基于Kinect深度數(shù)據(jù)的移動機器人障礙檢測方法研究

薛彥濤，呂洪波，孫啟國

(北方工業(yè)大學 機械與材料工程學院，北京 100144)

基于Kinect深度數(shù)據(jù)的移動機器人障礙檢測方法研究

薛彥濤，呂洪波，孫啟國

(北方工業(yè)大學 機械與材料工程學院，北京 100144)

未知室內(nèi)環(huán)境中的障礙檢測是室內(nèi)移動機器人領(lǐng)域的熱點問題;在低成本條件下為更加準確的對環(huán)境中的障礙進行檢測，提出一種基于低成本Kinect傳感器點云數(shù)據(jù)進行環(huán)境障礙檢測的有效方法;首先通過Kinect三維點云數(shù)據(jù)，對點云數(shù)據(jù)進行去燥處理，并進行三維數(shù)據(jù)到二維平面的投影的轉(zhuǎn)換并通過DBSCAN聚類算法對投影的二維點云數(shù)據(jù)進行聚類分析;通過設(shè)置相鄰頂點間最大距離閾值對convex-hull凸包算法進行改進，試驗結(jié)果表明改進的凸包算法能夠?qū)φ系K進行有效識別;該方法在Matlab中進行了方法驗證，并在P3-DX移動機器人平臺上進行了試驗驗證，結(jié)果表明該方法能夠有效對環(huán)境中的障礙進行有效識別。

三維點云;聚類分析;障礙識別;改進凸包算法

0 引言

隨著移動機器人智能化的快速發(fā)展，在未知環(huán)境中依靠一種或者多種傳感器結(jié)合對外界環(huán)境進行有效可靠的感知，能夠準確地對障礙物進行檢測是一項關(guān)鍵技術(shù)，也是移動機器人領(lǐng)域近年來研究的熱點。目前，基于視覺的檢測方法，基于超聲波傳感器的檢測方法，基于激光雷達的障礙檢測方法，基于紅外傳感器檢測等方法，得到了廣泛的應用。這些方法都可以有效的檢測出環(huán)境中存在的障礙物，但都有一定的局限性。超聲波傳感器成本較低，但獲取的環(huán)境信息較為粗糙，激光雷達可獲取到豐富的環(huán)境信息，但成本較高，不具有一般適用性[1-4]。Kinect是微軟公司生產(chǎn)的一款針對游戲設(shè)計的體感設(shè)備，Kinect由RGB攝像頭，紅外發(fā)射器和CMOS紅外攝像頭構(gòu)成了3D深度感應器，，使用它可以同時獲取到環(huán)境光學圖像和圖像上物體的位置信息。Kinect具有成本低，對環(huán)境獲得的信息量豐富等特點，很適合應用于移動機器人的環(huán)境建模和障礙檢測等方面。

本文利用Kinect的深度技術(shù)，用于對輪式移動機器人未知環(huán)境中的障礙物進行檢測。通過對深度圖像數(shù)據(jù)的處理得到三維點云數(shù)據(jù)，并進行三維到二維空間的轉(zhuǎn)換，根據(jù)對點云數(shù)據(jù)的聚類分析，得到環(huán)境中障礙物的位置信息，設(shè)計實現(xiàn)了依據(jù)點云數(shù)據(jù)進行障礙物檢測的方法。

1 數(shù)據(jù)獲取與坐標變換

1.1 三維點云數(shù)據(jù)獲取

Kinect傳感器分別具有彩色攝像頭和深度攝像頭，可同時獲取彩色圖像與帶有深度數(shù)據(jù)的深度圖像。由于兩攝像頭的分辨率與安裝位置不同故需將深度圖像通過坐標轉(zhuǎn)換與彩色圖像對齊，計算出空間中點的坐標X，Y并轉(zhuǎn)換到以Kinect本身所建立的世界坐標系下生成三維點云數(shù)據(jù)。最終將點云數(shù)據(jù)保存為(X,Y,Z,R,G,B)格式。數(shù)據(jù)獲取流程圖如圖1所示。Kinect坐標系與深度圖像投影坐標系如圖2所示。

圖1 數(shù)據(jù)獲取流程

1.2 坐標變換原理

實驗中真實世界坐標系采用Kinect自身坐標系，深度圖像的投影坐標系是以深度圖像原點作為坐標原點，真實世界坐標系與深度圖像投影坐標系關(guān)系如圖2所示。

圖2 坐標系示意圖

通過Kinect傳感器的坐標轉(zhuǎn)換關(guān)系利用深度圖像的像素深度值和像素坐標可計算出真實世界坐標X、Y、Z坐標。深度圖像與彩色圖像對齊后，Z坐標直接由深度圖像像素值直接得到，通過公式計算得到X、Y坐標[5]，計算方式如下：

