馬宏偉，晁勇，薛旭升，毛清華，王川偉

（1.西安科技大學(xué) 機(jī)械工程學(xué)院，陜西 西安 710054；2.陜西省礦山機(jī)電裝備智能檢測(cè)與控制重點(diǎn)實(shí)驗(yàn)室，陜西 西安 710054）

0 引言

掘錨機(jī)器人是實(shí)現(xiàn)綜掘工作面掘進(jìn)與支護(hù)作業(yè)的集成裝備，能夠有效提高工人的工作效率。目前在巷道掘進(jìn)過(guò)程中，主要依靠工人的施工經(jīng)驗(yàn)調(diào)整掘錨機(jī)器人以完成掘進(jìn)與鉆錨作業(yè)，難以保證其定位精度和效率，容易造成工作面嚴(yán)重的超挖、欠挖與錨桿安裝偏移等問(wèn)題[1]。因此，為了實(shí)現(xiàn)巷道斷面的高質(zhì)量成型及精準(zhǔn)支護(hù)，必須保證對(duì)掘錨機(jī)器人的行駛位移實(shí)現(xiàn)精準(zhǔn)把控，以提升掘錨機(jī)器人系統(tǒng)的安全性、可靠性、自動(dòng)化和智能化。

目前常用于井下掘錨機(jī)器人的定位方法主要有慣性導(dǎo)航系統(tǒng)、超聲定位、全站儀定位、激光雷達(dá)定位及超寬帶定位等[2]。慣性導(dǎo)航系統(tǒng)能夠在短時(shí)間內(nèi)精確檢測(cè)位姿信息，但在長(zhǎng)時(shí)間的運(yùn)行過(guò)程中累計(jì)誤差較大[3]；超聲定位性價(jià)比高，但受距離、溫度、光線等因素影響較大[4]；全站儀定位速度快，精度高，但需要人工搬運(yùn)[5]；激光雷達(dá)體積小，分辨率高，但抗干擾能力差[6]；超寬帶定位功耗低、抗干擾能力強(qiáng)，但通信距離短[7]。由于煤礦巷道環(huán)境復(fù)雜，各種機(jī)械設(shè)備繁多，使用傳統(tǒng)定位方法具有局限性。雙目視覺(jué)定位技術(shù)是一種基于雙目視差原理計(jì)算像素點(diǎn)深度信息的技術(shù)，其采用非接觸的視覺(jué)測(cè)量方式，能夠有效利用巷道環(huán)境中已有特征，從中提取出必要的特征信息，以此解算機(jī)器人的位姿信息，能夠有效降低定位系統(tǒng)的復(fù)雜度，極大地提升掘錨機(jī)器人定位系統(tǒng)的自主性[8]。雙目視覺(jué)定位技術(shù)的核心是立體匹配算法，Census變換算法是目前使用最廣泛的立體匹配算法[9]，但是采用傳統(tǒng)Census變換算法得到的視差圖具有局限性，為了增強(qiáng)傳統(tǒng)Census變換算法的立體匹配性能，本文對(duì)Census變換算法進(jìn)行了改進(jìn)。文獻(xiàn)[10]針對(duì)紋理弱和深度不連續(xù)區(qū)域誤匹配的問(wèn)題，在傳統(tǒng)Census變換算法中引入像素差平均值的計(jì)算來(lái)自動(dòng)調(diào)整匹配窗口的大小，該方法能夠有效減少算法的運(yùn)行時(shí)間并降低誤匹配率，但對(duì)于遮擋區(qū)域的大面積視差失真現(xiàn)象仍不能有效地解決。文獻(xiàn)[11]針對(duì)中心像素點(diǎn)突變問(wèn)題，在傳統(tǒng)Census變換算法中引入自適應(yīng)中心像素值權(quán)重的視差估計(jì)，通過(guò)計(jì)算鄰域像素點(diǎn)的平均值，以此來(lái)代替中心像素值，該方法減少了因中心像素點(diǎn)突變而發(fā)生的誤匹配，但在色差變化過(guò)大的場(chǎng)景下，鄰域像素平均值與中心像素值相差過(guò)大，仍然會(huì)造成較多誤匹配。文獻(xiàn)[12]在傳統(tǒng)Census變換算法中引入自適應(yīng)支持權(quán)值方法，在計(jì)算中心像素的同時(shí)，考慮歐氏距離與輻射差異的權(quán)重，能夠有效保持圖像邊緣信息，但會(huì)將輪廓邊緣的黑洞區(qū)域填滿，呈現(xiàn)錯(cuò)誤的物體輪廓。文獻(xiàn)[13]在傳統(tǒng)Census變換算法中引入多中心點(diǎn)融合監(jiān)督方法，通過(guò)擴(kuò)大匹配窗口，將1個(gè)中心像素點(diǎn)增加到4個(gè)像素點(diǎn)，通過(guò)相互融合監(jiān)督的方式排除誤匹配點(diǎn)，該方法能夠大幅提升匹配率，但是增加了計(jì)算量，導(dǎo)致運(yùn)行時(shí)間過(guò)長(zhǎng)。

