一种机器人视觉定位方法技术

本发明专利技术公开了一种机器人视觉定位方法，该方法包括：S1，对工件进行图像采集、预处理及轮廓的提取；S2，对特征向量进行距离归一化处理；S3，确定候选匹配点集；S4，得到初始匹配点集；S5，剔除误匹配点对。

【技术实现步骤摘要】
一种机器人视觉定位方法
本专利技术属于机器人视觉定位领域，涉及一种机器人视觉定位方法。
技术介绍
近年来，基于双目视觉的工件识别定位为机器人3-D自动抓取提供图像信息成为研究重点，其中立体匹配和关键抓取点的3-D信息重建是主要研究内容。立体匹配作为双目视觉的关键技术，其目的是确定立体图像对点之间的对应关系，精度高、速度快和鲁棒性强的匹配算法成为广大研究者追求的目标。由于工件图像一般缺乏纹理和颜色特征，导致部分特征点匹配方法检测到的特征点较少，故由于区域灰度的相似性导致的误匹配在一定程度上不能保证后续定位精度。
技术实现思路
本专利技术目的在于提供一种机器人视觉定位方法，通过将形状上下文引入双目视觉工件图像的立体匹配中，并引入质心约束条件，融合形状上下文和梯度方向直方图构成联合相似性度量，引入RANSAC剔除误匹配点，实现了较高的匹配精度及更快的匹配速度，满足了工业上双目视觉快速、准确的工件深度信息提取和3-D定位要求，有效地解决了传统形状上下文直方图相似性计算需遍历轮廓采样点、计算复杂性高、不能满足工业实时性要求问题。为解决上述技术问题，本专利技术采用如下的技术方案：一种机器人视觉定位方法，所述方法包括：S1，对工件进行图像采集、预处理及轮廓的提取；S2，对特征向量进行距离归一化处理；S3，确定候选匹配点集；S4，得到初始匹配点集；S5，剔除误匹配点对。本专利技术与现有技术相比具有以下的有益效果：本专利技术方案通过将形状上下文引入双目视觉工件图像的立体匹配中，并引入质心约束条件，融合形状上下文和梯度方向直方图构成联合相似性度量，引入RANSAC剔除误匹配点，实现了较高的匹配精度及更快的匹配速度，满足了工业上双目视觉快速、准确的工件深度信息提取和3-D定位要求。附图说明图1是机器人视觉定位方法流程框图。图2是形状上下文的bin分布图。具体实施方式下面结合附图及具体实施例对本专利技术进行更加详细与完整的说明。可以理解的是，此处所描述的具体实施例仅用于解释本专利技术，而非对本专利技术的限定。参照图1，本专利技术的一种机器人视觉定位方法，所述方法包括：S1，对工件进行图像采集、预处理及轮廓的提取；采用自主研发的两个相同配置的640×480分辨率的黑白CCD相机构成双目视觉系统，分别从不同视角拍摄待检工件，但采集环境的光照强度、空气中的漂浮物、镜头周围可能出现的灰尘等因素，都会影响工件图像采集的效果。工件图像的预处理过程，是为了增强感兴趣的区域，模糊噪声区域，得到便于后续分析计算的高质量图像。在图像预处理中用到的一般方法有：灰度处理，图像滤波，立体校正等。S2，对特征向量进行距离归一化处理；对轮廓采样点进行对数极坐标变换，统计立体图像对各轮廓采样点的形状上下文直方图特征向量，并对特征向量进行距离归一化处理。形状上下文特征用有限轮廓采样点集合来表示待匹配物体，同时假设这些轮廓采样点足以表征物体的形状信息。假设轮廓采样点集合由Pλ＝{p1,p2,…,pλ}表示，λ表示轮廓采样点数目。S21，对数极坐标变换；以第i个轮廓采样点pi(xi,yi)作为参考坐标原点，按下式进行对数极坐标变换，使得形状上下文特征对距离点pi(xi,yi)较近的轮廓采样点较为精确地描述，对距离相对较远的轮廓采样点进行近似的描述：式中，rij为对数极坐标下的半径，θij为对数极坐标下的角度，(xi,yi)对应第i个轮廓采样点pi的笛卡尔坐标系中的坐标，(xj,yj)对应剩余的第(λ-1)个轮廓采样点qj的笛卡尔坐标系中的坐标。S22，形状描述；为得到形状上下文的直方图统计，将对数极坐标下的距离lgr及角度θ分为M和N个区间，如图2所示。