复杂光照条件下视觉导引系统的路径提取与识别方法技术方案

本发明专利技术公开了一种复杂光照条件下视觉导引系统的路径提取与识别方法，首先通过分析光照照度与图像亮度分量的关系，建立表征图像色彩分布规律的光照色彩模型。其次设计一种区分复杂光照路径图像中高亮光区域、正常照度区域和暗阴影区域的图像照度分类器，在RGB色彩空间对低照度区域进行图像增强以还原路径色彩信息，在高亮光区域对色度分量Cb与Cr进行差分运算以抑制共模照度干扰，再进行自适应阈值分割。最后采用粒子群优化方法识别导引路径的最优参数模型。本发明专利技术的方法可显著提高视觉导引系统在复杂光照下提取、识别导引路径的精确性、可靠性和智能性。

Path extraction and recognition method for visual guidance system under complex illumination

The invention discloses a path extraction and recognition method for a vision guidance system under complex illumination conditions. First, by analyzing the relationship between illumination intensity and image brightness component, a light color model representing the color distribution rule of an image is established. The design of a complex light illumination image classifier to distinguish path image for high light area and normal area of illumination and dark shadow areas, in the RGB color space of low illumination image enhancement area to restore the path of color information in the Gao Liangguang area of chroma of Cb and Cr differential operation to suppress common mode interference and illumination. Adaptive threshold segmentation. Finally, the particle swarm optimization (PSO) method is used to identify the optimal parameter model of the guidance path. The method of the invention can significantly improve the accuracy, reliability and intelligence of the visual guidance system to extract and identify the guidance path under the complex light.

【技术实现步骤摘要】
复杂光照条件下视觉导引系统的路径提取与识别方法
本专利技术属于计算机视觉检测及移动机器人视觉导航
，具体指代一种复杂光照条件下视觉导引系统的路径提取与识别方法。
技术介绍
自动导引车(Automatedguidedvehicle，AGV)是一种可沿指定路径自动行驶并在不同工位点之间进行物料搬运的移动机器人，已广泛应用于汽车、电子、仓储和食品等行业的生产物流输送。相比于其它导引方式，视觉导引技术具有路径布局柔性大、测量精度高、设置成本低等优点。然而机器视觉系统的识别性能易受复杂环境光照变化的影响，在作业现场复杂多变的光照条件下实现机器视觉系统的稳定可靠运行，是提升视觉导引AGV复杂环境适应性的关键技术。基于视觉的自动导引车，其导引路径识别过程包括两个环节：路径特征提取和导引参数测量，而路径特征提取的精确性直接影响导引参数测量的精度。在视觉导引AGV的运行过程中，车载摄像机采集导引路径图像时需依靠视觉照明系统提供光照条件。而运行环境中不同地点的光照条件可能不断发生变化，并可能存在地面反光、强光照、暗阴影以及光照突变等各种复杂光照干扰现象，严重影响了车载摄像机所采集的导引路径图像质量本文档来自技高网...

【技术保护点】
一种复杂光照条件下视觉导引系统的路径提取与识别方法，其特征在于，包括步骤如下：1)采集给视觉导引系统识别导引路径提供光照条件的照明光源以及造成光线遮挡的环境物体所共同形成的N幅复杂光照路径图像，包括N1幅具有高亮光区域的路径图像、N2幅具有暗阴影区域的路径图像和N3幅同时具有高亮光和暗阴影区域的路径图像；2)针对N幅复杂光照路径图像，通过摄像机成像原理统计复杂光照路径图像中同一像素点的光照照度与图像亮度分量的对应关系，以图像亮度分量代替光照照度，建立表征复杂光照下路径图像色彩分布规律的光照色彩模型，描述复杂光照路径图像的色度分量相对于亮度分量的变化情况；3)以采集的N幅复杂光照路径图像为样本图...