針對(duì)掘錨機(jī)器人行駛過(guò)程中存在位移檢測(cè)精度低的問(wèn)題，本文提出了一種基于雙目視覺(jué)的掘錨機(jī)器人行駛位移檢測(cè)方法。首先，針對(duì)煤礦井下復(fù)雜環(huán)境，對(duì)傳統(tǒng)Census變換算法中的相似性檢測(cè)函數(shù)進(jìn)行改進(jìn)，提高了雙目立體匹配的精度；其次，利用圖像處理算法識(shí)別并提取錨桿特征點(diǎn)，對(duì)特征點(diǎn)進(jìn)行最小二乘法空間直線擬合，在此直線上建立平行于截面的平面；最后建立“掘錨機(jī)器人?已支護(hù)錨桿”定位模型，進(jìn)行模擬定位實(shí)驗(yàn)并分析定位誤差。

1 掘錨機(jī)器人視覺(jué)測(cè)距方法原理

通過(guò)在掘錨機(jī)器人機(jī)身頂部安裝雙目相機(jī)，監(jiān)測(cè)機(jī)器人后方巷道頂部的已支護(hù)錨桿，分析掘錨機(jī)器人、雙目相機(jī)與已支護(hù)錨桿的空間位置關(guān)系，建立基于分布式錨桿的雙目視覺(jué)測(cè)距模型，并通過(guò)模型計(jì)算得出雙目相機(jī)位置信息，求解掘錨機(jī)器人在巷道中相對(duì)于錨桿的行駛距離。

視覺(jué)定位原理如圖1所示。以雙目相機(jī)光心為坐標(biāo)原點(diǎn)，以沿掘錨機(jī)器人垂直于側(cè)幫方向、豎直方向和前進(jìn)方向分別為x軸、y軸和z軸，建立三維坐標(biāo)系，設(shè)D為雙目相機(jī)與錨桿特征點(diǎn)之間的空間距離，E為雙目相機(jī)與錨桿所在平行于截面的平面（簡(jiǎn)稱平行截面）之間的垂直距離，通過(guò)幾何關(guān)系解算E，即可得到掘錨機(jī)器人相對(duì)于已支護(hù)錨桿的行駛距離。

圖1 視覺(jué)定位原理Fig.1 Visual positioning principle

視覺(jué)測(cè)距系統(tǒng)主要由視覺(jué)信息獲取模塊、誤差分析模塊和機(jī)身運(yùn)動(dòng)控制模塊組成，如圖2所示。視覺(jué)信息獲取模塊對(duì)圖像進(jìn)行預(yù)處理，提取圖像中所需的特征信息，并將其轉(zhuǎn)換為視覺(jué)信息。誤差分析模塊對(duì)視覺(jué)信息進(jìn)行分析，將計(jì)算得到的位移距離與理論位移距離進(jìn)行對(duì)比，得到機(jī)身行駛位移誤差。將運(yùn)動(dòng)距離誤差傳入機(jī)身運(yùn)動(dòng)控制模塊，由機(jī)身運(yùn)動(dòng)控制卡發(fā)送誤差補(bǔ)償數(shù)據(jù)，同時(shí)向行駛機(jī)構(gòu)下發(fā)控制指令以驅(qū)動(dòng)機(jī)身行駛到預(yù)計(jì)的位置。

