一种基于神经网络的循迹机器人轨迹识别方法技术

本发明专利技术公开了一种基于神经网络的循迹机器人轨迹识别方法，包括以下步骤：1)机器人在光照变化环境下采集道路图像；2)将采集的图像数据压缩成图片，并将图片存储为jpg文件；3)对采集的图片进行裁剪；4)将采集的图片数据转入电脑，在电脑端对每张图片中的三个区域中的引导线的中心进行标记；5)将得到的训练数据导入到matlab,对神经网络进行训练，得到神经网络的各个参数；6)根据matlab训练得到的神经网络参数编写对图片中道路中间的引导线的中点进行标记的神经网络算法；……；本发明专利技术基于神经网络的循迹机器人轨迹识别方法，其具有较强自适应能力，在视觉光照条件变化的条件下，对识别道路轨迹具有较高的准确率，具有较高鲁棒性。

A track recognition method for tracking robot based on Neural Network

The invention discloses a trajectory recognition method of a tracking robot based on neural network, which comprises the following steps: 1) the robot collects road images in the light changing environment; 2) compresses the collected image data into a picture and stores the picture as a jpg file; 3) cutting the collected picture; 4) transferring the collected picture data into a jpg file. Fifth, the training data are imported into Matlab to train the neural network and get the parameters of the neural network; sixth, according to the parameters of the neural network trained by MATLAB to write the center of the lead wire in the middle of the road in the picture. Point marked neural network algorithm;... The trajectory recognition method of tracking robot based on neural network has strong self-adaptive ability, high accuracy and high robustness for identifying road trajectory under the condition of changing visual illumination conditions.

