基于光度补偿的煤矿井下机器人位置感知图像增强方法技术

本发明专利技术涉及一种基于光度补偿的煤矿井下机器人位置感知图像增强方法，包括步骤：对激光点云数据和原始深度图像数据进行处理，对带噪音的稠密深度图像数据进行平面拟合和分割，得到小区域；在小区域内建立基于贝叶斯克里金的数据融合模型，得到最优权重系数，回代到基于贝叶斯克里金的数据融合模型中，获得重建的稠密高精度点云；在井下环境为漫反射的区域对图像进行恢复增强。本发明专利技术的有益效果是：本发明专利技术在井下环境为漫反射的区域对图像进行恢复增强；为机器人的定位提供良好的数据支撑，解决了复杂煤矿环境的感知和精确建模问题。本发明专利技术提出一种基于主动光源光度补偿的图像增强算法，克服了低照度的井下环境，恢复了图像纹理。理。

【技术实现步骤摘要】
基于光度补偿的煤矿井下机器人位置感知图像增强方法


[0001]本专利技术属于煤矿环境的环境精确感知领域，尤其涉及一种基于主动光源光度补偿的煤矿井下机器人位置感知图像增强方法。

技术介绍

[0002]井下环境光照条件差，纹理特征稀疏，纹理特征色调单一且大颗粒灰尘较多，单一传感器无法应对此类特殊情况下的即时定位与地图构建(SLAM)。
[0003]基于视觉的定位在暗黑无光的环境中无法捕捉到稳定有效的特征点，定位精度低，需借助主动光源、其他标记点或传感器来辅助提高定位精度；基于激光点云的定位方法，其定位精度依赖于较强的环境结构特征，比如交叉路口的尖锐边缘点；综上所述，目前基于激光雷达+IMU、视觉+红外+IMU、激光+可见光+红外+IMU的缺陷在于，传统特征提取算法在井下环境中无法提取稳定的特征用于融合。
[0004]现有技术中复杂煤矿环境的感知和精确建模存在一定难度：在弱光照及GPS拒止的矿井环境中，测距精确有效的激光点云信息占据至关重要的地位，但稀疏的激光点云不能提供足够的环境特征信息。而除了激光雷达外，获取环境深度信息的传感器，比如基于双目匹配的深度相机可以获得稠密丰富的深度图像，但深度图像的深度值受到显著的噪声干扰，导致基于双目匹配的深度相机的测量精度远不及激光点云准确。因此，针对单一的深度传感器无法精确感知矿井环境几何特征的问题。
[0005]现有技术中低照度弱纹理的巷道图像特征存在难以识别的问题：在几乎黑暗的煤矿环境中，无人机需要借助自身携带的主动光源完成对井下环境图像的获取；而光源的传播特性会使得图像中距离光源近的区域亮度高，距离光源远的区域图像亮度低，导致纹理特征变化大。利用现有的图像关键点描述子提取算法得到的图像特征十分不稳定，容易出现错误匹配。连续的图像帧之间不能实现准确的配准，给基于视觉的定位导航带来了极大的困难。
[0006]视觉图像作为井下环境尤其是灾后最直观的反映，无论是对机器人导航还是工作人员都具有重要的意义；如何克服低照度的井下环境，恢复图像纹理，提出一种基于主动光源光度补偿的图像增强算法具有重要的研究意义。