圖2 視覺(jué)測(cè)距系統(tǒng)結(jié)構(gòu)Fig.2 Structure of vision ranging system

視覺(jué)信息獲取模塊是視覺(jué)測(cè)距系統(tǒng)的核心部分，主要步驟如下：

（1）相機(jī)標(biāo)定與立體校正。通過(guò)雙目相機(jī)采集錨桿的原始圖像，再通過(guò)相機(jī)標(biāo)定后得到相機(jī)的畸變系數(shù)、內(nèi)外參矩陣等參數(shù)，對(duì)采集到的圖像進(jìn)行立體校正。

（2）雙目立體匹配。對(duì)校正后的左右視圖采用Census變換算法進(jìn)行匹配代價(jià)計(jì)算，得到視差圖，由此可得到圖像中像素點(diǎn)的深度信息。

（3）錨桿輪廓特征提取。采用Sobel邊緣檢測(cè)算法對(duì)視差圖中的錨桿進(jìn)行輪廓特征提取，突出錨桿輪廓特征。

（4）錨桿特征點(diǎn)提取。根據(jù)錨桿輪廓特征，采用最小外接矩形與最大外接矩形組合算法（簡(jiǎn)稱組合外接矩形算法）提取錨桿輪廓的邊界點(diǎn)，選取錨桿與頂板相接處的邊界點(diǎn)為特征點(diǎn)，輸出其像素坐標(biāo)。

（5）特征點(diǎn)坐標(biāo)轉(zhuǎn)換。通過(guò)分析錨桿特征點(diǎn)像素坐標(biāo)與掘錨機(jī)器人世界坐標(biāo)的轉(zhuǎn)換關(guān)系，將錨桿特征點(diǎn)像素坐標(biāo)轉(zhuǎn)換為世界坐標(biāo)。

（6）特征點(diǎn)空間直線擬合。采用最小二乘法將同一排錨桿的特征點(diǎn)世界坐標(biāo)擬合成一條直線，在該直線上建立平行截面，計(jì)算相機(jī)與平行截面的距離。

2 雙目立體匹配視差圖獲取

2.1 分布式錨桿多目標(biāo)雙目視差原理

雙目視覺(jué)測(cè)距原理如圖3所示。其中，P為錨桿特征點(diǎn)，Ol，Or分別為左右相機(jī)光心，Pl，Pr分別為P點(diǎn)在左右相機(jī)成像平面上的成像點(diǎn)，OCl-XYlZl，OCr-XYrZr分別為左右相機(jī)的圖像坐標(biāo)系。左右相機(jī)光心發(fā)射2條射線，在同名點(diǎn)處相交，以此確定唯一目標(biāo)點(diǎn)，通過(guò)三角法計(jì)算出目標(biāo)點(diǎn)與相機(jī)之間的距離信息[14]。

圖3 雙目視覺(jué)測(cè)距原理Fig.3 Binocular vision ranging principle

根據(jù)掘錨機(jī)器人作業(yè)需求及錨桿分布特點(diǎn)，建立基于分布式錨桿的雙目視覺(jué)定位模型，如圖4所示。其中Pi（i=0，1，···，n，n為特征點(diǎn)總數(shù)）為第i個(gè)錨桿特征點(diǎn)，f為相機(jī)焦距，B為光心之間的距離（基線），Z為被測(cè)特征點(diǎn)與相機(jī)光心之間的距離，xl，xr分別為特征點(diǎn)在左右相機(jī)像素坐標(biāo)系上的x軸坐標(biāo)值，兩值相減即為該特征點(diǎn)的視差值d。

圖4 雙目視覺(jué)定位模型Fig.4 Binocular vision positioning model

根據(jù)相似三角原理有

2.2 傳統(tǒng)Census變換算法原理

傳統(tǒng)Census變換算法是在一幅圖像中以某個(gè)像素為中心創(chuàng)建一個(gè)3×3矩形窗口，將窗口內(nèi)鄰域與中心像素的灰度值進(jìn)行比較，若鄰域像素灰度值比中心像素灰度值小，則比特串相應(yīng)位置的值記為1，反之記為0[15]。