(1)

(2)

式(1)和式(2)中，X，Y分別代表Kinect坐標系中橫縱坐標,u，v為深度圖像中的橫縱坐標，Z為深度圖像中每個像素點的深度值，f圖像的焦距，由此得到點云數(shù)據(jù)集合，采集的點云圖像顯示效果如圖3所示。

圖3 點云圖像

2 點云的預處理和二維投影

2.1 點云預處理

Kinect采集到的點云數(shù)據(jù)數(shù)據(jù)量較大，對點云的計算速度有很大影響，為了提高對點云的計算速度，首先對點云中一些無用數(shù)據(jù)點進行預處理。根據(jù)移動機器人的自身尺寸對環(huán)境中的障礙物進行分類處理。采用閾值法根據(jù)障礙物高度進行濾除，本次方法驗證設(shè)置閾值為1，對采集到的深度數(shù)據(jù)中高度大于1的值進行濾除，有效減少了點云數(shù)據(jù)的運算量。

2.2 二維投影變換

Kinect采集到的點云數(shù)據(jù)進行原始圖像還原如圖3所示。將點云數(shù)據(jù)進行預處理和坐標變后進行matlab繪圖對原始場景進行還原如圖4所示，并將三維場景坐標變換投影到二維平面，以便對環(huán)境信息進行識別為移動機器人路徑規(guī)劃提供依據(jù)。投影后圖像如圖5所示X，Y坐標確定了環(huán)境中障礙物的位置。

圖4 預處理后點云數(shù)據(jù)顯示

圖5 點云數(shù)據(jù)平面投影

3 點云聚類分析

經(jīng)過平面投影的點云數(shù)據(jù)中并未對環(huán)境中障礙物的進行分塊處理并且存在數(shù)據(jù)噪點，為了更加準確地識別出障礙物并濾除噪點，方法采用對投影的數(shù)據(jù)點進行聚類處理， 方法驗證中采用DBSCAN聚類算法，該聚類方法能夠?qū)?shù)據(jù)點集進行任意形狀類簇的聚類，相比于K-means聚類方法不用設(shè)定聚類數(shù)目，擁有很好的靈活性，且可以有效地分辨出數(shù)據(jù)集中的噪點[6-7]。

DBSCAN聚類算法參數(shù)選擇：

1)E鄰域：給定對象半徑為E的區(qū)域，由于數(shù)據(jù)點較多，無法準確估計給定對象的領(lǐng)域半徑，因此在方法驗證中采取通過參數(shù)計算得到最佳E鄰域半徑。計算公式 如下：

(3)

(4)

2)核心點：若該點E鄰域內(nèi)存在的樣本點數(shù)大于Nmin則判定該點為核心對象。

3)直接密度可達：對于樣本集合D，如果樣本點q在p的Ε領(lǐng)域內(nèi)，并且p為核心對象，那么對象q從對象p直接密度可達。

4)密度可達：對于樣本集合D，給定一串樣本點p1,p2….pn，p=p1,q=pn,假如對象pi從pi-1直接密度可達，那么對象q從對象p密度可達。

5)密度相連：存在樣本集合D中的一點o，如果對象o到對象p和對象q都是密度可達的，那么p和q密度相聯(lián)。

算法主要步驟：若該點E鄰域內(nèi)存在的樣本點數(shù)大于Nmin則判定該點為核心對象。

1)從數(shù)據(jù)集中尋找未處理的點對其進行核心點判定，若該點E鄰域內(nèi)存在的樣本點數(shù)小于Nmin則判定該點為噪聲點，并進行標記。若該點非核心對象則計算下一未處理點。

2)計算出所有從該核心點密度可達的對象形成類簇。

3)計算出該核心點的密度相連對象的最大集合

4)確定形成類簇中的所有點都被訪問，然后同樣方法處理數(shù)據(jù)中未被訪問的點，計算出新的類簇，直到數(shù)據(jù)中所有點都被標記歸類。

該方法在Matlab中進行了仿真驗證，聚類結(jié)果如圖6所示黑色標記點為噪聲點，最終聚類結(jié)果如圖7所示。

圖6 含有噪點聚類顯示

圖7 濾除噪聲后聚類結(jié)果

4 障礙信息提取

數(shù)據(jù)集經(jīng)過DBSCAN聚類方法聚類后，每一個類簇判定為一個環(huán)境障礙并對該類簇中的數(shù)據(jù)點進行標記，同一類簇中的數(shù)據(jù)點采用同一標號。為減少數(shù)據(jù)的計算量，方法中對障礙物信息進行簡化處理，采取在convex-hull凸包算法的基礎(chǔ)上通過設(shè)定頂點之間的距離閾值將障礙物形成的類簇進行多邊形估計，更加精確到的提取出障礙物的邊界坐標信息。

