一种机器人视觉识别定位方法及系统技术方案

本发明专利技术公开了一种机器人视觉识别定位方法，包括S1、构建机器人相机模型，并对相机进行标定；S2、获取相机采集的环境图像，并进行预处理；S3、对预处理后的环境图像中的特征点进行连续跟踪检测；S4、根据检测的特征点对机器人位姿进行估计。本发明专利技术通过构建机器人视觉环境下的坐标系转换模型，并对环境图像中的特征点进行连续跟踪检测，最后基于检测的特征点进行机器人位姿估计，在保证定位精度的同时，能够加快机器人定位算法的计算效率。加快机器人定位算法的计算效率。加快机器人定位算法的计算效率。

【技术实现步骤摘要】
一种机器人视觉识别定位方法及系统


[0001]本专利技术涉及机器人自我感知和定位
，具体涉及一种机器人视觉识别定位方法及系统。

技术介绍

[0002]随着机器人技术的发展，具有移动行走功能、环境感知能力以及自主规划能力智能移动机器人得到了各国研究人员的普遍重视，特别是在20世纪八、九十年代，随着计算机技术、微电子技术、网络技术等的快速发展，机器人技术的发展突飞猛进。智能机器人移动的重要特点在于它的自主性和适应性。自主性是指它可以在一定的环境中，不依赖外部控制，完全自主地执行一定的任务；适应性是指它可以实时识别和测量周围的物体，并根据环境变化，调节自身参数、动作策略以及处理紧急情况。
[0003]随着智能机器人技术的发展，其在军事、医疗、商业等领域发挥着重要的作用，人们对智能移动机器人的需求和期望也越来越高，越来越迫切，移动机器人研究从而进入了崭新的发展阶段。定位技术是智能移动机器人的研究核心，同时也是其实现完全自动化的关键技术。机器人只有准确知道自身位置，工作空间中障碍物的位置以及障碍物的运动情况等信息，才能安全有效地进行移动，由此可见，自主定位和环境分析是移动机器人最重要的能力之一。

技术实现思路

[0004]针对现有技术中的上述不足，本专利技术提供了一种机器人视觉识别定位方法及系统。
[0005]为了达到上述专利技术目的，本专利技术采用的技术方案为：
[0006]第一方面，本专利技术提供了一种机器人视觉识别定位方法，包括以下步骤：
[0007]S1、构建机器人相机模型，并对相机进行标定；
[0008]S2、获取相机采集的环境图像，并进行预处理；
[0009]S3、对预处理后的环境图像中的特征点进行连续跟踪检测；
[0010]S4、根据检测的特征点对机器人位姿进行估计。
[0011]进一步地，所述步骤S1具体包括以下分步骤：
[0012]S1
‑
1、分别建立世界坐标系和图像坐标系；
[0013]S1
‑
2、以机器人相机的光心作为原点，以机器人相机的光轴作为Z轴，以平行于图像平面坐标系的x轴和y轴方向作为x轴和y轴，建立相机坐标系；
[0014]S1
‑
3、根据世界坐标系、相机坐标系和图像坐标系之间的关系，建立图像坐标系与世界坐标系的转换模型，表示为：
[0015][0016]式中，(u,v)表示特征点在图像坐标系的二维坐标值，(x,y,z)表示特征点在世界坐标系的三维坐标值，(x
c
,y
c
,z
c
)表示特征点在相机坐标系的三维坐标值，f表示相机焦距，u0,v0表示相机的图像中心在x轴和y轴方向采样时的位置偏移量，dx,dy表示相机的像素在x轴和y轴方向采样时的量化因子。
[0017]进一步地，所述步骤S2具体包括以下分步骤：
[0018]S2
‑
1、获取相机采集的环境图像；
[0019]S2
‑
2、对采集的环境图像进行畸变和切向误差修正，表示为：
[0020][0021]式中，(u,v)表示特征点在图像坐标系的二维坐标值，表示特征点在图像坐标系修正后的二维坐标值，k1,k2,k3表示畸变系数，p1,p2表示泰勒级数，r表示特征点距离相机光心的距离；
[0022]S2
‑
3、对修正后的环境图像进行去噪处理；
[0023]S2
‑
4、对处理后的环境图像进行灰度化处理。
[0024]进一步地，所述步骤S3具体包括以下分步骤：
[0025]S3
‑
1、对预处理后的环境图像进行特征检测；
[0026]S3
‑
2、对连续环境图像中相邻的两幅环境图像中的特征点进行匹配；
[0027]S3
‑
3、采用拓展卡尔曼滤波方法计算匹配的特征点坐标。
[0028]进一步地，所述步骤S3
‑
1具体包括以下分步骤：
[0029]S3
‑1‑
1、采用滑动窗口计算每个窗口的加权熵的极大值，得到候选特征点；
[0030]S3
‑1‑
2、分别计算每个候选特征点的特征响应值，并按照图像灰度变化进行分类；
[0031]S3
‑1‑
3、分别对分类的不同候选特征点采用几何阈值进行检测；
[0032]S3
‑1‑
4、将检测得到的特征点采用门限值进行筛选，最终得到检测的特征点。
[0033]进一步地，所述步骤S3
‑
2具体包括以下分步骤：
[0034]S3
‑2‑
1、采用如下匹配条件对连续环境图像中相邻的两幅环境图像中的特征点进行匹配：
[0035][0036]X
i
＝Δ
i20
+Δ
i02
[0037]X
j
＝Δ
j20
+Δ
j02
[0038][0039][0040]式中，d
ij
表示连续环境图像中相邻的两幅环境图像中的特征点匹配值，Δ
ipq
表示特征点i的(p+q)阶规范化中心矩；
[0041]S3
‑2‑
2、判断连续环境图像中相邻的两幅环境图像中的特征点匹配值是否小于或等于匹配阈值；若是，则该两个特征点匹配；否则不匹配。
[0042]进一步地，所述步骤S3
‑
3具体包括以下分步骤：
[0043]S3
‑3‑
1、构建拓展卡尔曼滤波的非线性差分模型和观测模型，表示为：
[0044][0045][0046]式中，x(k)表示特征点的真实值，其中各元素为特征点旋转和平移向量，z(k)表示特征点的观测值；
[0047]S3
‑3‑
2、采用拓展卡尔曼滤波方法计算匹配的特征点坐标，表示为：
[0048][0049]式中，z
j
(k)表示k时刻环境图像中与k
‑
1时刻环境图像中匹配成功的n个特征点中的第j个特征点在图像坐标系中的坐标。
[0050]进一步地，所述步骤S4具体包括以下分步骤：
[0051]S4
‑
1、建立表征机器人位姿的位姿矩阵；
[0052]S4
‑
2、对检测的所有特征点进行归一化，并结合机器人的位姿矩阵构建定位模型；
[0053]S4
‑
3、将所有的定位模型展开为向量形式，构建定位线性方程组并进行求解；
[0054]S4
‑
4、对求解得到的位姿矩阵进行奇异值分解，得到机器人的旋转矩阵和平移向量。
[0055]进一步地，所述定位模型表示为：
[0056][0057]式中，(u...