式中：為結(jié)果判定函數(shù)；p，q分別為窗口中心像素灰度值和其他鄰域像素灰度值。

將判定結(jié)果串聯(lián)，得到Census變換算法的比特串CT。

式中：W為中心像素灰度值p的鄰域；為按位連接符。

窗口中所有像素點(diǎn)經(jīng)過(guò)Census變換算法后，得到相應(yīng)的比特串，通過(guò)漢明距離對(duì)2個(gè)比特串值進(jìn)行異或運(yùn)算，以此作為匹配代價(jià)的值。

式中：A（s,d）為2個(gè)比特串對(duì)應(yīng)位數(shù)值不同的數(shù)量，即匹配代價(jià)值；s為左圖像素點(diǎn)；H為漢明距離計(jì)算函數(shù)；CTl（s）為左圖像素點(diǎn)的比特串；CTr（s，d）為右圖中對(duì)應(yīng)像素點(diǎn)的比特串。

傳統(tǒng)Census變換算法的核心思想是由匹配代價(jià)值A(chǔ)（s,d）來(lái)判定2個(gè)像素點(diǎn)的相似性，A（s,d）的值越小，則2個(gè)像素點(diǎn)的相似度越高。

2.3 改進(jìn)Census變換算法

煤礦井下環(huán)境中存在大量重復(fù)紋理與深度不連續(xù)區(qū)域，采用傳統(tǒng)Census變換算法的誤匹配率高。因此，本文在傳統(tǒng)Census變換算法的基礎(chǔ)上加入絕對(duì)值比較參數(shù)，對(duì)傳統(tǒng)Census變換算法進(jìn)行改進(jìn)，使原算法獲得更好的匹配窗口判斷性，提高匹配精度與視差圖效果，以適應(yīng)煤礦井下的復(fù)雜環(huán)境。

將2個(gè)待匹配窗口的中心像素點(diǎn)p與其他鄰域像素點(diǎn)q的像素值相減并將結(jié)果進(jìn)行串聯(lián)，再將2組串聯(lián)結(jié)果按位做差并取絕對(duì)值。

式中：LT（p）為左圖窗口經(jīng)過(guò)變換得到的比特串；RT（p）為右圖窗口經(jīng)過(guò)變換得到的比特串；WT為2組比特串按位做差并取絕對(duì)值得到的新比特串。

再取2組WT中的元素按位進(jìn)行比較，其值大的元素在相應(yīng)位上記為1，反之記為0。

式中φ（WT）為WT的相似度比較函數(shù)。

將相似度比較函數(shù)φ（WT）得到的比較結(jié)果相加，其值越小則2個(gè)窗口的相似度越大，其值越大則2個(gè)窗口的相似度越小，取值最小的窗口作為正確的匹配窗口。

傳統(tǒng)Census變換算法和改進(jìn)Census變換算法對(duì)3個(gè)高相似度窗口的匹配結(jié)果如圖5所示?？煽闯鰝鹘y(tǒng)算法中，左圖窗口與2個(gè)右圖窗口內(nèi)的像素信息都存在不同程度的差異，經(jīng)過(guò)傳統(tǒng)Census變換算法得到的比特串一致，由漢明距離計(jì)算得到相同的匹配代價(jià)值，表明左圖窗口與2個(gè)右圖窗口有著相同的相似度，而實(shí)際上，左圖窗口與右圖窗口2的相似度更高，故在匹配過(guò)程中容易發(fā)生誤匹配現(xiàn)象；經(jīng)過(guò)改進(jìn)Census變換算法對(duì)2組窗口進(jìn)行相似度計(jì)算并選擇最小值，成功匹配到了相似度更高的窗口。由此可知，改進(jìn)Census變換算法具有更強(qiáng)的相似度判斷性，可以更精確地反映2組窗口的相似程度。

圖5 Census變換算法改進(jìn)前后對(duì)比Fig.5 Comparison of Censustransform algorithm before and after improvement

