基于分层策略的机器人视觉导航.docVIP

　　基于分层策略的机器人视觉导航 　　[摘要]本文针对机器人视觉导航系统中彩色图像匹配的特点，对序贯相似性检测算法进行了改进，引入自适应遗传算法，同时，采用了粗——精匹配相结合的分层搜索策略。改进后的算法，在不失匹配精度条件下，可提高图像匹配速度，从而满足机器人视觉导航的实时性要求，同时具有较好的鲁棒性。 　　[关键词]分层策略图像匹配序贯相似性检测算法自适应遗传算法 　　 　　一、引言 　　机器人的视觉导航控制是利用CCD摄像机采集路面上的图像信息，对当前图像与场景样本库中的图像进行匹配,以确定当前位置，由机器人的处理器识别出路径来控制机器人的运动方向。图像匹配算法在图像信息采集过程中起着至关重要的作用。 影响 图像匹配性能的主要因素不仅包括图像匹配测度，还与图像匹配快速 方法 相关。本文主要 研究 在保持较高匹配正确率的条件下，通过对算法的改进来提高图像匹配速度，从而缩短机器人反应时间。在图像匹配中，采用较多的是基于灰度的匹配算法，因为此算法匹配精度高、易于工程实现且算法已相当成熟，本文的快速算法是基于灰度匹配算法的。 　　二、图像的分层搜索 　　在保证图像匹配精度的基础上，减少数据处理的运算量，满足系统实时性要求，是图像匹配算法首先要解决的 问题 。分层搜索的过程是一个由粗到精的搜索过程，它的目的是减小搜索空间，进一步加快图像的匹配速度。分层的方法有很多种，本文设计了一种分层搜索算法。 　　把图像进行多分辨率分层处理，得到分辨率比较低和维数较小的图像。首先在分辨率较低、维数较小的图像上进行粗匹配，得到粗匹配点；然后返回到较高分辨率图像，在粗匹配点的邻域内进行进一步的精匹配，从而得到精匹配点。此过程可反复进行，直到满足系统设计精度为止。具体分层采用小波分解的方法得到一组不同分辨率的图像。本文先用小波多分辨率 理论 对图像进行分层预处理，然后在低分辨率图像上采用改进的序贯相似度检测算法（SSDA）进行粗匹配，得到粗匹配点后，在原始图像上对应粗匹配点的邻域内，采用平均绝对差算法(MAD)进行精匹配。 　　1.图像的小波分解 　　Mallat于1987年提出多分辨率理论，在泛函 分析 的框架下，统一了各种具体小波的构造方法，给出了构造正交小波基的一般方法和与FFT相对应的快速小波算法，并将它 应用 于图像分解和重建，成为小波理论与应用上的一个突破性进展。 　　小波的选择对图像分解来说是一个至关重要的问题。对于同一个问题，使用不同的小波会产生不同的结果，因此,必须结合不同的问题选择适当的小波变换。哈尔小波是正交小波变换中最简单的一个小波函数,它的优点在于算法简单、速度快,缺点是其分解的低频图像是对上一尺度低频图像平均得到的，所以图像的边缘信息损失较为严重,但由于本文采用的是灰度图像匹配，边缘信息的损失对其影响不大,而且为了加快图像分解速度,采用的小波变换必须尽量简单快速,因此选用的小波变换为哈尔小波。 　　2.改进的序贯相似度检测算法 　　序贯相似度检测算法可以用来有效地减少单次匹配中的 计算 量,但算法本身没有抗干扰性能，在计算过程中没有利用图像自身的特点，采用穷举搜索，存在效率极低的问题。考虑到遗传算法在搜索问题上的优越性，本文将图像匹配问题转化为函数优化问题，采用非遍历寻优的遗传算法作为优化问题的搜索策略，把自适应遗传算法（AGA）和序贯相似度检测算法相结合，提出一种改进的快速图像匹配方法，以大幅减少计算量。 　　三、实验结果 　　将本文设计的算法应用于移动机器人视觉导航系统中，取得了满意的效果。基本的实验环境描述如下：实验场所为室内，背景不太复杂。目标物体为一个280mm×310mm×100mm的立方体纸箱，摄像机初始距离距目标物体为4.5m，图像采集分辨率设为160×128。移动机器人采用的是三星S3C44B0×32位微处理器，它使用ARM7TDMI核，最高工作在72MHz，芯片中集成了8KBCache、配置了2MB的FLASH存储器，以及8MB的SDRAM存储器。 　　对序贯相似度检测算法与自适应——序贯相似度检测算法分别进行50次实验，其中自适应——序贯相似度检测算法的遗传算法群体规模为50，迭代次数为50次和150次；在此实验基础上，先用小波变换对图像进行两级分解，然后在1级图像上采用自适应——序贯相似度检测算法进行匹配，选取最后一代适应度值最高的5个位置，把它们映射到原始图像基准图上，在这5个位置的5×5领域内采用MAD进行精匹配，最后获得真正的匹配位置。自适应——序贯相似度检测算法的迭代次数为150，实验结果的比较见下表。 　　从表中的结果可以看出，???遗传算法迭代次数较低时,寻优过程可能会陷入局部最优而不能跳出,增加到150次后可获得全局最优解，但匹配时间有所增加。