基于机器视觉的空地协同机器人研究
来源:用户上传
作者:
摘要:将机器视觉和图像处理技术应用到四轴飞行器上,利用飞行器的开阔视野采集视频图像,分析运动目标的运动和轨迹,通过图像处理结果实现对移动目标的分析和追踪,实现了机器视觉和人工智能的结合。
关键词:机器视觉;图像识别;四轴飞行器
中图分类号:TP393 文献标识码:A
文章编号:1009-3044(2019)24-0216-02
开放科学(资源服务)标识码(OSID):
1 概述
为了更好地利用机器人能够代替人眼来做测量和判断,从视觉图像中提取有用的图像信息,处理并分析得到的目标信息,用于提供相应的决策[1]。对机器视觉和图像处理分析的研究和学习便显得十分的重要。
2系统任务流程
空中机器人飞至目标上空,利用其开阔的视野搜索目标,搜索到目标后,采集目标信息,进行图像处理。随着地面小车移动,空中机器人将根据图像处理结果对目标进行追踪,从而结束空地机器人的协作任务。空中机器人的视觉图像处理是基于运动物体的视频检测。在视频检测的基础上,主要是根据基于目标对象的特定特征的信息。根据所述目标移动的对象,分离出一个复杂的背景图像。
3系统设计
3.1空中机器人结构设计
空中机器人一般简称为无人机,是利用无线电遥控设备和自备的程序控制装置操纵的不载人飞机[2]。无人机系统主要包括飞机机体、飞控系统、数据链系统、电源系统等。我们采用的是四旋翼无人机作为空地协作系统中的飞行机器人,其具有高精度,定位精度与模块到目标的距离成反比。高性能,模块采用STM32F407VET6作为处理芯片。超低功耗设计,工作电流130ma。模块供电电压3.3V~5V,支持3.7V锂电池直接供电。
飞行控制器是系统的核心部分设计的控制器要能够通过采集处理传感器数据解算姿态,并根据导航指令和任务要求,结合相应的控制律给出适当的控制信号,制飞行器的执行机构,改变飞行器的姿态和位置等。控制器主控芯片采用STM32F103处理器,微惯性测量单元采用整合性轴运动处理组件M6050,图像采集部分使用机载OV7670图像传感器。
3.2空中机器人的视觉系统
空中机器人采用双目立体视觉。双目立体视觉是机器视觉的一种重要形式,它是基于视觉差的原理。[3]空中机器人的视觉系统依靠上面搭载的摄像头对地面目标进行检测及定位,通过编写不同的算法可以实现对复杂背景的检测。环境会对捕捉到的图像产生很多的干扰,为了使检测和追踪效果更好,机器捕获到图像后,需要对图像做进一步的处理。
3.3目标运动物体检测算法
检测运动物体的原理是实现不间断的利用算法检测环境中的运动目标物体,并且提取目标物体的前景图像。在常用的方法中我们试验了连续帧间差分法、背景差分法、和光流法。第一种方法可以很好地检测到运动物体,但是捕获的像素点误差较大,第二种方法通过对采集到的图像进行阈值分析,实现对目标物体的追踪,此算法的运算速度快,检测结果较完整。第三种方法容易受到环境影响,导致计算出现误差,一般不采用。
通过结合OpenCV、OpenNI、OpenGL实现立体重构空间场景以及目标的检测、追踪[1]。
3.4 Susan角点检测算法
Susan算子是一种基于灰度的特征点采集方法,控制参数的选择很简单,且任意性小,容易实现自动化选取。[4]利用Susan算子进行边缘检测,以计算每像素的USAN值并将其与设定的阈值进行比较用来确定边缘点。SUSAN进行角点检测时,遵循了常规的思路:使用一个窗口在图像上逐点滑动,在每一个位置上计算出一个角点量,再进行局部极大值抑制,得到最终的角点。我们这里使用的窗口是圆形窗口,最小的窗口是3*3的,本設计中使用的是37个像素的圆形窗口。SUSAN中的两个阈值t和g,在角点检测中,阈值g是角点质量,g值减小,SUSAN会更加侧重于检测到更加“尖锐”的角点。阈值t是角点的数量,在大多数情况下,设t为25比较合适。
4 实验结果
图像获取效果邻域滤波算法效果
SUSAN算法效果实物图
4结束语
本设计提供一种实验平台和各种基础研究理论的评价方法,有利于相关技术的衔接和创新,为移动目标追踪提供了一个解决办法,也可以作为高校数字图像处理的实验平。
参考文献:
[1] 黄佳.基于OPENCV的计算机视觉技术研究[D].华东理工大学,2013(03):8-10.
[2] 程刚.猎人之眼--无人机的诞生[J].军事文摘,2019,04(15).
[3] 隋婧,金伟其.双目立体视觉技术的实现及其进展[J].电子技术应用,2004:4-6.
[4] 章毓晋.图像工程(中册)[M].清华大学出版社,2005:110-113.
【通联编辑:光文玲】
转载注明来源:https://www.xzbu.com/8/view-15031128.htm