王煜升張波濤吳秋軒呂 強(qiáng)

(杭州電子科技大學(xué)自動(dòng)化學(xué)院，浙江 杭州310018)

家庭服務(wù)機(jī)器人所處的環(huán)境通常是混雜無序的，待操作目標(biāo)種類繁多，形狀不規(guī)則，其通用隨機(jī)抓取任務(wù)面臨極大的挑戰(zhàn)，如圖1所示。而目標(biāo)的識(shí)別與定位則是執(zhí)行抓取任務(wù)的前提。在非結(jié)構(gòu)或半結(jié)構(gòu)化的室內(nèi)環(huán)境中，物體的放置具有隨機(jī)性，通常存在自遮擋或相互遮擋的現(xiàn)象，這種遮擋屬于頻繁出現(xiàn)、干擾嚴(yán)重、亟待解決的問題。

圖1 家庭環(huán)境中的遮擋情況

近年來，遮擋問題引起了一些研究者的注意并對(duì)其進(jìn)行研究探索，提出了一些遮擋目標(biāo)的識(shí)別方法，例如:文獻(xiàn)[1]基于輪廓[2]片段空間關(guān)系，分別提取模板圖像與目標(biāo)圖像骨架[3]關(guān)鍵點(diǎn)與質(zhì)心建立坐標(biāo)系，然后在各自圖像建立一種空間關(guān)系約束準(zhǔn)則以實(shí)現(xiàn)遮擋識(shí)別。上述方法在特定條件下的圖像處理具有較高的識(shí)別率，但是在室內(nèi)對(duì)常用物體進(jìn)行遮擋識(shí)別時(shí)實(shí)用性相對(duì)較??；Mirunalini等人[4]采用基于尺度不變特征變換(SIFT)與卡爾曼(Kalman)濾波的遮擋識(shí)別方法，將具有很好跟蹤性能的Kalman濾波算法與SIFT結(jié)合，實(shí)現(xiàn)遮擋目標(biāo)的跟蹤。然而其方法主要側(cè)重于識(shí)別與跟蹤，針對(duì)遮擋目標(biāo)抓取問題比單純的識(shí)別更具挑戰(zhàn)性。

目標(biāo)物體的位置信息是家庭服務(wù)機(jī)器人精確抓取的關(guān)鍵因素之一。TOF[5](Time of flight，飛行時(shí)間測(cè)距法)作為一種常用測(cè)距傳感器，可以實(shí)現(xiàn)遠(yuǎn)距離測(cè)量，但其計(jì)算量大，資源消耗較多，一般用于無人駕駛領(lǐng)域；結(jié)構(gòu)光相機(jī)[6]以其成本低、近距離范圍精度較高等優(yōu)勢(shì)被廣泛使用，不足之處在于易受光線干擾，室外效果較差；相較于上述兩類相機(jī)，雙目相機(jī)可以直接測(cè)量空間目標(biāo)點(diǎn)的三維信息[7－9]，受環(huán)境干擾較小，可以實(shí)現(xiàn)目標(biāo)物的精確定位。因此本文選用雙目相機(jī)作為視覺傳感器。

雙目視覺模擬人類的視覺[10]功能，屬于實(shí)現(xiàn)機(jī)器人感知外部環(huán)境[11]的關(guān)鍵技術(shù)之一。隨著智能生活的發(fā)展，室內(nèi)服務(wù)機(jī)器人[12－15]越來越成為研究的熱點(diǎn)，雙目相機(jī)以其結(jié)構(gòu)簡(jiǎn)單、非接觸感知以及適應(yīng)性強(qiáng)等優(yōu)勢(shì)在機(jī)器人移動(dòng)抓取中具有重要作用，近年來越來越多研究學(xué)者將雙目相機(jī)應(yīng)用于機(jī)器人抓取領(lǐng)域。物體的形態(tài)特征例如顏色[16]、紋理等經(jīng)常被視為一種區(qū)分目標(biāo)物與其他物體的手段之一，Ren Y等人[17]利用雙目相機(jī)對(duì)具有明顯顏色特征的目標(biāo)物進(jìn)行顏色分割獲取其三維坐標(biāo)，進(jìn)而實(shí)現(xiàn)機(jī)械臂抓取。該方法對(duì)具有明顯顏色特征的物體具有較好表現(xiàn)，而在顏色相近區(qū)域內(nèi)該方法并不適用。此外，也有學(xué)者將多種特征檢測(cè)算法進(jìn)行融合從而達(dá)到精確識(shí)別的目的。例如文獻(xiàn)[18]將顏色識(shí)別與Canny邊緣檢測(cè)進(jìn)行融合，對(duì)感興趣區(qū)域內(nèi)的目標(biāo)進(jìn)行識(shí)別定位以提高機(jī)械臂抓取精度。若在一個(gè)較為復(fù)雜的環(huán)境中，其感興趣圖像內(nèi)的紋理信息偏多，對(duì)區(qū)域內(nèi)輪廓提取難度加大，可能無法實(shí)現(xiàn)有效定位抓取。