【技术实现步骤摘要】
一种基于神经网络的循迹机器人轨迹识别方法
本专利技术涉及涉及机器人领域，特别涉及一种寻迹机器人轨迹识别方法。
技术介绍
随着人们生活水平的不断提高，智能家用机器人的应用越来越广泛，而且具有非常广泛的市场前景，众多自主运行机器人均需要解决寻迹这一问题，为了控制机器人确保其能够沿着预设路径前行，需要机器人能够自行探测线路并能预测转弯，因此需要机器人能够在线获取探测线路后预测道路曲率，以及检测确定道路中心线。视觉寻迹具有路径铺设难度低，识别设备成本低等优点，但由于摄像头等视觉设备对光照强度敏感，常用的阈值二值化的方案，或者颜色检测的算法方案虽然难度较低，但是对于光照变化环境具有不稳定性。
技术实现思路
有鉴于此，本专利技术的目的一种基于神经网络的循迹机器人轨迹识别方法，其针对道路中间有引导线的道路，解决现有技术中机器人采用视觉寻迹，在视觉光照条件变化的条件下，对路径识别稳定性差的问题。本专利技术基于神经网络的循迹机器人轨迹识别方法，包括以下步骤：1)机器人在光照变化环境下通过摄像头采集道路图像；2)机器人处理器将采集的图像数据压缩成分辨率为640*480的图片，并将图片存储为jpg文件；3)机器人处理器对图像数据进行预处理，将采集的图片进行裁剪，缩小尺寸，修改为320*240；再将缩小后的图片的下部沿宽度方向进行裁剪，每张图片分别裁剪出3个区域，每个区域的分辨率为320*5；4)将采集的图片数据转入电脑，在电脑端通过软件对每张图片中的三个区域中的引导线的中心进行标记，并记录下标记点的坐标；将jpg图像读取完毕，并按照每个像素点为BGR888的顺序存储为一个训练数据输入文件；同时为了增加训练数据的样本数目，将所有的图像垂直镜像；5)将得到的训练数据导入到matlab,对神经网络进行训练，所述神经网络由输入层、隐含层和输出层构成，其中输入层根据输入图像数据每个像素点的RBG分别对应一个神经元，输出层为一个神经元，隐含层根据训练结果调整到适当神经元数目；神经网络利用输出后的误差来估计输出层的直接前导层的误差，再用这个误差估计更前一层的误差，如此一层一层的反传下去，实现获得所有神经网络层的误差估计；并最终通过不断训练，得到神经网络的各个参数；6)根据matlab训练得到的神经网络参数编写对图片中道路中间的引导线的中点进行标记的神经网络算法；7)将编写的神经网络算法植入机器人处理器，通过神经网络算法对一帧图片中裁剪出的3个不同区域进行运算，从而得到该帧图片中道路的3个点位，再根据这3个点位偏离该帧图片竖向中心线的距离、以及三个点之间的相对距离计算出道路的曲率，从而实现轨迹识别。本专利技术的有益效果：本专利技术基于神经网络的循迹机器人轨迹识别方法，其具有较强自适应能力，在视觉光照条件变化的条件下，对识别道路轨迹具有较高的准确率，具有较高鲁棒性。附图说明图1为BP神经网络结构图；图2为图片裁剪示意图。具体实施方式下面结合附图和实施例对本专利技术作进一步描述。本实施例基于神经网络的循迹机器人轨迹识别方法，包括以下步骤：1)机器人在光照变化环境下通过摄像头采集道路图像。2)机器人处理器将采集的图像数据压缩成分辨率为640*480的图片，并将图片存储为jpg文件。本实施例中，机器人处理器采用RK3288，在RK3288运行Ubuntu操作系统，使用OpenCV库获取图像并对图像进行压缩和存储。3)机器人处理器对图像数据进行预处理，将采集的图片进行裁剪，缩小尺寸，修改为320*240；再将缩小后的图片的下部沿宽度方向进行裁剪，每张图片分别裁剪出3个区域，每个区域的分辨率为320*5。本实施例中，对图片的裁剪区域如图2所示，第一区域1为离图片底部1/5范围内的区域，第二区域2为离图片底部1/5-2/5范围内的区域，第三区域3为离图片底部2/5-3/5范围内的区域。4)将采集的图片数据转入电脑，在电脑端通过软件对每张图片中的三个区域中的引导线4的中心5进行标记，并记录下标记点的坐标；本实施例具体为在电脑端使用VS2013编写工具软件对图像数据进行标记。同时由于OPENCV读取图像的顺序为BGR，matlab读取图像的像素顺序为RGB；因此为了统一数据，将jpg图像读取完毕，并按照每个像素点为BGR888的顺序存储为一个训练数据输入文件；同时为了增加训练数据的样本数目，将所有的图像垂直镜像。5)将得到的训练数据导入到matlab,对神经网络进行训练，所述神经网络由输入层、隐含层和输出层构成，其中输入层根据输入图像数据每个像素点的RBG分别对应一个神经元，输出层为一个神经元，隐含层根据训练结果调整到适当神经元数目；神经网络利用输出后的误差来估计输出层的直接前导层的误差，再用这个误差估计更前一层的误差，如此一层一层的反传下去，实现获得所有神经网络层的误差估计；并最终通过不断训练，得到神经网络的各个参数。具体的得到的神经网络参数分包括：输入层与隐含层的连接权值、隐含层与输出层的连接权值、隐含层各神经元的阈值、输出层各神经元的阈值。6)根据matlab训练得到的神经网络参数编写对图片中道路中间的引导线的中点进行标记的神经网络算法。本实施例中的神经网络算法具体如下：假设网络结构为：输入层有n个神经元，隐含层有l个神经元,输出层有m个神经元,输入层、隐含层和输出层神经元之间的连接权值为ωij,ωjk，隐含层阈值为a，输出层阈值为b输入向量为X，那么：隐含层输出为：式中f为激励函数，具有多种表达式，本实施例中选用函数为：那么预测的输出为：7)将编写的神经网络算法植入机器人处理器，通过神经网络算法对一帧图片中裁剪出的3个不同区域进行运算，从而得到该帧图片中道路的3个点位，再根据这3个点位偏离该帧图片竖向中心线6的距离、以及三个点之间的相对距离计算出道路的曲率，从而实现轨迹识别。道路的曲率即3个点位中相邻两点之间的连线与图片竖向中心线之间的夹角，如图2所示曲率具体为夹角a和β。根据这3个点位偏离该帧图片竖向中心线6的距离、以及三个点之间的相对距离，利用三角函数即可计算出夹角a和β。在具体实施中，在实现轨迹识别后，将计算出的3个点位偏离图片竖向中心线的距离作为PID算法中的误差量，将计算出的道路曲率作为PID算法中的误差预测量，即可使用PID算法控制机器人沿识别出的轨迹移动。本实施例中基于神经网络的循迹机器人轨迹识别方法，得到对图片中道路中间的引导线的中点进行标记的神经网络算法后，就不再需要人工对道路中引导线中心进行标记，而是利用神经网络算法自动对引导线中心进行标记。本专利技术轨迹识别方法具有较强的自适应能力，在视觉光照条件变化的条件下，对识别道路轨迹具有较高的准确率，具有较高鲁棒性。最后说明的是，以上实施例仅用以说明本专利技术的技术方案而非限制，尽管参照较佳实施例对本专利技术进行了详细说明，本领域的普通技术人员应当理解，可以对本专利技术的技术方案进行修改或者等同替换，而不脱离本专利技术技术方案的宗旨和范围，其均应涵盖在本专利技术的权利要求范围当中。本文档来自技高网...

