的提高自動(dòng)化機(jī)器人視覺形狀特征識(shí)別算法的計(jì)算準(zhǔn)確度，且通過對(duì)視覺形狀特征區(qū)域的輪廓分析和區(qū)域識(shí)別，可以更加快速地提取視覺形狀特征區(qū)域的特征點(diǎn)，且使其識(shí)別效率和準(zhǔn)確率更高，同時(shí)也促進(jìn)了PCL技術(shù)和自動(dòng)化機(jī)器人的進(jìn)一步發(fā)展和應(yīng)用。