一种机器人识别定位方法技术

本发明专利技术公开了一种机器人识别定位方法，属于机器人技术领域，包括以下步骤：S1、启动机器人进行作业，对机器人作业区域场景进行图像采集，S2、将采集的图像进行图像特征提取，S3、对图像间的特征点进行匹配，完成对目标的识别，S4、对机器人装配的摄像机进行标定。本发明专利技术中，能够对目标物体进行识别和定位，避免工作人员触电或坠落等风险，保障了安全，提取的特征点具有更高的显著性，匹配速度和准确度都有一定提高，同时，通过改变摄像机的位置从不同视角获取目标场景图像，获得两幅图像间摄像机的相对位置关系，最终实现目标定位，能够满足特定实用场景需求，具有良好的实用价值。具有良好的实用价值。具有良好的实用价值。

【技术实现步骤摘要】
一种机器人识别定位方法


[0001]本专利技术涉及机器人
，具体为一种机器人识别定位方法。

技术介绍

[0002]近年来，由于计算机和图像处理技术的进步，使利用机器人视觉来模拟生物视觉成为一种重要的方式，视觉技术获得了飞速的发展，并已经在工业、医学、航空航天、电网和目标物跟踪等领域得到了广泛应用。视觉技术研究的重点问题是目标的识别与定位，精确的识别与定位是衡量视觉系统的重要指标，尤其在电网领域，为了避免工作人员人工进行高空带电作业时存在的触电或坠落等风险，急需一种能够在配网带电作业的机器人识别定位方法。