3 錨桿特征點(diǎn)識(shí)別與定位

3.1 錨桿特征點(diǎn)識(shí)別

為了保證錨桿特征點(diǎn)處在一條水平線上，選取錨桿與巷道頂板的相接點(diǎn)作為特征點(diǎn)，對(duì)其進(jìn)行識(shí)別與提取。采用圖像處理技術(shù)在改進(jìn)Census變換算法得到的視差圖中分割并提取出感興趣區(qū)域（ROI）[16]，將ROI作為輸入圖像進(jìn)行處理，如圖6所示。首先將獲取的錨桿視差圖轉(zhuǎn)為灰度圖像，對(duì)其進(jìn)行高斯去噪處理，并采用Sobel算子計(jì)算圖像梯度，得到圖像邊緣幅值與角度。然后沿梯度方向進(jìn)行非極大值抑制，對(duì)錨桿輪廓進(jìn)行邊緣細(xì)化，經(jīng)過(guò)雙閾值邊緣連接處理，消除細(xì)小的尖刺，修復(fù)斷開(kāi)的連接并去除局部小面積的干擾特征，輸出較為完整的錨桿輪廓的二值化圖像。最后對(duì)二值化圖像采用組合外接矩形算法提取錨桿特征點(diǎn)，選取最頂部的點(diǎn)作為特征點(diǎn)，并輸出其像素坐標(biāo)，實(shí)現(xiàn)錨桿特征點(diǎn)提取的目標(biāo)。

圖6 圖像處理流程Fig.6 Image processing flow

3.2 像素坐標(biāo)到世界坐標(biāo)系的轉(zhuǎn)換

經(jīng)過(guò)圖像處理后得到錨桿特征點(diǎn)的像素坐標(biāo)值，采用坐標(biāo)轉(zhuǎn)換原理將像素坐標(biāo)值轉(zhuǎn)換為世界坐標(biāo)值，轉(zhuǎn)換關(guān)系如圖7所示。其中，OW-XWYWZW為世界坐標(biāo)系，OC-XCYCZC為相機(jī)坐標(biāo)系，oxy為圖像坐標(biāo)系，uv為像素坐標(biāo)系，像素坐標(biāo)系是以像素為單位，其余坐標(biāo)系均以毫米為單位。Q點(diǎn)為世界坐標(biāo)系中的任意一點(diǎn)，其在世界坐標(biāo)系下的坐標(biāo)為Q（xW，yW，zW），在相機(jī)坐標(biāo)系下的坐標(biāo)為Q（xC，yC，zC），G點(diǎn)為Q點(diǎn)在圖像中的成像點(diǎn)，在圖像坐標(biāo)系中的坐標(biāo)為（x，y），在像素坐標(biāo)系中的坐標(biāo)為（u0，v0）。

圖7 坐標(biāo)系轉(zhuǎn)換關(guān)系Fig.7 Coordinate system conversion relationship

從世界坐標(biāo)系到相機(jī)坐標(biāo)系的轉(zhuǎn)換涉及到旋轉(zhuǎn)和平移，繞著不同的坐標(biāo)軸旋轉(zhuǎn)不同的角度，得到相應(yīng)的矩陣。Q點(diǎn)在相機(jī)坐標(biāo)系中的坐標(biāo)為

式中：S為機(jī)身坐標(biāo)系與世界坐標(biāo)系間的旋轉(zhuǎn)矩陣；T為相機(jī)坐標(biāo)系與世界坐標(biāo)系間的平移向量。

結(jié)合雙目視差原理和坐標(biāo)系轉(zhuǎn)換關(guān)系，即可求得圖像中像素點(diǎn)對(duì)應(yīng)的世界坐標(biāo)值。從相機(jī)坐標(biāo)系到圖像坐標(biāo)系的轉(zhuǎn)換屬于透視投影關(guān)系，由相似三角形原理可得

圖像坐標(biāo)系到像素坐標(biāo)系的轉(zhuǎn)換關(guān)系為

像素坐標(biāo)系到世界坐標(biāo)系的轉(zhuǎn)換關(guān)系為

3.3 錨桿特征點(diǎn)直線擬合

根據(jù)掘錨機(jī)器人定位原理，需將同一排錨桿特征點(diǎn)擬合成平行于截面的直線。由于受到錨桿安裝誤差及計(jì)算誤差影響，在同一排錨桿中，各個(gè)特征點(diǎn)與相機(jī)間的距離各不相同，故采用最小二乘法對(duì)同一排錨桿特征點(diǎn)進(jìn)行空間直線擬合[17]。因?yàn)樘卣鼽c(diǎn)空間坐標(biāo)的y值只影響擬合直線的上下位置，與前后位置無(wú)關(guān)，故在直線擬合時(shí)只需考慮x值與z值。