受限于實(shí)際環(huán)境的不確定性，家庭服務(wù)機(jī)器人的抓取對(duì)象極有可能被其他物體遮擋，但目前的目標(biāo)抓取研究大多針對(duì)非遮擋目標(biāo)，或者特殊任務(wù)下的特殊目標(biāo)，多數(shù)研究學(xué)者的研究?jī)?nèi)容都是基于非遮擋物體進(jìn)行的。因此，利用局部信息對(duì)遮擋目標(biāo)進(jìn)行準(zhǔn)確識(shí)別具有重要實(shí)際意義。對(duì)于已知物體，機(jī)器人可直接根據(jù)已規(guī)劃好的候選抓取位姿對(duì)目標(biāo)進(jìn)行后續(xù)操作，然而在一個(gè)不確定性的復(fù)雜環(huán)境中，抓取物體未知，物體距離位姿不明，目標(biāo)存在遮擋，室內(nèi)機(jī)器人通過視覺傳感器僅能獲取目標(biāo)物體的部分非完整信息，機(jī)器人需要分析該非完整信息以規(guī)劃出準(zhǔn)確的抓取位姿，這使得目標(biāo)物體定位與抓取問題更具復(fù)雜性。若機(jī)器人在對(duì)被遮擋目標(biāo)進(jìn)行定位抓取[19－20]時(shí)采取無遮擋的取點(diǎn)方法，所獲抓取點(diǎn)位置可能產(chǎn)生漂移，甚至脫離物體，難以實(shí)現(xiàn)準(zhǔn)確的抓取點(diǎn)定位。對(duì)遮擋目標(biāo)抓取點(diǎn)定位需要解決以下問題:①在保障實(shí)時(shí)性的前提下，采用準(zhǔn)確的識(shí)別策略對(duì)被遮擋的目標(biāo)進(jìn)行檢測(cè)識(shí)別。②在目標(biāo)物體被遮擋時(shí)，機(jī)器人能夠排除遮擋物的干擾，在未遮擋的區(qū)域上選取合適的抓取點(diǎn)并實(shí)現(xiàn)精確定位。

針對(duì)上述問題，本文提出一種基于雙目視覺的遮擋目標(biāo)期望抓取點(diǎn)識(shí)別與定位方法，采用隨機(jī)一致性采樣對(duì)特征點(diǎn)實(shí)現(xiàn)多次篩選，消除誤匹配，對(duì)特征點(diǎn)檢測(cè)與匹配進(jìn)行優(yōu)化。構(gòu)建了一種物體期望抓取位置定位策略，用于對(duì)被遮擋目標(biāo)物體的期望抓取位置定位，根據(jù)常用物體的相似性與差異性對(duì)常用物體進(jìn)行分類，模仿人類抓取物體的經(jīng)驗(yàn)與習(xí)慣，構(gòu)建了機(jī)器人抓取不同類別物體的期望位置模型，基于該模型對(duì)物體的期望抓取位置采樣，建立了期望位置模型庫(kù)，利用期望位置模型庫(kù)對(duì)目標(biāo)物體無遮擋部分區(qū)域進(jìn)行匹配定點(diǎn)，確定該物體在雙目左右攝像機(jī)中的抓取點(diǎn)位置。最后根據(jù)同一目標(biāo)物體在左右兩幅圖像像素點(diǎn)偏差與幾何關(guān)系恢復(fù)其三維坐標(biāo)，實(shí)現(xiàn)雙目定位，算法流程如圖2所示。