算法主要步驟：

1)通過convex-hull凸包算法計算出凸包頂點，并設(shè)定兩頂點間最大距離閾值P。

2)計算頂點中第二個頂點相對于第一頂點的方位角W1，頂點中最后一點相對于第一頂點的方位角W2，如果W1>W2，則將凸包頂點排列順序倒轉(zhuǎn)。

3)計算各頂點間各相鄰兩頂點間距離，找到最大距離及最大距離頂點標號。

4)若最大距離大于閾值P，則在最大距離兩頂點間進行頂點匹配，找到類簇邊界上距離小于閾值P的點作為新的頂點。

5)重復步驟3)、4)，直到所有頂點中兩頂點之間距離均小于閾值P。

改進后的凸包算法識別結(jié)果如圖8所示，原凸包算法識別結(jié)果如圖9所示。

圖8 改進凸包算法識別結(jié)果

圖9 原始凸包算法識別結(jié)果

5 試驗結(jié)果與分析

為驗證該方法的可行性，在移動機器人平臺P3-DX安裝Kinect做了試驗驗證。試驗場景彩色圖像如圖10(a)所示，深度圖像如圖10(b)所示，障礙識別結(jié)果如圖10(c)所示。結(jié)果表明該方法能夠?qū)Νh(huán)境中的障礙進行有效識別。

圖10 驗證效果圖

6 結(jié)束語

本文提出了一種基于Kinect 傳感器點云數(shù)據(jù)的障礙檢測方法。利用采集的深度圖像得到的點云數(shù)據(jù)進行障礙輪廓識別并進行坐標提取，減少了數(shù)據(jù)計算量，提高了障礙檢測的準確度，為移動機器人路徑規(guī)劃提供了可靠的環(huán)境信息。該方法在Matlab上進行方法驗證，并在機器人平臺上試驗驗證了方法的有效性。

[1] Li P, Huang X H, Wang M. A novel hybrid method for mobile robot path planning in unknown dynamic environment based on hybrid DSm model grid map[J]. Journal of Experimental and Theoretical Artificial Intelligence, 2011,23(1):5-22.

[2] Moravec H P.Robot spatial perception by stereoscopic vision and 3D evidence grids[R].Pittsburgh，Pennsylvania，USA: Robotics Institute，Carnegie Mellon University，1996．

[3] 陳曉明，蔣樂天.基于Kinect 深度信息的實時三維重建和濾波算法研究[J].計算機應用研究，2013，30(4):365-367．

[4] 李人厚.自主移動機器人導論[M].西安: 西安交通大學出版社，2006．

[5] Dakopoulos D， Bourbakis N G. Wearable obstacle avoidance electronic travel aids for blind: A survey[J]. IEEE Transactions on Systems, Man, and Cybernetics, Part C: Applications and Reviews,2010，40(1):25-35.

[6] 榮秋生，顏君彪，郭國強. 基于DBSCAN聚類算法的研究與實現(xiàn)[J].計算機應用，2004，24(4):45-46,61.

[7] 杜廷偉,劉 波.基于高斯混合模型聚類的Kinect深度數(shù)據(jù)分割[J].計算機應用與軟件，2014, 31(12)：245-248.

Mobile Robot Obstacle Detection Method Based on Depth Data of Kinect

Xue Yantao, Lü Hongbo, Sun Qiguo

(College of Mechanical Engineering and Material, North China University of Technology, Beijing 100144, China)

The unknown obstacle detection of indoor environment is a hot issue in the field of indoor mobile robot. Under the condition of low cost for more accurately detecting the obstacles for the environment, we put forward a kind of effective method based on point cloud data of Kinect sensor. First, get point cloud data by the depth image captured by Kinect, eliminate the noise of point cloud data and transform 3D data to 2D data. Then use DBSCAN (Density-Based Spatial Clustering of Applications with Noise )clustering algorithm to analysis the 2D point cloud data. Finally，using convex-hull algorithm extracts the coordinate of obstacles to complete the obstacle detection. The method is verified in Matlab，the results show that the method is effective.

point cloud; clustering analysis; concave-hull algorithm; obstacle detection

2016-09-13；

2016-10-11。

北京市教育基金科研計劃項目(KM201510009001)。

薛彥濤(1990-)，男，碩士研究生，主要從事移動機器人障礙識別方法研究。

1671-4598(2017)02-0061-03DOI：10.16526/j.cnki.11-4762/tp

TP

A