基于全景近红外视觉的室外移动机器人定位系统

张栩

0 引言

智能移动机器人是机器人研究和工程应用的一个重要领域。其中，室外移动机器人在军事、民用、商用方面都有广泛的应用前景，是目前研究的热点方向。作为机器人在户外作业的基础，定位成了需要解决的首要问题。

近几年来，由于计算机图像处理能力和技术的飞速发展以及各种高端数字图像处理设备性能价格比的提高，机器视觉在移动机器人定位导航中的应用越来越受到人们的重视[1]。与激光、声纳、GPS、WLAN等技术相比，视觉信号具有表述形式直观、信息量丰富、造价低廉并且不易被电磁辐射干扰等优点。目前常用的基于视觉的室外移动机器人自定位方法，主要有基于自然路标和基于人工路标两种，前者是直接在环境中提取已存在的特征及物体，虽然运用灵活，但对周围环境要求严格且识别难度较大，主要用于需要高速运动的机器人如智能车辆；后者是提取人为放置在环境中的标志物体，它识别稳定并且具有较高精度，但对光照和阴影变化敏感，适合于速度慢但对精度要求高的作业型机器人。

本文针对高精度要求的室外机器人定位问题，提出一种近红外光源照明、全景视觉观测和人工编码路标相结合的室外机器人定位系统。该系统通过近红外光成像降低光照和阴影的影响，利用全景视觉获取大范围环境信息，依靠图像处理算法识别路标，最后用三角定位算法完成机器人定位。夜晚、白天不同光照情况下的实验证明该系统具有良好的鲁棒性和较高的精度。

1 系统的设计

1.1 系统的框架

本文采用在道路两侧布置编码路标，全景视觉识别的方式来实现定位导航。在依靠机器视觉来定位时，光线的变化是影响识别精度的最大因素。而在室外全天候情况下，照度从0到105Lux变化，这使得仅仅采用太阳光照明来识别路标几乎成为不可能。

为了让机器人在全天候各种天气下都能稳定的定位，本文采用了近红外主动照明的方式，进行近红外光识别。近红外光可以有效降低环境光线变化的干扰，与日间强烈的可见光区分开，并且具有良好的夜间穿透能力，有利于夜间观测定位。

本系统由全景近红外视觉和编码路标系统两部分组成，如图1所示。编码路标分布在机器人路径的两侧，视觉系统中的近红外照明器发出近红外光线均匀覆盖在机器人周围，经路标反射后返回视觉系统的全景摄像机，完成成像。

图1 系统实景图

1.2 系统的流程

如图2所示，编码路标系统包括路标模板和编码地图，其中编码地图中记录了编码路标在世界坐标系中的坐标。系统在采集到近红外全景图像后，通过图像处理结合路标模板得到路标在图像中的编码和坐标，进而结合编码地图进行三角定位，确定出机器人当前的位姿，实现定位。

图2 系统流程图

1.3 全景近红外视觉系统

全景近红外视觉系统由近红外照明器及全景摄像机组成。近红外照明器发出的近红外光线均匀地覆盖在机器人周围的圆形范围，形成近红外主动照明。全景摄像机由摄像头、滤光片和安装于镜头正上方的双曲面镜组成，能获得大范围的可视角度。摄像头捕捉经过双曲镜面反射的外界光线，滤光片将摄像头获取的光谱范围控制在810 nm到880 nm的近红外光谱范围内，以降低其他光线对摄像机的干扰。

1.4 编码路标

由于定位采用三角定位算法，所以至少需要有三个不同的路标被识别到。本文采用四种编码路标，如图3所示。路标利用黑白区域的顺序和宽度比区分，图形复杂度低，抗干扰能力强，成本低。路标的黑色区域吸收近红外光，白色区域覆盖有反光材料，使其能更好的反射近红外光。

