基于双视野窗口的路径特征识别、偏差测量与精确定位方法技术

本发明专利技术公开了一种基于双视野窗口的路径特征识别、偏差测量与精确定位方法，属于计算机视觉检测领域。首先对原始路径图像进行预处理，得到二值化的导引路径图像。然后采用整幅视野范围作为路径特征识别窗口，对整幅图像进行核主成分分析降维。再以降维后的图像样本训练神经网络识别器，该识别器可准确区分多分支路径、定位标志和单支路径。对于单支路径，由摄像机的视角以及倾斜安装角度确定路径导引扫描窗口，根据“以直代曲”思想测量路径偏差。在工位点，通过识别连续布置的两个定位标志实现精确平稳定位。该方法具有特征识别率高、算法实时性强、路径测量精度高等优点。

【技术实现步骤摘要】

：本专利技术涉及一种基于双视野窗口的路径特征识别、偏差测量与精确定位方法，其属于计算机视觉检测领域。
技术介绍
：自动导引车(AutomatedGuidedVehicle，AGV)是一种用于物料搬运的智能轮式移动机器人，广泛应用于工厂自动化生产线、仓储物流、机场和港口中的物料传送，其导引方式主要有磁导引、视觉导引、激光导引和惯性导引等。视觉导引AGV利用CCD摄像机采集地面路径信息，提取地面路径与摄像机视野中心的角度偏差与距离偏差，将偏差信息发送给控制器，控制器根据接收到的偏差信息来调整AGV车体的位姿，使车体始终保持在导引线上方，具有导引精度高，设备成本低，获取信息丰富，路径布置柔性高等优势，近年来获得了越来越广泛的应用。视觉导引AGV的摄像机安装方式有垂直安装与倾斜安装两种。公开号为CN103390259A的中国专利技术专利采用一种摄像机垂直安装检测地面路径的方式，摄像机垂直安装图像畸变相对较小，检测精度高，但其视野小，无法及时获取AGV前方路况信息。公开号为CN103646249A的中国专利技术专利采用摄像机倾斜安装方式，通过对采集的图像进行处理后得到前方路径中点信息，但其并没有对图像由于倾斜安装引起的倾斜畸变进行校正，只能获得路径中点信息，无法实现对路径宽度等的精确测量。AGV在运行时需要准确识别多分支路径并根据任务选择其中一条路径进行导引，同时也需要准确识别各种工位标识。公开号为CN1438138A的中国专利技术专利利用数字字符标识多分支路径，并通过模板匹配法进行识别，由于其处理数字字符标识需要经过旋转变换、比例变换等复杂过程，需要用运算能力强大的车载计算机进行处理，不适合嵌入式解决方案，并且也未涉及到工位标识的识别。在路径偏差测量方面，传统的方法根据预先设定的路径模型对采集的路径点进行拟合，典型的路径模型有直线模型、圆弧模型以及非圆弧模型等，这类方法计算量大，并且精度相比直线模型计算出来的结果提升有限。在AGV的定位方面，公开号为CN104181920A和CN104835173A的中国专利技术专利提出的视觉定位方法仅能实现AGV在工位点处的定位，但考虑定位精度时并没有考虑其他因素如车体惯性的影响。
技术实现思路
：本专利技术提供一种基于双视野窗口的路径特征识别、偏差测量与精确定位方法。本专利技术采用如下技术方案：一种基于双视野窗口的路径特征识别、偏差测量与精确定位方法，步骤如下：1)针对前置倾斜安装的车载摄像机设置双视野窗口，第一视野窗口为路径特征识别窗口，采用车载摄像机的整幅视野范围；第二视野窗口为路径导引扫描窗口，其窗口宽度为整幅视野宽度，其窗口高度根据车载摄像机的视角以及倾斜安装角度由扫描高度自动缩放方法确定；2)路径特征识别方法，在路径特征识别窗口通过以下流程获取经过泛化处理的神经网络识别器：(1)导引路径原始图像采集；(2)二值化图像预处理；(3)全息图像高维特征矩阵构建；(4)高维特征矩阵核主成分分析降维；(5)神经网络识别器样本训练；3)路径偏差测量方法，针对单支路径，在路径导引扫描窗口将导引路径简化成直线模型，计算相对于导引路径的位置偏差和姿态角偏差，并将所述偏差信号发送给车载控制器；4)二次精确定位方法，在工位点附近连续布置两个间隔特定距离的定位标志，在路径导引扫描窗口检测相对于定位标志的定位距离，通过第一标志减速、第二标志停车实现平稳精确定位，并将减速和停车信号发送给车载控制器；5)多分支路径选择方法，在电子地图中根据运输任务，从多分支路径中选择其中一支路径作为当前导引路径，再转入步骤3)的单支路径偏差测量流程。进一步地，所述路径特征识别方法具体如下：1)导引路径原始图像采集，通过车载摄像机采集路径特征识别窗口中导引路径的原始图像；2)二值化图像预处理，采用图像滤波、光照补偿、畸变校正、图像二值化以及形态学处理，将原始图像处理为二值化图像；3)全息图像高维特征矩阵构建，在路径特征识别窗口中采集M类、每类N幅、分辨率为m×n的二值化图像，将每幅图像按列存储为一个m×n维的行向量，将所述行向量作为样本矩阵的一个样本，最后形成一个大小为(M×N)×(m×n)的高维特征样本矩阵；4)高维特征矩阵主成分分析降维，对高维特征样本矩阵进行主成分分析，选取前p个主成分分量，组成大小为(M×N)×p的新样本矩阵，作为神经网络识别器的训练样本；5)神经网络识别器样本训练，针对(M×N)×p的新样本矩阵，采用有动量+自适应学习率的梯度下降法调整神经网络权值以及连接点阈值，训练神经网络识别器对特征矩阵的识别能力。进一步地，所述二值化图像预处理步骤如下：1)将导引路径的原始图像处理为灰度图像，进行一次均值滤波，得到较为平滑的路径图像；2)对均值滤波后的灰度图像进行光照补偿，通过标定从而确定图像光照中心，以光照中心为基准，按照距离远近划分为3个区域，对高光区域进行补色，对低照度区域进行补光，消除图像的高光现象；3)对路径图像进行畸变校正，采用平面模板法校正由镜头以及摄像机系统带来的桶形畸变，采用“连接点法”校正由于摄像机倾斜安装带来的倾斜畸变，利用校正前的四个输入点(x1,y1)、(x2,y2)、(x3,y3)、(x4,y4)和校正后的四个基准点(x1',y1')、(x2',y2')、(x3',y3')、(x4',y4')计算畸变校正矩阵K，并用双线性插值法插值，K计算公式如下：K=k1k2k3k4k5k6k7k8=x1y1x1y1100000000x1y1x1y11x2y2x2y2100000000x2y2x2y21x3y3x3y3100000000x3y3x3y31x4y4x4y4100000000x4y4x4y41·k1′k2′k3′k4′k5′k6′k7′k8′---(1)]]>4)对畸变校正后的路径图像进行阈值分割，以光照中心为基准，划分为三个不同照度的区域，对每个区域采用最优阈值法确定分割阈值，得到二值化的路径特征图像，其公式如下：式中，O(i0,j0)为图像光照中心坐标，T(i,j)为每个像素点的分割阈值；5)对二值化图像进行两次形态学处理，首先做一次10×10模板的闭运算，使图像轮廓变得光滑，填充细小的孔洞，然后再做一次10×10模板的开运算，同样使轮廓变得光滑，同时断开狭窄的连接，消除毛刺。进一步地，所述高维特征矩阵主成分分析降维步骤如下：1)为高维特征样本矩阵X选定一本文档来自技高网...