式中：Kε為真實(shí)值與預(yù)測(cè)值誤差；（xi，zi）為已知坐標(biāo)點(diǎn)；z為zi的擬合值；a為直線斜率；b為y軸截距。

因?yàn)橐髷M合出的空間直線在平行截面中，故該直線必須平行于x軸，即令a=0，可得

由此可根據(jù)坐標(biāo)點(diǎn)得到擬合直線所在平面xoz上的垂直投影。

式中l(wèi)為相機(jī)與平行截面之間的垂直距離。

經(jīng)過(guò)直線方程構(gòu)建平行截面，建立“掘錨機(jī)器人?已支護(hù)錨桿”定位模型，如圖8所示。其中α，β，χ分別為錨桿特征點(diǎn)擬合直線所建立的平行截面，l1，l2，l3分別為相機(jī)光心與平行截面之間的垂直距離。將li作為相機(jī)與平行截面之間的距離信息，來(lái)計(jì)算掘錨機(jī)器人的行駛位移。

圖8 “掘錨機(jī)器人?已支護(hù)錨桿”定位模型Fig.8 Positioning model of “anchor digging robot-supported bolt”

4 機(jī)器人視覺(jué)定位實(shí)驗(yàn)驗(yàn)證

為了驗(yàn)證掘錨機(jī)器人定位方法的可行性，搭建移動(dòng)機(jī)器人平臺(tái)進(jìn)行行駛位移檢測(cè)實(shí)驗(yàn)。位移檢測(cè)系統(tǒng)由雙目相機(jī)、錨桿、計(jì)算機(jī)及履帶式移動(dòng)機(jī)器人組成，其實(shí)驗(yàn)平臺(tái)如圖9所示。將錨桿并排放置在地面上，代替安裝在巷道頂部的錨桿；將雙目相機(jī)置于距離錨桿1 m處進(jìn)行拍攝，在實(shí)驗(yàn)過(guò)程中，保持相機(jī)水平向前移動(dòng)，以模擬掘錨機(jī)器人在巷道中的行駛狀態(tài)。

圖9 位移檢測(cè)系統(tǒng)實(shí)驗(yàn)平臺(tái)Fig.9 Experiment platform of displacement detection system

以掘錨機(jī)器人為研究對(duì)象，相機(jī)光心為坐標(biāo)系原點(diǎn)，建立世界坐標(biāo)系。其中以垂直于側(cè)幫方向?yàn)閤軸，垂直于頂板方向?yàn)閥軸，掘錨機(jī)器人前進(jìn)方向?yàn)閦軸。實(shí)驗(yàn)場(chǎng)地如圖10所示，設(shè)錨桿排距I=800 mm，每排錨桿的分布距離M=2 000 mm，相機(jī)距第3排錨桿的距離N=1 400 mm。由于雙目相機(jī)的有效測(cè)距范圍為4 000 mm，故僅取距相機(jī)最近的前3排錨桿進(jìn)行測(cè)量。通過(guò)對(duì)測(cè)量值與理論模型計(jì)算值進(jìn)行誤差分析，從而實(shí)現(xiàn)實(shí)驗(yàn)平臺(tái)的視覺(jué)測(cè)距、移動(dòng)控制和軌跡跟蹤。

圖10 實(shí)驗(yàn)場(chǎng)地Fig.10 Sketch map of experimental filed

4.1 Census變換算法改進(jìn)效果

為了獲取準(zhǔn)確的錨桿圖像，在定位系統(tǒng)實(shí)驗(yàn)平臺(tái)采用Matlab雙目相機(jī)工具箱進(jìn)行相機(jī)標(biāo)定與立體校正，校正前后結(jié)果如圖11所示。