图3 编码路标模板

2 算法原理

2.1 近红外成像

视觉成像的效果在很大程度上影响着图像识别的好坏。太阳光中也含有近红外光，在太阳光很强时，其中的近红外光强度很大，这会使图像的整体灰度上升，造成图像中路标跟周围地面的灰度接近，损失部分图像细节。为了降低太阳光对图像的干扰，白天在采集图像时应尽量减小曝光时间。而在夜晚，近红外照明器发出的近红外光强度较小，则需要增大曝光时间。

针对太阳光照度不均一的各种情况，通过标定能够确定出各种照度下最佳的曝光时间，使摄像机成像效果达到最好以便于路标的提取。本文采用如下公式来确定曝光时间：

其中E为曝光时间，G为图像灰度总值。利用该公式，通过两帧图像的灰度总值之差就能确定两帧图像的曝光时间之差。这样，图像灰度总值维持在一个固定的范围之内，减少了成像阶段造成的图像信息损失。

2.2 单帧图像处理的算法

图像处理的目标是分辨出路标的种类并且提取出图像中路标的位置，它的算法流程如图4所示。

首先通过全景摄像机获取全景图像。虽然全景图像视野大，但同时也存在模糊、畸变等问题。为了方便几何形状的提取和分析，需要将全景图像展开[2]。接着对展开图像进行二值化操作，使路标和周围背景分离开。然后提取出路标并进行模板匹配，确定路标的坐标及编号。

图4 单帧图像处理流程

图5为图像处理各阶段的效果图。图5(a)为采集到的近红外全景图，图5(b)、图5(c)分别为展开图和二值化图，图5(d)为识别后的效果图，其中红色方框和数字标示出识别到的路标及编号。

图5 图像处理效果图

为了提高鲁棒性，算法还做了如下优化：

（1）因为全景图像较大，而全景展开用到了非线性插值，所以全景图像展开耗时较多，影响了实时性。算法在第一次展开全景图后建立了全景图与展开图之间的坐标对应表，以后的图片采用查表的方式来展开[3]，省去了非线性插值操作，提高了实时性。

（2）在二值化操作之前，进行图像增强操作[4]，提高路标与周围背景的灰度差，以便二值化操作时能更好的分割出路标与背景。

（3）在提取路标之前进行形态学滤波，包括腐蚀和膨胀操作，以减少噪声的干扰。

2.3 二值化

二值化算法是整个图像处理中的关键点，它主要作用是分割图像，去除背景，留下感兴趣的目标物体。二值化的好坏程度直接影响了对路标的提取。

目前常用的二值化方法是大津法[5]，它能较稳定的选出单帧图像的自适应阈值，完成图像分割。但当背景与目标之间灰度相差不明显时，二值化后的图像中会出现无法忍受的大块黑色区域，甚至会出现丢失整幅图像信息的情况。同时它对噪声和目标的大小很敏感，而且仅对灰度直方图为双峰的图像有较好的效果。受周围环境的复杂性及光照变化所影响，摄像机在白天实验过程中采集到的图像用大津法较难分割。本文采用一种改进的大津法来选取二值化阈值，算法步骤如下：

（1）由于目标的灰度高于图像的平均灰度，所以求出图像I(x,y)的平均灰度T0作为二值化的阈值的下限；

（2）计算I(x,y)中灰度大于T0的所有像素的灰度均值T1，作为阈值的上限；

（3）选取灰度T(T0＜ T ＜ T1)，灰度在T0到T之间的像素个数占 I(x,y)的比例为 w0，其平均灰度为 u0；灰度在 T到T1之间的像素个数占I(x,y)的比例为w1，其平均灰度为u1；I(x,y)的总平均灰度为u，类间方差为g。当