对于采样点pi，建立对数极坐标映射表示剩余的λ-1个采样点的分布，可得到直方图Hi，如下所示：Hi＝{hi(k)}＝{hi(m,n)},(1≤k≤K；(m,n)∈I)(2)hi(k)＝#{(qj-pi)∈bin(k)},(j≠i)(3)I＝{(m,n)},(1≤m≤M；1≤n≤N)(4)式中，qj表示余下的采样点；#表示计数操作；bin(k)表示第k个栅格，1≤k≤K，K＝M×N；hi(k)为形状上下文特征。S23，形状上下文归一化；形状上下文特征提取后，若直接进行匹配，不同lgr等级下轮廓采样点数目差异巨大，故引入距离方向的归一化处理，如下式所示：式中，为hi(k)归一化后的值，此时得到直方图S3，确定候选匹配点集；在立体图像对质心的视差约束条件下，根据形状上下文的直方图分布信息进行初步筛选，确定候选匹配点集。S31，视差约束；理论上，经过立体校正的图像对匹配点满足外极线约束条件，但是实际对应匹配点不一定完全在一条直线上，一般在极线上下浮动。因此，在外极线约束条件基础上，引入立体图像对质心的视差约束条件，将匹配搜索空间限定在对应匹配点的较小矩形框内，如下式所示，从而减少搜索空间复杂度：式中，(Cl,x,Cl,y)和(Cr,x,Cr,y)分别为左右图像工件的质心，(xl,yl)和(xr,yr)为一对候选匹配点。对于左图像轮廓采样点(xl,yl)，只需在右图像一个较小的矩形框内查找候选匹配点(xr,yr)，此时将查找搜索的点数限定在矩形搜索框内较少的若干个轮廓像素点。S32，获取候选匹配点集；考虑到形状上下文特征描述向量中包含大量零元素，存在数据冗余，且相似性度量的计算中存在较多耗时的乘方运算，若直接遍历轮廓采样点计算相似度，匹配速度较慢。为减少后续匹配计算复杂度，根据形状上下文的直方图分布信息进行初步筛选，通过对形状上下文非零元素进行标记，在质心的视差约束条件下对比各轮廓边缘点形状上下文的非零元素的分布差异，最后确定候选匹配点集。S4，得到初始匹配点集；匹配时，根据步骤S3确定的候选匹配点计算由形状上下文和梯度方向直方图构成的联合相似性度量值，并采用KNN匹配策略进行阈值判断，得到初始匹配点集。S41，联合相似性度量；由于形状上下文特征对于相邻轮廓采样点区分度不够大，容易造成误匹配。为增加匹配点与非匹配点间的区分度，提高匹配精度，利用反映形状上下文非零元素分布差异值Ncom,ij对形状上下文相似性度量进行加权处理，改进χ2统计检验构成加权相似性度量，且匹配时只需在候选匹配点集中进行加权相似性度量计算：式中，ωij为相似性度量计算的加权系数。由于传统形状上下文只考虑轮廓点的位置分布关系，忽略了点本身的梯度属性，对于确定立体图像对点的对应关系，特征描述区分度不够，容易造成误匹配。为进一步提高匹配精度，引入对噪声、光照变化等具有较高鲁棒性的梯度方向信息，即匹配时引入待匹配轮廓采样点3×3邻域内的梯度方向直方图特征，与形状上下文特征构成联合相似性度量，其中梯度方向直方图将0°～360°的范围分成12柱，每30°为1柱：S＝αCij+βCdir(13)式中，α+β＝1，经过多次实验测试，α∈[0.5,1]，β∈(0,0.5]；Cij为轮廓采样点pi和qi的加权形状上下文相似性度量值；Cdir为对应轮廓采样点pi和qi的梯度方向直方图相似性度量值，为减少光照变化的影响，采用归一化点积计算Cdir，如下式所示：式中，di为点pi的3×3邻域梯度方向直方图特征向量，ei为点qi的3×3邻域梯度方向直方图特征向量。S42，匹配策略；为得到初始匹配点集，借鉴本文档来自技高网...

【技术保护点】
1.一种机器人视觉定位方法，其特征在于，所述方法包括：S1，对工件进行图像采集、预处理及轮廓的提取；S2，对特征向量进行距离归一化处理；S3，确定候选匹配点集；S4，得到初始匹配点集；S5，剔除误匹配点对。

【技术特征摘要】
1.一种机器人视觉定位方法，其特征在于，所述方法包括：S1，对工件进行图像采集、预处理及轮廓的提取；S...

【专利技术属性】
技术研发人员：覃争鸣，杨旭，李康，
申请(专利权)人：广州映博智能科技有限公司，
类型：发明
国别省市：广东,44