【技术保护点】
一种基于双视野窗口的路径特征识别、偏差测量与精确定位方法，其特征在于：步骤如下1)针对前置倾斜安装的车载摄像机设置双视野窗口，第一视野窗口为路径特征识别窗口，采用车载摄像机的整幅视野范围；第二视野窗口为路径导引扫描窗口，其窗口宽度为整幅视野宽度，其窗口高度根据车载摄像机的视角以及倾斜安装角度由扫描高度自动缩放方法确定；2)路径特征识别方法，在路径特征识别窗口通过以下流程获取经过泛化处理的神经网络识别器：(1)导引路径原始图像采集；(2)二值化图像预处理；(3)全息图像高维特征矩阵构建；(4)高维特征矩阵核主成分分析降维；(5)神经网络识别器样本训练；3)路径偏差测量方法，针对单支路径，在路径导引扫描窗口将导引路径简化成直线模型，计算相对于导引路径的位置偏差和姿态角偏差，并将所述偏差信号发送给车载控制器；4)二次精确定位方法，在工位点附近连续布置两个间隔特定距离的定位标志，在路径导引扫描窗口检测相对于定位标志的定位距离，通过第一标志减速、第二标志停车实现平稳精确定位，并将减速和停车信号发送给车载控制器；5)多分支路径选择方法，在电子地图中根据运输任务，从多分支路径中选择其中一支路径作为当前导引路径，再转入步骤3)的单支路径偏差测量流程。...