技术实现思路

[0003]本专利技术提供的专利技术目的在于提供一种机器人识别定位方法，能够对目标物体进行识别和定位，避免工作人员触电或坠落等风险，保障了安全，提取的特征点具有更高的显著性，匹配速度和准确度都有一定提高，同时，通过改变摄像机的位置从不同视角获取目标场景图像，获得两幅图像间摄像机的相对位置关系，最终实现目标定位，能够满足特定实用场景需求，具有良好的实用价值。
[0004]为了实现上述效果，本专利技术提供如下技术方案：一种机器人识别定位方法，包括以下步骤：
[0005]S1、启动机器人进行作业，对机器人作业区域场景进行图像采集。
[0006]S2、将采集的图像进行图像特征提取。
[0007]S3、对图像间的特征点进行匹配，完成对目标的识别。
[0008]S4、对机器人装配的摄像机进行标定。
[0009]S5、获取图像中的目标物体在空间的三维位置信息，实现对目标进行定位。
[0010]进一步的，根据S2中的操作步骤，对采集的图像特征进行提取时，包括以下步骤：
[0011]S201、尺度空间极值检测：通过对图像进行尺度变换以得到不同尺度下，图像在尺度空间中的表示序列，对这些序列进行主轮廓提取，并将提取结果作为特征向量，并进行角点检测。
[0012]S202、确定关键点的位置和尺度：通过S201的极值检测，获得需要的极值点，对关键点进行三维二次函数的拟合，剔除低对比度和边缘响应的影响，确定关键点的位置和尺度。
[0013]S203、确定关键点方向：根据图像的局部特性，给每一个关键点分配方向，然后，基于关键点邻域内像素的梯度方向分布情况，计算关键点的梯度方向和大小。
[0014]S204、生成SIFP特征向量：为每一个关键点建立一个特征向量。
[0015]进一步的，根据S3中的操作步骤，在对图像间的特征点进行匹配时，包括以下步骤：
[0016]S301、通过计算得到特征点与最近邻特征点以及次近邻特征点间的欧式距离。
[0017]S302、由这两个欧氏距离间的比例关系确定是否为正确匹配点对。
[0018]S303、对获取的匹配点进行去误差处理。
[0019]进一步的，根据S303中的操作步骤，在去除误差时，建立防射模型来验证特征点对。
[0020]进一步的，根据S4中的操作步骤，对摄像机进行标定时，包括如下操作步骤：
[0021]S401、忽略摄像机镜头的畸变，用线性模型求解摄像机的部分参数，以此作为初值。
[0022]S402、建立摄像机的非线性模型，并对初值和畸变系数进行优化迭代，获取精确的标定结果。
[0023]进一步的，根据S5中的操作步骤，在对目标物体定位时，包括如下步骤：
[0024]S501、对摄像机进行标定获得其内部参数。
[0025]S502、改变摄像机的位置获得两幅不同视角下拍摄的场景图像。
[0026]S503、对图像中目标物体进行特征提取和匹配，根据极线几何约束，通过匹配点对来获得基础矩阵。
[0027]S504、结合摄像机的内参数求取本质矩阵，通过对本质矩阵分解进而确定两次拍摄时摄像机间的位置关系。
[0028]S505、依据己知的参考图像中目标物体的深度信息，计算出当前场景中目标的三维信息，完成目标定位。
[0029]进一步的，根据S503中的操作步骤，在获得基础矩阵时，至少选择8个匹配点。
[0030]本专利技术提供了一种机器人识别定位方法，具备以下有益效果：
[0031](1)、本专利技术，能够对目标物体进行识别和定位，避免工作人员触电或坠落等风险，保障了安全，提取的特征点具有更高的显著性，匹配速度和准确度都有一定提高。
[0032](2)、本专利技术，通过改变摄像机的位置从不同视角获取目标场景图像，获得两幅图像间摄像机的相对位置关系，最终实现目标定位，能够满足特定实用场景需求，具有良好的实用价值。
附图说明
[0033]图1为一种机器人识别定位方法的总流程图；
[0034]图2为一种机器人识别定位方法的图像特征提取的流程图；
[0035]图3为一种机器人识别定位方法的特征点匹配的流程图；
[0036]图4为一种机器人识别定位方法的摄像机标定的流程图；
[0037]图5为一种机器人识别定位方法的目标物体定位的流程图。
具体实施方式
[0038]本专利技术提供一种技术方案：请参阅图1-4，一种机器人识别定位方法，包括以下步骤：(1)、启动机器人进行作业，对机器人作业区域场景进行图像采集。
[0039](2)、将采集的图像进行图像特征提取，对采集的图像特征进行提取时，包括以下步骤：(201)、尺度空间极值检测：通过对图像进行尺度变换以得到不同尺度下，图像在尺度
空间中的表示序列，对这些序列进行主轮廓提取，并将提取结果作为特征向量，并进行角点检测，具体的实现过程如下：首先，利用高斯函数对图像进行卷积，之后，将图像与高斯核进行卷积，得到：
[0040]L(x,y,σ)＝G(x,y,σ)*I(x,y)
[0041]其中，L(x,y,σ)是图像在不同尺度下的尺度空间，G(x,y,σ)为高斯函数对图像进行卷积，σ表示尺度空间因子。
[0042](202)、确定关键点的位置和尺度：通过(201)的极值检测，获得需要的极值点，对关键点进行三维二次函数的拟合，剔除低对比度和边缘响应的影响，确定关键点的位置和尺度，(203)、确定关键点方向：根据图像的局部特性，给每一个关键点分配方向，然后，基于关键点邻域内像素的梯度方向分布情况，计算关键点的梯度方向和大小，(204)、生成SIFP特征向量：为每一个关键点建立一个特征向量。
[0043](3)、对图像间的特征点进行匹配，完成对目标的识别,在对图像间的特征点进行匹配时，包括以下步骤：(301)、通过计算得到特征点与最近邻特征点以及次近邻特征点间的欧式距离，(302)、由这两个欧氏距离间的比例关系确定是否为正确匹配点对，
[0044]其中，
[0045]Dis tan ce(1stNN)表示与最近邻居的欧氏距离，Dis tan ce(2stNN)表示与次近邻居的欧氏距离。当DistRatio低于某个设定的阈值时，匹配成功，此时的最近邻居即为匹配点；反本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种机器人识别定位方法，其特征在于，包括以下步骤：S1、启动机器人进行作业，对机器人作业区域场景进行图像采集；S2、将采集的图像进行图像特征提取；S3、对图像间的特征点进行匹配，完成对目标的识别；S4、对机器人装配的摄像机进行标定；S5、获取图像中的目标物体在空间的三维位置信息，实现对目标进行定位。2.根据权利要求1所述的一种机器人识别定位方法，其特征在于，根据S2中的操作步骤，对采集的图像特征进行提取时，包括以下步骤：S201、尺度空间极值检测：通过对图像进行尺度变换以得到不同尺度下，图像在尺度空间中的表示序列，对这些序列进行主轮廓提取，并将提取结果作为特征向量，并进行角点检测；S202、确定关键点的位置和尺度：通过S201的极值检测，获得需要的极值点，对关键点进行三维二次函数的拟合，剔除低对比度和边缘响应的影响，确定关键点的位置和尺度；S203、确定关键点方向：根据图像的局部特性，给每一个关键点分配方向，然后，基于关键点邻域内像素的梯度方向分布情况，计算关键点的梯度方向和大小；S204、生成SIFP特征向量：为每一个关键点建立一个特征向量。3.根据权利要求1所述的一种机器人识别定位方法，其特征在于，根据S3中的操作步骤，在对图像间的特征点进行匹配时，包括以下步骤：S301、通过计算得到特征点与最近邻特征点以及次近邻特征点间的欧式距离；S3...

【专利技术属性】
技术研发人员：蒋凯，
申请(专利权)人：广东凯宝机器人科技有限公司，
类型：发明
国别省市：