技术实现思路

[0007]本专利技术的目的是克服现有技术中的不足，提供一种基于主动光源光度补偿的煤矿井下机器人位置感知图像增强方法。
[0008]这种基于光度补偿的煤矿井下机器人位置感知图像增强方法，包括以下工作步骤：
[0009]步骤1、对激光点云数据和原始深度图像数据进行处理，对原始深度图像数据中带噪音的稠密深度图像数据进行平面拟合和分割，得到小区域；在小区域内建立基于贝叶斯克里金的数据融合模型，得到最优权重系数，将最优权重系数回代到基于贝叶斯克里金的
数据融合模型中，获得重建的稠密高精度点云；
[0010]步骤2、剔除原始RGB图像的高光区域，结合稠密高精度点云的深度信息，估计井下环境表面的反射率，结合光照系数对图像进行重渲染，在井下环境为漫反射的区域对图像进行恢复增强。
[0011]作为优选，步骤1具体包括以下步骤：
[0012]步骤1.1、采用激光点云数据几何空间最优逼近算法，进行激光点云数据和原始深度图像数据预处理：设传感器之间的相互关系已知，将激光点云数据和原始深度图像数据转换到同一参考坐标系下；
[0013]步骤1.2、设原始深度图像数据符合高斯分布，用RANSAC随机一致算法，对原始深度图像数据中带噪音的稠密深度图像数据进行平面拟合和分割，并根据分割后得到的小区域的平面拟合方程来估计每一个像素点的高斯参数；
[0014]步骤1.3、在步骤1.2分割后得到的小区域内，建立基于贝叶斯克里金的数据融合模型，在无偏最优估计的前提下，对方差进行最小化估计，建立优化方程；
[0015]步骤1.4、在每个小区域内，对原始深度图像数据和点云数据进行空间协方差关联分析；
[0016]步骤1.5、拟合变差函数和条件变差函数，求解最优权重系数，将最优权重系数带回步骤1.3建立的基于贝叶斯克里金的数据融合模型中，获得重建的稠密高精度点云。
[0017]作为优选，步骤2具体包括如下步骤：
[0018]步骤2.1、假设井下环境表面为朗伯表面，检测出原始RGB图像的高光区域后对其进行剔除；
[0019]步骤2.2、建立SFS模型，结合步骤1得到的稠密高精度点云的深度信息，初步估计井下环境表面的反射率；
[0020]步骤2.3、基于Retinex图像增强算法模型，建立优化方程，根据优化方程求解优化后的反射率和光照系数对图像进行重渲染，在井下环境为漫反射的区域对图像进行亮度恢复和纹理增强。
[0021]本专利技术的有益效果是：
[0022]本专利技术结合稀疏高精度的激光点云信息和稠密模糊的深度图像信息双通道深度数据，分析二者关联关系，建立冗余深度数据融合模型，估计井下高精度稠密点云数据，结合稠密高精度点云的深度信息，估计井下环境表面的反射率，结合光照系数对图像进行重渲染，在井下环境为漫反射的区域对图像进行恢复增强；为机器人的定位提供良好的数据支撑，解决了复杂煤矿环境的感知和精确建模问题。本专利技术提出一种基于主动光源光度补偿的图像增强算法，克服了低照度的井下环境，恢复了图像纹理。
具体实施方式
[0023]下面结合实施例对本专利技术做进一步描述。下述实施例的说明只是用于帮助理解本专利技术。应当指出，对于本
的普通人员来说，在不脱离本专利技术原理的前提下，还可以对本专利技术进行若干修饰，这些改进和修饰也落入本专利技术权利要求的保护范围内。
[0024]作为一种实施例，一种基于主动光源光度补偿的煤矿井下机器人位置感知图像增强方法，包括以下工作步骤：
[0025]步骤1、对激光点云数据和原始深度图像数据进行处理，对原始深度图像数据中带噪音的稠密深度图像数据进行平面拟合和分割，得到小区域；在小区域内建立基于贝叶斯克里金的数据融合模型，得到最优权重系数，将最优权重系数回代到基于贝叶斯克里金的数据融合模型中，获得重建的稠密高精度点云；
[0026]步骤1.1、采用激光点云数据几何空间最优逼近算法，进行激光点云数据和原始深度图像数据预处理：设传感器之间的相互关系已知，将激光点云数据和原始深度图像数据转换到同一参考坐标系下；
[0027]激光点云数据和原始深度图像数据预处理方式具体为：通过激光雷达获取激光点，根据激光点获取第一组极坐标串；通过深度相机获取深度图像，其中，深度图像包括第一像素点；第一像素点是一个二维数据点，其中第一像素点的像素值对应深度信息，第一像素点在深度图像中的位置对应空间信息；根据第一像素点计算第一像素点到激光雷达的第一角度；读取第一像素点的深度信息，并根据深度信息得到每列第一像素点到激光雷达的第一距离；将第一距离和第一角度组成点的集合，从而获取第二组极坐标串；将第一组极坐标串和第二组极坐标串按角度进行序列融合，将激光点云数据和原始深度图像数据转换到同一参考坐标系下；
[0028]步骤1.2、设原始深度图像数据符合高斯分布，用RANS本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于光度补偿的煤矿井下机器人位置感知图像增强方法，其特征在于，包括以下工作步骤：步骤1、对激光点云数据和原始深度图像数据进行处理，对原始深度图像数据中带噪音的稠密深度图像数据进行平面拟合和分割，得到小区域；在小区域内建立基于贝叶斯克里金的数据融合模型，得到最优权重系数，将最优权重系数回代到基于贝叶斯克里金的数据融合模型中，获得重建的稠密高精度点云；步骤2、剔除原始RGB图像的高光区域，结合稠密高精度点云的深度信息，估计井下环境表面的反射率，结合光照系数对图像进行重渲染，在井下环境为漫反射的区域对图像进行恢复增强。2.根据权利要求1所述基于光度补偿的煤矿井下机器人位置感知图像增强方法，其特征在于，步骤1具体包括以下步骤：步骤1.1、采用激光点云数据几何空间最优逼近算法，进行激光点云数据和原始深度图像数据预处理：设传感器之间的相互关系已知，将激光点云数据和原始深度图像数据转换到同一参考坐标系下；步骤1.2、设原始深度图像数据符合高斯分布，用RANSAC随机一致算法，对原始深度图像数据中带噪音的稠密深度图像数据进行平面...

【专利技术属性】
技术研发人员：满洋，陈广立，刘志强，张少帅，汤明东，徐鹏飞，
申请(专利权)人：苏州丰亦和智能科技有限公司，
类型：发明
国别省市：