【技术特征摘要】
1.一种复杂光照条件下视觉导引系统的路径提取与识别方法，其特征在于，包括步骤如下：1)采集给视觉导引系统识别导引路径提供光照条件的照明光源以及造成光线遮挡的环境物体所共同形成的N幅复杂光照路径图像，包括N1幅具有高亮光区域的路径图像、N2幅具有暗阴影区域的路径图像和N3幅同时具有高亮光和暗阴影区域的路径图像；2)针对N幅复杂光照路径图像，通过摄像机成像原理统计复杂光照路径图像中同一像素点的光照照度与图像亮度分量的对应关系，以图像亮度分量代替光照照度，建立表征复杂光照下路径图像色彩分布规律的光照色彩模型，描述复杂光照路径图像的色度分量相对于亮度分量的变化情况；3)以采集的N幅复杂光照路径图像为样本图像，采用机器学习方法，设计一种区分复杂光照路径图像中高亮光区域、正常照度区域和暗阴影区域的图像照度分类器，并利用所述图像照度分类器区分复杂光照路径图像中的不同照度区域；4)针对复杂光照路径图像的暗阴影区域，将图像从YCbCr色彩空间转换到RGB色彩空间，根据光照色彩模型选取标准照度所对应的图像亮度值并进行图像增强，再将增强后的图像转换回YCbCr色彩空间；再采用最大类间方差的阈值分割方法，以蓝色色度分量Cb为分割条件，从图像背景区域中提取目标路径像素集P1；5)针对复杂光照路径图像的高亮光区域，根据光照色彩模型对蓝色色度分量Cb与红色色度分量Cr进行差分运算，从而获得表征图像Cb-Cr色度差分值相对于图像照度变化规律的光照差分色度模型；再采用最大类间方差的阈值分割方法，以Cb-Cr色度差分值为分割条件，从图像背景区域中提取目标路径像素集P2；6)针对复杂光照路径图像的正常照度区域，采用固定单阈值分割方法，以蓝色色度分量Cb为分割条件，从图像背景区域中提取目标路径像素集P3；7)针对分别从复杂光照路径图像的暗阴影区域、高亮光区域和正常照度区域所提取的所有目标路径像素集P，采用粒子群优化方法，识别像素集P所表示的导引路径的最优参数模型，并根据最优参数模型计算路径偏差。2.根据权利要求1所述的复杂光照条件下视觉导引系统的路径提取与识别方法，其特征在于，所述的步骤1)中复杂光照路径图像的采集方法如下：以地面铺设的导引路径为视觉导引系统的识别目标，在移动机器人的运行过程中，针对其车载照明光源、室内环境灯光、室外射入的自然光以及遮挡光源光线的环境物体，采集由于光源亮度变化、多个光源和环境物体相对于移动机器人的位置角度变化和空间分布变化而形成的具有高亮光或和暗阴影区域、明暗对比强烈、照度分布很不均匀的N幅复杂光照路径图像。3.根据权利要求1或2所述的复杂光照条件下视觉导引系统的路径提取与识别方法，其特征在于，所述的步骤的2)中光照色彩模型的建立方法如下：根据摄像机成像原理，分析出光照照度与图像亮度分量值成线性相关，并通过实验验证：通过移动机器人的车载摄像机，拍摄不同光照照度条件下的导引路径图像；利用光照照度计测量车载摄像机光心位置处的光照照度E，在复杂光照路径图像中计算对应光心位置处的图像亮度分量Y；针对N幅复杂光照路径图像，统计光心位置处的图像亮度分量Y相对于光照照度E的变化规律；再以图像亮度分量Y代替光照照度E，针对每一幅复杂光照路径图像中的地面背景和目标路径部分，选取光照不均匀区域的像素点，分别统计其蓝色色度分量Cb、红色色度分量Cr与亮度分量Y的相关分布，建立表征复杂光照下路径图像色彩分布规律的光照色彩模型；根据蓝色色度分量Cb与图像亮度分量Y的相关分布，选择暗阴影区域和正常照度区域的初始分区阈值Yb1、正常照度区域和高亮光区域的初始分区阈值Yb2。4.