视觉是人类认识和改造世界的一个主要途径,计算机视觉是.docVIP

人类获取的信息70%-80%来自视觉，视觉是人类认识和改造世界的一个主要途径，计算机视觉是使用计算机及相关设备对生物视觉的一种模拟。它的主要任务就是通过对采集的图片或视频进行处理以获得相应场景的三维信息。 根据视觉传感器的个数，计算机视觉可以分为单目视觉系统、双目视觉系统和多目视觉系统。单目视觉系统只通过一个视觉传感器来获取外借的视觉信息，方式简单，但是只能获得目标的二维空间信息，而双目和多目视觉系统比较复杂，一般具备获取三维空间信息的能力，但实时性是双目和多目视觉系统的最大挑战。 双目立体视觉技术可以很好地模仿人眼的功能，并且可以对三维世界进行立体感知，因此，在机器视觉的研究中发挥着越来越重要的作用。这里着重说明一下双目立体视觉下目标的识别与定位技术，上木立体视觉系统主要包括摄像机标定、图像分割、立体匹配和三维测距4个模块。传统的摄像机标定技术一旦完成标定，摄像机相对于世界坐标系的位置就不嫩发生变化，否则，就需要重新标定。但从实际应用角度，为了更好地进行目标的识别与定位，摄像头需要进行相应偏转，针对这个特点，提出了一种基于云台转角的外参数估计方法，经过误差分析，此方法可以精确地完成摄像机旋转情况下对外参的估计，是机器人的云台在目标识别和定位过程中可以更假灵活地旋转，大大增强 了该机器人的视觉功能，最后，利用机器人系统作为实验平台，基于改进后的双目立体视觉系统节能型目标的识别与定位，并以此对目标是把定位的结果作为依据来控制机器人和手臂的相应运动，从而成功实现机器人对目标物体的准确抓取。 2视觉伺服关键问题的研究现状 图像特征提取 从视觉传感器得到的数字图像包含有大量的数据，需要有一个合适的描述方式来描述采样图像与给定期望图像间的误差，以便由此设计反馈控制律。图像特征的选取与检测是决定机器人视觉伺服系统性能指标的关键因素，图像特征的选取依赖于具体的应用场合，通常采用物体的几何特征(点、边、区域面积等)。最常用的是图像点特征，点一般对应物体的拐点、洞、质心等。为了便于快速、准确地抽取图像特征，多数系统采用经过特殊设计、有明显特征的目标[6’8]。为提高图像特征抽取速度，可以只对感兴趣的区域进行检测[9、10]。区域的大小可依据实际情况，如跟踪速度和处理速度来确定，区域的位置可实时估计。检测可分为基于边缘的检测和基于区域的检测两类。边缘检测法比较适合于跟踪人造目标的场合，而区域检测法适用于低速运动的不规则物体。基于区域的方法无需特殊的图像特征(边，角等)，对图像变形不敏感，但它依赖于像素灰度的精确匹配，对背景图像的变化及特征遮盖较敏感。因为简单的局部几何特征易受外部噪声的干扰，所以最近发展了全局图像描述子，如图像矩、光流、傅立叶描述子等[11]。由于考虑了全部图像数据，而不是简单的几个点、几条线段，因此鲁棒性更好[12，13]，而且既无需进行特征点匹配，又解决了局部几何特征超出视域所带来的问题。文献[14]利用主成分分析法，根据学习来的样本把图像压缩成一个低维子空间。所有的样本图像都映射到这个特征空间，并用B样条插值法把所有可能的图像都映射过去，从而构成了一个以关节变量为自变量的超平面。全局图像特征相较于局部图像特征，其缺点表现在定位精度偏低且由于机器人视觉处理中时延较大，通常需要进行滤波和预测。常用方法有Kalman滤波[15]、AR模型[16]、ARMAX模型等[17]。 目标空间位置的计算 基于位置的控制方式需要由图像处理环节给出目标的空间位置或运动参数。最简单的方法就是利用物体已知的CAD模型根据摄像机成像模型来求取。文献[18]证明了最少4个共面点可以唯一确定物体的三维位姿。 图像雅可比矩阵的构造 视觉控制器的设计方法 视觉伺服系统所采用的控制方法较多，有古典控制方法、现代控制方法以及智能控制方法。古典控制方法在静态目标视觉伺服中应用较多。现代控制方法可以更加有效地分析视觉伺服系统的稳定性问题。智能控制方法以模糊控制和神经元网络为代表，主要应用在视觉控制器的设计以及视觉伺服参数的估计与逼近。视觉控制器的设计依据机械手和视觉系统的性能及任务的复杂性等方面，可以选择不同的设计方法，典型的有下面几种： PID控制法 当被控对象的随机、时延、时变、非线性等特性比较明显时，常规PID控制器很难收到良好的控制效果[24]，甚至无法达到基本要求。此外，PID参数也要随工况的变化而重新调整。近年来，随着各种智能控制算法的引入，产生了模糊PID、滑模变结构PID、神经网络PID等新的PID算法，部分解决了上述常规PID算法的缺陷，但未见有学者引入机器人视觉伺服领域。 基于图像差的视觉控制器 目前几乎所有的视觉伺服系统都需要从图像中抽取特征来获取反馈信息，视觉仍只作为闭环控制中图像到特征的一个映射工具而孤立于环外。蒋平基于视觉与控制