圖2 算法流程圖

1 Multi-RANSAC-SURF遮擋目標(biāo)識(shí)別

機(jī)械臂的手眼協(xié)同對(duì)算法實(shí)時(shí)性要求較高，為提高識(shí)別算法的實(shí)時(shí)性，本文構(gòu)建了分層過濾的隨機(jī)抽樣一致性(Multilayer Random Sample Consensus，Multi-RANSAC)誤匹配消除方法。第一層采用較大的歐式距離對(duì)目標(biāo)圖像中大量匹配點(diǎn)進(jìn)行過濾篩選，然后對(duì)所得到結(jié)果進(jìn)行較小歐式距離的精細(xì)過濾篩選。并將其與SURF(Speeded Up Robust Features，加速穩(wěn)健特征)結(jié)合，構(gòu)建了Multi-RANSAC-SURF目標(biāo)識(shí)別策略。在該策略中，首先使用SURF與FLANN(Fast Library for Approximate Nearest Neighbors，快速最近鄰搜索包)進(jìn)行關(guān)鍵點(diǎn)檢測(cè)與匹配，在此基礎(chǔ)上，加入Multi-RANSAC算法消除誤匹配。而后通過變換矩陣計(jì)算物體邊界，對(duì)遮擋目標(biāo)進(jìn)行外接模板還原，最終實(shí)現(xiàn)遮擋識(shí)別，具體算法框架如圖3所示。

圖3 Multi-RANSAC-SURF遮擋目標(biāo)識(shí)別流程

SURF算法使用局部Hessian(黑塞矩陣)對(duì)關(guān)鍵點(diǎn)進(jìn)行定義[21]。Hessian是一個(gè)由多元函數(shù)二階偏導(dǎo)數(shù)構(gòu)成的方陣，用以描述極點(diǎn)處的局部曲率。圖像某像素點(diǎn)X處的矩陣定義如下:

式中:σ是濾波系數(shù)，它表示圖像被平滑的程度，Lxx(X，σ)、Lxy(X，σ)、Lyy(X，σ)為高斯函數(shù)g(σ)與像素點(diǎn)X處的卷積。由于積分圖像中任一點(diǎn)像素點(diǎn)灰度值等于在該像素點(diǎn)之前所有灰度值總和，圖像中任意矩形框的像素值之和的計(jì)算復(fù)雜度僅為常數(shù)級(jí)，SURF利用積分圖像的計(jì)算優(yōu)勢(shì)，將近似兩個(gè)高斯內(nèi)核差的盒式濾波器[22](如圖4(b)所示)進(jìn)行卷積來計(jì)算Hessian，由Dxx(X，σ)、Dxy(X，σ)、Dyy(X，σ)代替，得到近似構(gòu)建的Hessian矩陣:

圖4 兩種濾波器

其行列式為:

式中:ω為權(quán)重值取0.9[23]。將關(guān)鍵點(diǎn)定義為det(Happrox)超過某個(gè)閾值的局部極值。

給定任意新的旋轉(zhuǎn)圖像，都可以找到相同的關(guān)鍵點(diǎn)，這就是SURF的旋轉(zhuǎn)不變特性。SURF為每個(gè)特征點(diǎn)分配一個(gè)主方向以保證其旋轉(zhuǎn)不變，其原理是以特征點(diǎn)為中心，在半徑為6 s(s為特征點(diǎn)所在的尺度值，表示尺度系數(shù))的鄰域內(nèi)，計(jì)算所有點(diǎn)在x(水平)和y(垂直)方向的Haar小波響應(yīng)，同時(shí)使用高斯加權(quán)函數(shù)對(duì)Haar小波的響應(yīng)值進(jìn)行加權(quán)，然后使用一個(gè)60度的扇形滑動(dòng)窗口(如圖5所示)，統(tǒng)計(jì)其范圍內(nèi)所有點(diǎn)的水平、垂直響應(yīng)之和，選擇最長(zhǎng)矢量方向作為特征的主方向。

圖5 圓形鄰域

基于旋轉(zhuǎn)不變特性，在進(jìn)行遮擋目標(biāo)識(shí)別時(shí)，無需考慮物體的旋轉(zhuǎn)方向，任意擺放位置都可以確定兩個(gè)關(guān)鍵點(diǎn)是否為正確匹配項(xiàng)。

2 基于期望位置模型的匹配定位

針對(duì)遮擋目標(biāo)的定位抓取問題，本方法的基本原理如下:首先，構(gòu)建物體期望位置抓取模型，并基于該模型預(yù)先對(duì)不同種類目標(biāo)的模板進(jìn)行離線采集，然后，建立期望抓取位置模型庫(kù)，該模型庫(kù)包含多種候選模板；當(dāng)利用上文所提Multi-RANSACSURF獲取遮擋目標(biāo)所在外接矩形區(qū)域后，便在已構(gòu)建好的期望抓取位置模型庫(kù)中進(jìn)行檢索，將檢索結(jié)果與目標(biāo)進(jìn)行匹配，以此定位被遮擋目標(biāo)的期望抓取位置，系統(tǒng)框架如圖6所示。