圖11 校正前后結(jié)果Fig.11 Resultsbefore and after correction

使用雙目相機(jī)采集一排錨桿圖像，提取其ROI圖形，分別采用改進(jìn)前后Census變換算法對(duì)ROI圖形進(jìn)行視差圖處理，如圖12所示?？煽闯龈倪M(jìn)后Census變換算法改善了錨桿邊緣的失真區(qū)域，得到了較明顯的錨桿輪廓特征及更準(zhǔn)確的深度信息。

圖12 改進(jìn)前后視差圖效果對(duì)比Fig.12 Effect comparison of disparity before and after improvement

算法性能對(duì)比結(jié)果見(jiàn)表1。可看出改進(jìn)Census變換算法的匹配精度顯著提升，比傳統(tǒng)Census變換算法誤匹配率降低了41.96%，但是由于計(jì)算過(guò)程較為復(fù)雜，導(dǎo)致運(yùn)行時(shí)間也有一定的增加。

表1 算法性能對(duì)比Table 1 Comparison of algorithm performance

為驗(yàn)證不同視差初始值對(duì)算法性能的影響，取初始視差值為[?13，7]對(duì)算法性能進(jìn)行驗(yàn)證，對(duì)比結(jié)果如圖13所示。可看出當(dāng)視差范圍縮小時(shí)，誤匹配率及運(yùn)行時(shí)間均有所降低。因此，在保留完整錨桿圖像的情況下，可設(shè)定較大的視差初始值，以降低誤匹配率并減少運(yùn)行時(shí)間。

圖13 不同視差初始值下的性能對(duì)比Fig.13 Performancecomparison under different parallax initial values

4.2 錨桿特征點(diǎn)識(shí)別與定位

（1）錨桿特征點(diǎn)提取與坐標(biāo)轉(zhuǎn)換。對(duì)校正后的錨桿圖像進(jìn)行特征點(diǎn)坐標(biāo)提取，由于錨桿放置在地面上，故以錨桿底部的端點(diǎn)為特征點(diǎn)，對(duì)其進(jìn)行提取。首先采用改進(jìn)后的Census變換算法對(duì)相機(jī)原圖進(jìn)行處理，得到錨桿圖像的視差圖，然后對(duì)視差圖進(jìn)行Sobel算子輪廓檢測(cè)提取錨桿輪廓，最后采用組合外接矩形算法對(duì)錨桿輪廓進(jìn)行處理并將錨桿特征點(diǎn)用藍(lán)色圓點(diǎn)標(biāo)記出來(lái)，錨桿特征點(diǎn)提取結(jié)果如圖14所示。

圖14 特征點(diǎn)提取結(jié)果Fig.14 Extraction results of anchor feature points

將提取出的特征點(diǎn)像素坐標(biāo)轉(zhuǎn)換為世界坐標(biāo)，坐標(biāo)轉(zhuǎn)換結(jié)果見(jiàn)表2。

表2 特征點(diǎn)坐標(biāo)轉(zhuǎn)換結(jié)果Table 2 Coordinate conversion resultsof featurepoints

（2）特征點(diǎn)直線擬合。由于同一排錨桿特征點(diǎn)位置在z軸上存在偏差，所以無(wú)法確定相機(jī)與這排錨桿之間的距離，因此，根據(jù)特征點(diǎn)直線擬合原理，將特征點(diǎn)擬合成平行于x軸的直線，擬合結(jié)果如圖15所示?？煽闯鼋?jīng)過(guò)直線擬合后，消除了不同特征點(diǎn)間的位置誤差，得到了與特征點(diǎn)位置緊密關(guān)聯(lián)的直線。

圖15 特征點(diǎn)擬合直線結(jié)果Fig.15 Straight line fitting results of feature points

（3）特征點(diǎn)平行截面建立。經(jīng)過(guò)特征點(diǎn)擬合直線建立平行截面，如圖16所示?？煽闯鱿鄼C(jī)與3個(gè)平行截面之間的距離分別為3 010.428，2 215.910，1 415.127 mm。