【技术保护点】

【技术特征摘要】
1.一种机器人视觉识别定位方法，其特征在于，包括以下步骤：S1、构建机器人相机模型，并对相机进行标定；S2、获取相机采集的环境图像，并进行预处理；S3、对预处理后的环境图像中的特征点进行连续跟踪检测；S4、根据检测的特征点对机器人位姿进行估计。2.根据权利要求1所述的机器人视觉识别定位方法，其特征在于，所述步骤S1具体包括以下分步骤：S1
‑
1、分别建立世界坐标系和图像坐标系；S1
‑
2、以机器人相机的光心作为原点，以机器人相机的光轴作为Z轴，以平行于图像平面坐标系的x轴和y轴方向作为x轴和y轴，建立相机坐标系；S1
‑
3、根据世界坐标系、相机坐标系和图像坐标系之间的关系，建立图像坐标系与世界坐标系的转换模型，表示为：式中，(u,v)表示特征点在图像坐标系的二维坐标值，(x,y,z)表示特征点在世界坐标系的三维坐标值，(x
c
,y
c
,z
c
)表示特征点在相机坐标系的三维坐标值，f表示相机焦距，u0,v0表示相机的图像中心在x轴和y轴方向采样时的位置偏移量，dx,dy表示相机的像素在x轴和y轴方向采样时的量化因子。3.根据权利要求1所述的机器人视觉识别定位方法，其特征在于，所述步骤S2具体包括以下分步骤：S2
‑
1、获取相机采集的环境图像；S2
‑
2、对采集的环境图像进行畸变和切向误差修正，表示为：式中，(u,v)表示特征点在图像坐标系的二维坐标值，表示特征点在图像坐标系修正后的二维坐标值，k1,k2,k3表示畸变系数，p1,p2表示泰勒级数，r表示特征点距离相机光心的距离；S2
‑
3、对修正后的环境图像进行去噪处理；S2
‑
4、对处理后的环境图像进行灰度化处理。4.根据权利要求1所述的机器人视觉识别定位方法，其特征在于，所述步骤S3具体包括以下分步骤：S3
‑
1、对预处理后的环境图像进行特征检测；S3
‑
2、对连续环境图像中相邻的两幅环境图像中的特征点进行匹配；S3
‑
3、采用拓展卡尔曼滤波方法计算匹配的特征点坐标。5.根据权利要求4所述的机器人视觉识别定位方法，其特征在于，所述步骤S3
‑
1具体包
括以下分步骤：S3
‑1‑
1、采用滑动窗口计算每个窗口的加权熵的极大值，得到候选特征点；S3
‑1‑
2、分别计算每个候选特征点的特征响应值，并按照图像灰度变化进行分类；S3
‑1‑
3、分别对分类的不同候选特征点采用几何阈值进行检测；S3
‑1‑
4、将检测得到的特征点采用门...

【专利技术属性】
技术研发人员：张九华，陈兴元，罗国平，
申请(专利权)人：乐山师范学院，
类型：发明
国别省市：