圖6 期望位置匹配定位框架圖

2.1 期望位置定位抓取模型

本文所提期望位置抓取模型主要考慮了以下兩個(gè)方面:①模仿人類抓取常用物體時(shí)的經(jīng)驗(yàn)與習(xí)慣；②目標(biāo)被部分遮擋時(shí)，如何對(duì)其抓取位置進(jìn)行定位。模型具體內(nèi)容如下:針對(duì)生活常用物體，按類別分為瓶狀物體、書本類物體、水杯類物體以及小型物體，然后分別確定這幾類物體的期望抓取位置，總結(jié)為以下四類常用物體的期望位置定位抓取模型(圖7)和期望位置模型參數(shù)表(表1)?；谠撈谕恢米ト∧Ｐ团c參數(shù)表，在實(shí)現(xiàn)遮擋目標(biāo)識(shí)別基礎(chǔ)上，基于期望位置模型庫(kù)對(duì)識(shí)別到的目標(biāo)進(jìn)行匹配定位。設(shè)目標(biāo)的長(zhǎng)度為col，高度為row，m、n為比例參數(shù)，左上角像素坐標(biāo)為(temloc.x， temloc.y)，定位抓取點(diǎn)坐標(biāo)為Point(x，y)。

表1 常見物體期望位置模型參數(shù)

圖7 期望位置定位抓取模型

表達(dá)式為:

2.2 期望位置模型庫(kù)

在上述期望位置模型基礎(chǔ)上，對(duì)這幾類常見物體的期望位置進(jìn)行圖像采集，構(gòu)建一個(gè)期望位置模型庫(kù)，該模型庫(kù)包含每類物體期望位置若干處左右雙目圖像的模板圖(如圖8所示)。

圖8 部分期望位置模型庫(kù)

本文采用融合模板匹配算法的期望位置匹配策略，即基于2.1節(jié)所構(gòu)建的期望位置抓取模型，采用模板匹配算法利用模板圖對(duì)檢測(cè)到的目標(biāo)進(jìn)行定位，尋找該類物體在左右圖像中的最佳抓取位置?；谠摬呗?，在整個(gè)圖像區(qū)域發(fā)現(xiàn)與給定子圖像匹配的小塊區(qū)域。模板匹配首先需要一個(gè)模板圖像T(給定子圖像)和一個(gè)待檢測(cè)圖像S，然后在待檢測(cè)圖像上，從左到右，從上到下計(jì)算模板圖像與重疊子圖像的匹配程度，匹配程度越大則相同性就越大，采用標(biāo)準(zhǔn)化差值平方和匹配(CV＿TM＿SQDIFF＿NORMED)算法進(jìn)行圖像相似度計(jì)算，其原理是:利用圖像與模板各像素歸一化的平方和進(jìn)行匹配，匹配值越低，相似度越高。

設(shè)T(x，y)為模板，I(x，y)為待檢測(cè)圖像，R(x，y)為描述相似度的函數(shù):

3 基于雙目視覺的期望抓取位置定位方法

相機(jī)成像坐標(biāo)與世界坐標(biāo)之間存在一個(gè)映射關(guān)系，稱之為矩陣表示，攝像機(jī)標(biāo)定就是為了找出這種矩陣表示，標(biāo)定結(jié)果的準(zhǔn)確性決定后期定位的精度，本文采用張正友標(biāo)定法進(jìn)行攝像頭標(biāo)定。攝像機(jī)標(biāo)定主要涉及這三個(gè)參數(shù):內(nèi)參、外參和畸變。

內(nèi)參:攝像機(jī)坐標(biāo)與理想坐標(biāo)系的關(guān)系，內(nèi)參數(shù)公式A:

式中:u0、v0為中心像素坐標(biāo)，fx、fy為u、v軸的有效焦距。

畸變D:

式中:k1、k2、k3為徑向畸變參數(shù)，p1、p2為切向畸變參數(shù)。

外參:攝像機(jī)在世界坐標(biāo)系的位置和方向，主要包括旋轉(zhuǎn)矩陣R、平移矩陣T，其中旋轉(zhuǎn)矩陣R:

式中:ri(i∈[1，9])為旋轉(zhuǎn)參數(shù)。

平移矩陣T:

式中:tx、ty、tz為平移參數(shù)。

完成標(biāo)定之后利用Bouguet算法進(jìn)行校正，Bouguet算法的宗旨在于重投影變化達(dá)到最小，以實(shí)現(xiàn)畸變最小化目的，最終得到的重投影矩陣Q:

式中:(cx，cy)為主點(diǎn)，c′x為右側(cè)視圖的x軸主點(diǎn)。如果主光線相較于無限遠(yuǎn)，那么Q的右下角數(shù)值為0，即cx＝c′x，至此，標(biāo)定過程完成。

3.1 平行雙目視覺測(cè)距

圖9 為平行雙目視覺模型。兩個(gè)攝像頭共面且位于同一水平面，其各項(xiàng)性能指標(biāo)均相同。C1、C2兩個(gè)光心相距為b，焦距為f，空間某一位置坐標(biāo)P在兩個(gè)攝像頭成像平面的坐標(biāo)分別為P1(xl，yl)、P2(xr，yr)，定義視差d＝xl－xr。

圖9 平行雙目視覺模型

假設(shè)左攝像頭成像坐標(biāo)系與世界坐標(biāo)系重合，那么根據(jù)三角測(cè)量原理，可以求出P點(diǎn)的世界坐標(biāo)(X，Y，Z):

3.2 誤差參數(shù)分析

以深度值Z為例，設(shè)Δx為偏離誤差，那么:

則距離誤差ΔZ:

由此可知，偏離誤差越小，雙目測(cè)距誤差越小。

4 實(shí)驗(yàn)結(jié)果與分析

本文采用的雙目相機(jī)如圖10所示，其參數(shù)如表2所示。使用22 mm×22 mm的11×8(11、8分別是行、列交叉點(diǎn)數(shù)量)棋盤格標(biāo)定板(圖11)進(jìn)行相機(jī)標(biāo)定實(shí)驗(yàn)，其中標(biāo)定板初始位置位于雙目相機(jī)光心中間正前方20 cm處，標(biāo)定板在圖像中的面積占比要高于50%，然后分別從正對(duì)、左傾、右傾、上傾、下傾等角度拍攝標(biāo)定板進(jìn)行雙目標(biāo)定。

圖10 雙目相機(jī)

圖11 標(biāo)定黑白棋盤格

表2 雙目相機(jī)參數(shù)

標(biāo)定參數(shù)中，左攝像頭內(nèi)參矩陣:

畸變:

右攝像頭內(nèi)參矩陣:

畸變:

旋轉(zhuǎn)矩陣:

平移向量:

根據(jù)上述參數(shù)，采用Bouguet算法進(jìn)行立體校正，所得到的重投影矩陣Q如下:

所得攝像頭焦距為698.4像素，基線長(zhǎng)度b(baseline，左右相機(jī)光心之間的距離)為120.717 mm。

4.1 遮擋場(chǎng)景下的識(shí)別

本文選取保溫杯、書本、水杯、遙控器等四類家庭中的常用物體作為實(shí)驗(yàn)對(duì)象。為了體現(xiàn)相對(duì)真實(shí)的遮擋環(huán)境，隨機(jī)選取了一個(gè)實(shí)驗(yàn)場(chǎng)地進(jìn)行測(cè)試，使用方形紙盒作為遮擋物，將目標(biāo)固定在500 mm位置處，對(duì)上述物體進(jìn)行基于Multi-RANSAC-SURF的遮擋識(shí)別實(shí)驗(yàn)。與此同時(shí)，為探究不同遮擋比例對(duì)本文所提算法的影響，按照25%~30%、40%~50%以及65%~70%的遮擋比例分別從定性與定量角度進(jìn)行對(duì)比，實(shí)驗(yàn)結(jié)果如圖12所示。

圖12 不同遮擋比例的識(shí)別結(jié)果

為了進(jìn)行定量比較，分別統(tǒng)計(jì)上述四類物體在不同遮擋比例下的特征點(diǎn)正確匹配數(shù)，如表3與圖13所示。

圖13 不同遮擋比例特征點(diǎn)數(shù)比較圖

表3 不同遮擋比例下的特征點(diǎn)正確匹配數(shù)量

由圖12可以看出，分別按照25%~30%、40%~50%和65%~70%的遮擋比例對(duì)四類目標(biāo)進(jìn)行識(shí)別，目標(biāo)均可以被有效識(shí)別并框出，說明本文所提識(shí)別算法有較好的魯棒性；由表3和圖13可見，隨遮擋比例增加，特征點(diǎn)正確匹配數(shù)隨之下降，說明識(shí)別精度隨遮擋比例增加而降低。