圖16 特征點(diǎn)平行截面Fig.16 Parallel section of feature points

在機(jī)器人移動(dòng)過(guò)程中，通過(guò)計(jì)算得到相機(jī)與平行截面之間的距離，根據(jù)錨桿在模擬巷道中的安裝位置，即可得到移動(dòng)機(jī)器人在世界坐標(biāo)系下的行駛位移。

4.3 移動(dòng)機(jī)器人定位實(shí)驗(yàn)

在實(shí)驗(yàn)場(chǎng)地上放置10排錨桿，排距為800 mm，移動(dòng)機(jī)器人起始位置在距第1排錨桿800 mm處，控制移動(dòng)機(jī)器人沿著z軸方向前進(jìn)8 000 mm，前進(jìn)速度為0.25 m/s，雙目相機(jī)采集錨桿圖像頻率為5 Hz。以第1排錨桿為定位基準(zhǔn)，控制機(jī)器人沿z軸前進(jìn)，依次拍攝錨桿圖像，計(jì)算相機(jī)與錨桿平行截面的距離，以此求解機(jī)器人行駛的位移。

在進(jìn)行機(jī)器人定位實(shí)驗(yàn)時(shí)，將計(jì)算位移與理論位移進(jìn)行對(duì)比，如圖17所示?？煽闯鲆苿?dòng)機(jī)器人在整個(gè)定位實(shí)驗(yàn)過(guò)程中，理論位移曲線與計(jì)算位移曲線基本重合。

圖17 運(yùn)動(dòng)軌跡對(duì)比曲線Fig.17 Comparison curve of motion track

通過(guò)對(duì)比相機(jī)的理論位移與計(jì)算位移得到兩者的誤差分布，如圖18所示?？煽闯隼碚撐灰婆c計(jì)算位移誤差不超過(guò)20 mm，能夠保證掘錨機(jī)器人的定位精度，可實(shí)現(xiàn)掘錨機(jī)器人的自主、準(zhǔn)確、實(shí)時(shí)位移檢測(cè)。

圖18 運(yùn)動(dòng)軌跡誤差分布Fig.18 Error distribution of motion track

5 結(jié)論

針對(duì)掘錨機(jī)器人行駛過(guò)程中存在位移檢測(cè)精度低的問(wèn)題，提出了一種基于雙目視覺(jué)的掘錨機(jī)器人行駛位移檢測(cè)方法。該方法以已支護(hù)錨桿為定位基準(zhǔn)，利用雙目視覺(jué)檢測(cè)掘錨機(jī)器人的行駛位移，解決了掘錨機(jī)器人在井下行駛無(wú)參考目標(biāo)的問(wèn)題，提高了雙目視覺(jué)在煤礦井下環(huán)境中的適應(yīng)性與定位精度，實(shí)現(xiàn)了掘錨機(jī)器人行駛位移的精確檢測(cè)，為掘錨機(jī)器人的定位提供了有效解決方案。

（1）改進(jìn)后的Census變換算法修復(fù)了錨桿圖像的失真區(qū)域，能夠得到效果較好的視差圖，并使誤匹配率從19.85%降低到11.52%，較傳統(tǒng)Census變換算法的誤匹配率降低了41.96%。

（2）當(dāng)視差范圍縮小時(shí)，誤匹配率及運(yùn)行時(shí)間均有所降低。因此，在保留完整錨桿圖像的情況下，可設(shè)定較大的視差初始值，以降低誤匹配率并減少運(yùn)行時(shí)間。

（3）經(jīng)過(guò)直線擬合后，消除了不同特征點(diǎn)間的位置誤差，得到了與特征點(diǎn)位置緊密關(guān)聯(lián)的直線。在擬合直線上建立平行截面，得到相機(jī)與3個(gè)平行截面的距離分別為3 010.428，2 215.910，1 415.127 mm。

（4）由模擬實(shí)驗(yàn)可知，理論位移曲線與計(jì)算位移曲線基本重合，理論位移與計(jì)算位移誤差不超過(guò)20 mm。說(shuō)明基于雙目視覺(jué)的掘錨機(jī)器人行駛位移檢測(cè)方法能夠保證掘錨機(jī)器人的定位精度，可實(shí)現(xiàn)掘錨機(jī)器人的自主、準(zhǔn)確、實(shí)時(shí)位移檢測(cè)。