为最大时，T为最佳二值化阈值。

算法主要进行逻辑判断和简单的整数运算，所以运算速度快，不会影响系统实时性。

2.4 路标跟踪

为了节约系统资源，提高实时性，本文采用目标跟踪的方法。具体做法如下：

（1）根据上一帧图像中得到的路标的坐标，结合两帧之间的时间差，预估出当前帧中路标可能会出现的位置范围；

（2）在该范围内进行查表展开、二值化等操作来完成识别；

（3）判断识别出的路标个数是否与上一帧相符，若不相符，则重新进行全图识别。

由于预估出的范围很小，所以系统实时性得到了提高。实际实验中，为了提高抗干扰能力，可以设置在连续一定帧内路标个数都小于第一帧的时，才重新全图识别。

2.5 三角定位

三角定位是已知 3个路标的全局坐标以及在机器人局部坐标系中的观察角度来计算机器人在全局坐标中的位置。其基本算法主要有相交圆法、Newton-Rapson法和几何三角法。本文采用相交圆法[6]来实现机器人位姿和方向角的计算。

相交圆法是利用平面上 3点确定一个圆，也就是每 2个路标和机器人位置确定一个圆，3个路标就可以和机器人位置确定2个圆，而这2个圆的交点一个是其中一个路标，另一个就是机器人的位置。定位实质上是求解如下的非线性观测方程：

3 系统定位实验

本文以Frontier-II两轮差速机器人为载体进行实验。该机器人在机载的 DSP运动控制器的控制下，利用带有编码器的30w直流电机提供动力。进行视觉处理的PC采用的是双核Intel 2.0 G，1 G内存的笔记本，Windows操作系统。摄像机为1 / 2英寸的CCD近红外黑白摄像机，像素为752× 580，帧率为30 fps。实验场地为水泥道路，路标对称的摆放在道路两侧，距离道路中线均为1.5 m，其纵向间距为2 m，如图6所示。

图6 实验地图

为了实验本系统对环境的适应性及其定位精度，在白天(20000 Lux)和夜晚(100 Lux)两个时段，人工推行机器人以0.5 m/s的速度在道路中央行驶各5次，并记录三角定位的结果。表1给出了白天和夜晚定位时的偏差距离和偏差角度的比较结果。

表1 系统定位实验（距离单位: cm，角度单位: °）

由表可知，在白天有太阳光干扰时，定位的距离偏差均值为3.846 cm，而在夜晚没有太阳光时为3.110 cm，偏差角度均小于 3°，具备对大范围光照变化的适应性和较高的定位精度。

4 结论

本文设计了一种基于全景近红外视觉的室外移动机器人定位系统，该系统利用近红外全景视觉识别编码路标，进而通过三角定位来计算当前的位姿。近红外成像提高了视觉系统对室外白天和夜晚大范围光照变化的鲁棒性，全景摄像机可以获得大范围的路标定向信息，改进大津法和路标跟踪的应用使得识别路标更准确、更快速，三角定位算法能够精确的计算出机器人的世界坐标，为机器人在特定区域进行作业提供保证。室外环境下移动机器人的定位实验结果表明，本系统具有较高的定位精度和良好的鲁棒性。

[1]段华,赵东标.基于归一化 RGB值的道路区域检测算法[D],南京:南京航空航天大学,2005.

[2]Horita Y,Shibata K,Maeda K,et al.Omni-directional Polarization Image Sensor Based on an Omni-directional Camera and a Polarization Filter[C].Proc 6th IEEE Int Conf Advanced Video and Signal Based Surveillance.Genoa,Italy: IEEE Press,2009.280-285.

[3]凌云峰,朱齐丹,吴自新等.全景视觉图像柱面理论展开算法实现及其改进[J].应用科技,2006,33(9): 4-9.

[4]Wang Lei,Chen Gong-xin,Lu Ling,et al.A Medical CT Image Enhancing Algorithm Based on the Mixture Scope Model of Wavelet Multi-Scale Transform[C].2008 Intelligent Information Technology Application.Shanghai,China: IEEE Press,2008.310-314.

[5]Otsu N.A threshold selection method from gray-level histograms [J].IEEE Trans Systems Man and Cybernetics,1979,9(1): 62-66.

[6]Cohen C and Koss F.A Comprehensive Study of Three Object Triangulation[C].Proceedings of the 1993 SPIE Conference on Mobile Robots.Boston,MA: IEEE Press,1993.95-106.