為驗(yàn)證本文所提識(shí)別算法的實(shí)時(shí)性，另選取兩種識(shí)別算法KAZE和SIFT進(jìn)行對(duì)比，統(tǒng)計(jì)三種算法的運(yùn)行時(shí)間，所得結(jié)果如表4所示。由表4對(duì)比結(jié)果可以看出，本文所提算法的實(shí)時(shí)性優(yōu)于其他兩種算法。

表4 三種算法的目標(biāo)檢測(cè)時(shí)間

4.2 基于雙目視覺的期望抓取位置定位

在完成遮擋識(shí)別基礎(chǔ)上，基于期望位置抓取模型，利用預(yù)先構(gòu)建好的期望位置模型庫(kù)進(jìn)行匹配定位。考慮到家庭服務(wù)機(jī)器人抓取目標(biāo)的可及范圍通常在500 mm左右，因此實(shí)驗(yàn)主要對(duì)500 mm處的算法性能進(jìn)行測(cè)試，同時(shí)也對(duì)其他距離的部分性能指標(biāo)進(jìn)行了測(cè)試，如:300 mm、800 mm。圖14為不同物體的定位抓取位置，表5~表8為500 mm位置處定位結(jié)果。

由圖14可見雙目定位結(jié)果符合本文所述的期望位置，由表5~表8給出的測(cè)量結(jié)果可以看出使用該期望位置模型可以實(shí)現(xiàn)較高精度的雙目定位，具有良好的空間一致性。與此同時(shí)，為探究不同距離雙目定位精度，另選取了300 mm和800 mm對(duì)目標(biāo)物進(jìn)行對(duì)比測(cè)試，以驗(yàn)證不同距離下的定位效果，部分實(shí)驗(yàn)數(shù)據(jù)如表9~表12所示。

表8 以遙控器為研究對(duì)象在500 mm定位結(jié)果

表9 不同距離下保溫杯的定位結(jié)果

表12 不同距離下遙控器的定位結(jié)果

圖14 基于期望位置定位模型的雙目定位結(jié)果

表5 以保溫杯為研究對(duì)象在500 mm定位結(jié)果

表6 以書本為研究對(duì)象在500 mm定位結(jié)果

表7 以水杯為研究對(duì)象在500 mm定位結(jié)果

表10 不同距離下書本的定位結(jié)果

表11 不同距離下水杯的定位結(jié)果

為了更好地表征實(shí)驗(yàn)結(jié)果的準(zhǔn)確性，本實(shí)驗(yàn)引入平均誤差，具體公式如下:

式中:Ea為平均誤差，S為實(shí)際值，Si為實(shí)驗(yàn)測(cè)量值，n為實(shí)驗(yàn)次數(shù)。統(tǒng)計(jì)不同距離下X、Y、Z坐標(biāo)的平均誤差，結(jié)果如表13~表15所示。

表13 不同距離下目標(biāo)X坐標(biāo)的平均誤差單位:mm

表15 不同距離下目標(biāo)Z坐標(biāo)的平均誤差單位:mm

表14 不同距離下目標(biāo)Y坐標(biāo)的平均誤差單位:mm

由表9~表15分析可知，所提方法的定位精度并非越近越高，距離較近(300 mm)時(shí)由于左右相機(jī)視角問題，存在較大的視差影響，雙目測(cè)距的誤差相對(duì)較大；距離較遠(yuǎn)(500 mm、800 mm)時(shí)雙目測(cè)距效果較好，誤差較小。

5 結(jié)論

本文提出了一種基于雙目視覺傳感器的遮擋目標(biāo)期望抓取點(diǎn)識(shí)別與定位方法，首先利用Multi-RANSAC-SURF算法對(duì)被遮擋目標(biāo)進(jìn)行識(shí)別；在此基礎(chǔ)上完成雙目攝像頭的標(biāo)定，獲取雙目相機(jī)的內(nèi)參與外參；然后利用本文提出的期望位置定位抓取模型，構(gòu)建一個(gè)期望位置模型庫(kù)，利用該模型庫(kù)進(jìn)行未遮擋目標(biāo)區(qū)域匹配，并確定左右相機(jī)中期望位置對(duì)應(yīng)的像素坐標(biāo)，同時(shí)結(jié)合雙目定位算法，實(shí)現(xiàn)了被遮擋物體的期望位置較高精度的定位。實(shí)驗(yàn)結(jié)果表明，本文所提出的期望位置抓取模型具有較好的應(yīng)用價(jià)值。