陳易平 諶頏

摘要：目前機器人在工業(yè)生產(chǎn)領域已有了廣泛應用，基于機器人視覺對運動目標進行識別與跟蹤是機器人技術領域的研究熱點之一。研究動態(tài)環(huán)境下機器人對運動目標的識別與跟蹤，實現(xiàn)了對動態(tài)目標的識別，研究圖像預處理過程，改進特征提取和分類判斷的算法，提高目標識別準確率和效率，在探索實現(xiàn)工業(yè)機器人智能感知和控制系統(tǒng)開發(fā)中具有重要的意義。

關鍵詞：機器人視覺;目標識別;目標跟蹤;特征提取

中圖分類號：TP311 文獻標識碼：A

文章編號：1009-3044（2020）15-0202-02

1引言

隨著工業(yè)4.0時代的到來，機器人在工業(yè)生產(chǎn)領域已得到廣泛應用，代替了大量人工完成生產(chǎn)線上的工作，提高了企業(yè)的生產(chǎn)效率和降低了人力成本?；跈C器人視覺對運動目標進行識別與跟蹤是機器人技術領域的研究熱點之一。隨著AI領域深度學習技術的發(fā)展，進一步推動了機器人視覺的應用研究。通過研究目標識別準確度和效率的改進，分析在不同場景環(huán)境下，改進了圖像分割、預處理等算法;同時研究對比了不同目標跟蹤算法，選擇了跟蹤精度和實時性更好的算法，在探索實現(xiàn)工業(yè)機器人智能感知和控制系統(tǒng)研發(fā)中具有重要的意義。

2機器視覺的圖像識別與目標跟蹤技術

基于機器視覺的圖像識別技術是一項運用計算機對圖像進行處理、分析和理解的技術，它以數(shù)字圖像處理與識別為基礎。傳統(tǒng)圖像識別技術主要包括圖像獲取、預處理、特征提取、分類判決等步驟構成，而近年來深度學習的發(fā)展，大大提高了圖像識別的準確率，與傳統(tǒng)識別技術相比，無須人工設計特征，系統(tǒng)可自行學習歸納出特征，降低了使用難度，能夠快速實現(xiàn)應用。

基于機器視覺的目標跟蹤的基本過程包含兩個主要環(huán)節(jié)，第一個環(huán)節(jié)是動態(tài)目標的識別：通過對連續(xù)圖像幀序列中的運動目標進行檢測，提取其特征，并標注標簽，完成目標識別;第二個環(huán)節(jié)就是對目標進行跟蹤，其過程是：先獲得運動目標的速度、位置、位移量、運行路徑等數(shù)據(jù)，經(jīng)過進一步處理和分析，完成對運動目標的行為理解，從而實現(xiàn)對目標的跟蹤。目標跟蹤技術涉及圖像處理、模式識別、人工智能、自動控制等多個領域的知識，是實現(xiàn)智能機器人關鍵技術之一。針對不同的研究對象要選擇不同的跟蹤算法，主要包括基于目標區(qū)域、基于目標特征、基于目標模型和基于主動輪廓等算法。

3目標識別與跟蹤系統(tǒng)的設計

本文選用Arduino機械臂替代工業(yè)機器人，集成階段采用工業(yè)機器人樣機進行調(diào)試。Arduino機械臂是一個開源的軟件硬件平臺，支持Windows和VC開發(fā)環(huán)境。機器人視覺系統(tǒng)由1個云臺CCD攝像機、1個視頻采集卡和1臺主機組成，其中攝像機通過視頻采集卡與PCI總線相連，能夠對云臺實現(xiàn)變焦、轉向等控制。交互指令系統(tǒng)遵循上下位機制定的通信協(xié)議規(guī)范，實現(xiàn)機器人作業(yè)控制。

3.1視覺子系統(tǒng)的設計

視覺子系統(tǒng)是設計的核心部分，在機器人目標跟蹤時，主要負責實時采集圖像信息，然后自動處理、分析、理解圖像，以獲得運動目標的位置、方向、速度等信息，并將信息實時反饋給人機交互系統(tǒng)，其工作流程如圖l所示。

3.2圖像分割算法

圖像分割算法的目的是將目標從圖像中分離提取出來，其分割的結果是否精準將會影響到目標識別、提取、定位和跟蹤的精確度，必然影響到系統(tǒng)的整體性能。本文在實驗中對比分析了在不同場景下閾值化分割、圖像邊緣檢測法和基于區(qū)域的圖像分割法這三種方法分割效果的優(yōu)劣，為實際工作場景中選擇合適的圖像分割算法提供優(yōu)先選擇參考。

3.3攝像機標定模型的確定

攝像機在識別某區(qū)域目標時，攝像機標定只涉及兩個主要的內(nèi)部參數(shù)，即水平方向的比例系數(shù)Px和垂直方向的比例系數(shù)Ry，其余參數(shù)不重要，在此處可忽略。本課題僅研究近距離跟蹤目標的場景，因此采集的區(qū)域面積較小，可將采集區(qū)域到圖像平面的映射近似呈線性關系。

以近距離目標跟蹤為例，首先通過手持攝像頭的標定方法，測出其所拍攝圖像的6個特殊位置點（0，0）、（0，v/2）、（0，v）、（U/2，0）、（u/2，V/2）、（u/2，V）離攝像設備的實際距離為r，考慮圖像的對稱性，（U，0）、（u，W2）和（u，V）位置點可以不用測量。

3.4運動目標的特征提取

特征提取與特征選擇是圖像分類和識別的核心問題。其方法是：將數(shù)據(jù)集T={T1，T2，…，Tk}，經(jīng)過某一變換，如h;，（i=1，2，…，n;n

3.5目標跟蹤算法

對于距離遠、面積小的目標通常采用相關濾波跟蹤算法以提高目標跟蹤精度。在研究過程中發(fā)現(xiàn)近距離目標跟蹤具有一定面積且?guī)g抖動較大，可以采用窗口質(zhì)心跟蹤或特征匹配跟蹤算法以保持跟蹤的穩(wěn)定性和精度。

本文探討了基于CamShift目標跟蹤算法的改進，能夠提高目標跟蹤的準確度與實時性。該算法基于圖像的顏色概率分布跟蹤目標，主要應用于與背景存在顯著色彩差異的彩色目標跟蹤，其核心是MeanShfit算法。MeanShift算法是一種穩(wěn)健的特征空間分析方法，其實現(xiàn)過程如下：

Stepl.在顏色概率分布圖中選取一個大小為s的搜索窗口;

Step2.確定此搜索窗口的初始位置;

Step3.計算搜索窗口的質(zhì)心;

Step4.將新的搜索窗口質(zhì)心置為Step3得到的結果（xo，yo）;并重新設置搜索窗口大小s。

Step5.重復步驟3和4，直至質(zhì)心收斂。

將MeanShift算法擴展到視頻（連續(xù)圖像幀），基本思路是將視頻圖像中的全部幀做MeanShift運算，并將上一幀的結果作為下一幀MeanShift算法的初始值，依此順序迭代就實現(xiàn)了動態(tài)目標跟蹤，即形成CamShif算法。

4結論

研究了在動態(tài)環(huán)境下機器人對運動目標的識別與跟蹤，實現(xiàn)了動態(tài)圖像目標識別功能，采用改進的基于CamShift目標跟蹤算法，提高了系統(tǒng)跟蹤的準確性和實時性。