【技术特征摘要】
1.一种基于双视野窗口的路径特征识别、偏差测量与精确定位方法，其特征在于：步骤
如下
1)针对前置倾斜安装的车载摄像机设置双视野窗口，第一视野窗口为路径特征识别窗
口，采用车载摄像机的整幅视野范围；第二视野窗口为路径导引扫描窗口，其窗口宽度为整
幅视野宽度，其窗口高度根据车载摄像机的视角以及倾斜安装角度由扫描高度自动缩放方
法确定；
2)路径特征识别方法，在路径特征识别窗口通过以下流程获取经过泛化处理的神经网
络识别器：(1)导引路径原始图像采集；(2)二值化图像预处理；(3)全息图像高维特征矩阵
构建；(4)高维特征矩阵核主成分分析降维；(5)神经网络识别器样本训练；
3)路径偏差测量方法，针对单支路径，在路径导引扫描窗口将导引路径简化成直线模
型，计算相对于导引路径的位置偏差和姿态角偏差，并将所述偏差信号发送给车载控制器；
4)二次精确定位方法，在工位点附近连续布置两个间隔特定距离的定位标志，在路径
导引扫描窗口检测相对于定位标志的定位距离，通过第一标志减速、第二标志停车实现平
稳精确定位，并将减速和停车信号发送给车载控制器；
5)多分支路径选择方法，在电子地图中根据运输任务，从多分支路径中选择其中一支
路径作为当前导引路径，再转入步骤3)的单支路径偏差测量流程。
2.如权利要求1所述的基于双视野窗口的路径特征识别、偏差测量与精确定位方法，其
特征在于：所述路径特征识别方法具体如下
1)导引路径原始图像采集，通过车载摄像机采集路径特征识别窗口中导引路径的原始
图像；
2)二值化图像预处理，采用图像滤波、光照补偿、畸变校正、图像二值化以及形态学处
理，将原始图像处理为二值化图像；
3)全息图像高维特征矩阵构建，在路径特征识别窗口中采集M类、每类N幅、分辨率为m
×n的二值化图像，将每幅图像按列存储为一个m×n维的行向量，将所述行向量作为样本矩
阵的一个样本，最后形成一个大小为(M×N)×(m×n)的高维特征样本矩阵；
4)高维特征矩阵主成分分析降维，对高维特征样本矩阵进行主成分分析，选取前p个主
成分分量，组成大小为(M×N)×p的新样本矩阵，作为神经网络识别器的训练样本；
5)神经网络识别器样本训练，针对(M×N)×p的新样本矩阵，采用有动量+自适应学习
率的梯度下降法调整神经网络权值以及连接点阈值，训练神经网络识别器对特征矩阵的识
别能力。
3.如权利要求2所述的基于双视野窗口的路径特征识别、偏差测量与精确定位方法，其
特征在于：所述二值化图像预处理步骤如下
1)将导引路径的原始图像处理为灰度图像，进行一次均值滤波，得到较为平滑的路径
图像；
2)对均值滤波后的灰度图像进行光照补偿，通过标定从而确定图像光照中心，以光照
中心为基准，按照距离远近划分为3个区域，对高光区域进行补色，对低照度区域进行补光，
消除图像的高光现象；
3)对路径图像进行畸变校正，采用平面模板法校正由镜头以及摄像机系统带来的桶形
畸变，采用“连接点法”校正由于摄像机倾斜安装带来的倾斜畸变，利用校正前的四个输入
点(x1,y1)、(x2,y2)、(x3,y3)、(x4,y4)和校正后的四个基准点(x1',y1')、(x2',y2')、(x3',
y3')、(x4',y4')计算畸变校正矩阵K...

【专利技术属性】
技术研发人员：武星，楼佩煌，沈伟良，钱晓明，王龙军，张建鹏，孟凯，李斌，姚盛昕，张颖，金鹏，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏;32