根据权利要求1所述的复杂光照条件下视觉导引系统的路径提取与识别方法，其特征在于，所述的步骤的3)中图像照度分类器的设计方法如下：设暗阴影区域中低照度像素的集合为C1，正常照度区域中正常照度像素的集合为C2，高亮光区域中高照度像素的集合为C3，集合C12为集合C1和C2的并集，集合C23为集合C2和C3的并集；所述图像照度分类器包含第一子分类器和第二子分类器，所述第一子分类器根据其输出值R1将待判断的像素照度分为两类，输出值R1＝1的像素属于C12类，输出值R1＝-1的像素属于C3类；所述第二子分类器根据其输出值R2将待判断的像素照度分为两类，输出值R2＝1的像素属于C23类，输出值R2＝-1的像素属于C1类；当R1＝1且R2＝-1时，待判断的像素属于C1类的低照度像素；当R1＝-1且R2＝1时，待判断的像素属于C3类的高照度像素；当R1＝1且R2＝1时，待判断的像素属于C2类的正常照度像素；当R1＝-1且R2＝-1时，待判断的像素属于不可分像素，若其亮度分量Y小于初始分区阈值Yb1，则该像素属于低照度像素，若其亮度分量Y大于初始分区阈值Yb2，则该像素属于高照度像素，否则该像素属于正常照度像素。5.根据权利要求4所述的复杂光照条件下视觉导引系统的路径提取与识别方法，其特征在于，所述的图像照度分类器的子分类器的设计方法如下：针对路径图像中任一像素p(i,j)，选取其亮度分量Y(i,j)、邻域平均亮度亮度分量与蓝色色度分量Cb(i,j)之比K(i,j)组成该像素p(i,j)的特征向量xi，j，即其中，i、j为像素在图像平面中的坐标，a为像素p(i,j)的邻域半径，m、n为像素p(i,j)邻域中像素的坐标；以采集的N幅复杂光照路径图像为样本图像，在特征向量xk所在的多维特征空间中，构建通过机器学习方法训练子分类器的样本集(xk，yk)，其中，k为特征向量xi，j在多维特征空间中的编号，样本集(xk，yk)的总数为l，即k＝1,2,…,l，yk∈{-1，1}，表示样本集中特征向量xk的两类不同分类结果；在多维特征空间中，若C12类像素与C3类像素线性可分，则第一子分类器采用第一类设计方法，若C12类像素与C3类像素线性不可分，则第一子分类器采用第二类设计方法；若C1类像素与C23类像素线性可分，则第二子分类器采用第一类设计方法，若C1类像素与C23类像素线性不可分，则第二子分类器采用第二类设计方法。6.根据权利要求5所述的复杂光照条件下视觉导引系统的路径提取与识别方法，其特征在于，所述的图像照度分类器的子分类器的第一类设计方法如下：1)寻找一对最优权值向量w*和最优偏置量b*，构建一个最优分类超平面：wTxk+b＝0(4)使得所有样本点的特征向量xk到最优分类超平面的分类距离dk最大：2)针对分类距离最大化问题，采用Lagrange乘子α＝[α1，α2，...，αl]T，(αk＞0)进行对偶规划，在给定约束条件下：求解以下目标函数的最大值：3)采用二次规划方法求解Lagrange乘子的最优解则最优权值向量w*和最优偏置量b*为：其中，xr和xs分别为两类像素样本集的特征向量中的任一支持向量；由此可得第一类设计方法的子分类器为：其中，x为待判断像素的特征向量，T为转置符号，f(x)为子分类器的输出值；对于第一子分类器，R1＝f(x)，对于第二子分类器，R2＝f(x)；其中，所述的图像照度分类器的子分类器的第二类设计方法如下：利用核函数对样本进行非线性映射：H(xm,xn)＝g(xm)g(xn)(11)则最优权值向量w*为：由此可得第...

【专利技术属性】
技术研发人员：武星，楼佩煌，张颖，王龙军，钱晓明，李林慧，陈华，
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