基于Kinect 的羽毛球跟踪定位算法研究

薄阿维 陕西财经职业技术学院

羽毛球机器人的工作原理可以概括为：判断来球的运动轨迹并做出准确的预测，并完成击球。人机互动的关键在于实时准确识别、跟踪、预测高速飞行的羽毛球落点。

本文基于深度传感器Kinect，对其捕捉的图像进行滤噪处理，提出了一种背景差分和目标样本排序相结合的目标识别方法，进而构建模型，以两帧图像目标定位和速度参数估算羽毛球的位置。

1 运动目标检测

Kinect 捕捉的初始深度图像包含大量的噪声，研究首先过滤掉原始噪声和前景、背景，然后去除固有的背景，进而通过目标图像块的数量区分人和羽毛球，根据采样点与中值点距离超过临界值便重新取样的原则，对剩余的图像块进行分类排序，临界值取为50 毫米。最后，将目标图像的平均值作为目标点的位置。

1.1 图像预处理及噪音滤除

本文提出了一种基于深度信息的交叉滤波算法，对深度图像进行平滑降噪处理。

交叉滤波具体算法为：

1.2 目标位置的提取

2 运动轨迹仿真及目标落点预测

下一帧的速度如公式（2）所示：

通过实验，比较了不同参数下预测坐标点与实际坐标点之间的偏差，由此取偏差值最小的参数。通过实验调整，最终确定，。

根据连续3 帧的坐标可以得出速度的方向为：

根据公式（9），将一段时间内的坐标整合即可得出羽毛球的运行轨迹。本文将其设置为2 秒，每秒可计算300 个点，以此绘制仿真轨迹。击球点的坐标为当羽毛球轨迹点的高度小于等于0 时，记录此时的平面坐标位置。羽毛球着陆点的坐标为

3 实验

3.1 运动轨迹仿真实验

将多组相邻的3 个红色曲线点引入模型，得到了羽毛球的运动轨迹。其中蓝点代表羽毛球的实时检测点，红色圆圈代表击球点的加权平均值，击球高度为0.8m。从图1 可以看出，最后10 个预测落点的坐标误差小于30mm。

图1 最后10 个预测落点位置图

4 结论

本文基于羽毛球机器人的视觉跟踪系统，针对深度图像的噪声问题，提出了非线性交叉滤波算法能有效去除噪声点；根据运动轨迹预测模型，采用历史与实时预测相结合的方式判断羽毛球落点。实验结果显示，Kinect 自由旋转和任意仰角情况下，定位精度控制在30mm 以内，命中率达到92%，证明了该算法具有良好的实时性和准确性。