【技术保护点】
1.一种基于神经网络的循迹机器人轨迹识别方法，其特征在于：包括以下步骤：1)机器人在光照变化环境下通过摄像头采集道路图像；2)机器人处理器将采集的图像数据压缩成分辨率为640*480的图片，并将图片存储为jpg文件；3)机器人处理器对图像数据进行预处理，将采集的图片进行裁剪，缩小尺寸，修改分辨率为320*240；再将缩小后的图片的下部沿宽度方向进行裁剪，每张图片分别裁剪出3个区域，每个区域的分辨率为320*5；4)将采集的图片数据转入电脑，在电脑端通过软件对每张图片中的三个区域中的引导线的中心进行标记，并记录下标记点的坐标；将jpg图像读取完毕，并按照每个像素点为BGR888的顺序存储为一个训练数据输入文件；同时为了增加训练数据的样本数目，将所有的图像垂直镜像；5)将得到的训练训练数据导入到matlab,对神经网络进行训练，所述神经网络由输入层、隐含层和输出层构成，其中输入层根据输入图像数据每个像素点的RBG分别对应一个神经元，输出层为一个神经元，隐含层根据训练结果调整到适当神经元数目；神经网络利用输出后的误差来估计输出层的直接前导层的误差，再用这个误差估计更前一层的误差，如此一层一层的反传下去，实现获得所有神经网络层的误差估计；并最终通过不断训练，得到神经网络的各个参数；6)根据matlab训练得到的神经网络参数编写对图片中道路中间的引导线的中点进行标记的神经网络算法；7)将编写的神经网络网络算法植入机器人处理器，通过神经网络算法对一帧图片中裁剪出的3个不同区域进行运算，从而得到该帧图片中道路的3个点位，再根据这3个点位偏离该帧图片竖向中心线的距离、以及三个点之间的相对距离计算出道路的曲率，从而实现轨迹识别。...

【技术特征摘要】
1.一种基于神经网络的循迹机器人轨迹识别方法，其特征在于：包括以下步骤：1)机器人在光照变化环境下通过摄像头采集道路图像；2)机器人处理器将采集的图像数据压缩成分辨率为640*480的图片，并将图片存储为jpg文件；3)机器人处理器对图像数据进行预处理，将采集的图片进行裁剪，缩小尺寸，修改分辨率为320*240；再将缩小后的图片的下部沿宽度方向进行裁剪，每张图片分别裁剪出3个区域，每个区域的分辨率为320*5；4)将采集的图片数据转入电脑，在电脑端通过软件对每张图片中的三个区域中的引导线的中心进行标记，并记录下标记点的坐标；将jpg图像读取完毕，并按照每个像素点为BGR888的顺序存储为一个训练数据输入文件；同时为了增加训练数据的样本数目，将所有的图像垂直镜像；5)将得到的训练训练数据导入到matlab,对...

【专利技术属性】
技术研发人员：宋永端，杨士国，赖俊峰，韩哲，徐康，张亚男，许文强，周鑫，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆,50