基于OpenCV前景检测循迹算法.doc

基于OpenCV前景检测循迹算法 　　摘 要：目前很多各种各样的循迹算法都是基于可移动的，固定在移动物体上的摄像头，这样很多时候都造成摄像头所能拍摄的范围不广。考虑到这一点，利用外部的摄像头去控制小车的循迹，增大其能看到的范围，基于OpenCV的前景检测，利用多次重复拍摄并且与背景做差的方法得到小车实时位置，并据此进行实时修正以减少范围大了之后精度可能降低的缺点。设计出一个多次拍摄的图像进行全局帧差的算法，从而对小车进行定位，再向小车发出命令修正实际的方向误差。 关键词：OpenCV；循迹；前景检测；重复拍摄；全局帧差；实时修正 中图分类号：TP274 这个算法是在一个捡网球小车的项目中实现的，首先通过外部的摄像头捕捉出网球场中的画面，然后利用openCV自带库函数中的hough的圆变换算法识别出圆以及找到球的圆心，并且调整灰度值和三原色值，从而找出所有的网球的坐标，这里不需要进行坐标的变换，因为后面可以看到需要用到的坐标都是属于图像上的坐标。根据这些球的坐标和小车的坐标可以计算出最短的路径，这个可以理解为一个哈密顿问题，在N小于等于16的情况下可以用状态压缩DP的算法去求解，算法时间是可以接受的，最后把路径还原出来，通过蓝牙把数据发送到小车，小车存储这些数据知道其要走的路线后，开始启动。在实际中小车不可能完完全全的按照规定的路线严格的走，所以小车必须进行实时的修正路线，在这里我们使用的是基于OpenCV的前景检测的方法去实现的，通过每一次的偏离计算得到每一次修正的数据通过PC端发送给小车，使其最后达到网球的位置并捡起网球。 1 OpenCV前景检测循迹过程 1.1 OpenCV中的前景检测 为了理解前景检测的概念，我们先要通过建立场景模型，知道前景和背景的概念，一个场景模型可能包含许多层次，从“新的前景”到旧的前景再到背景。在我们的项目中，还存在着目标的移动，通过目标的移动，我们可以识别“真的”前景（新位置）和“假的”的前景（其旧的位置，“空洞”）。 如何检测这些“新的前景”和“旧的前景”？需要将背景消除，才能进行检测。最简单的背景消除方法就是用一帧减去另一帧，然后将足够大的差别标记为前景。这种方法往往能捕捉运动目标的边缘。第二个方法就是平均背景法，思路是计算每个像素的平均值和标准差作为它的背景模型。这个方法优点是精度比较高，但是计算的时间较长，需要遍历整幅图像。 1.2 利用前景检测循迹 由图1所示，首先我们先会拍取场地的一帧图像作为背景。之后小车开始出现在场地中，外部的摄像头开始采集图像，假如T1和T2时刻采取的图像如图所示。令T1时刻采取的图像是Pt1，T2时刻采取的图像是Pt2，背景图像为Pbg.首先把图像转换为灰度图像，然后把T1和T2时的灰度图像矩阵分别与背景做差。如下等式（1）（2）所示： 中括号表示矩阵的意思。经过（4）（5）的过程之后，将两幅差帧图像做与操作，使轨迹图像更精确些。如等式（3）所示。 D1或者是D2是背景消除之后的结果，得到的RES矩阵结果就是背景消除之后前景运动轨迹的结果。 小车中心确定：通过D1或者D2，可以大概确定到小车的位置，因为D1（D2）中已经将背景消除，通过运动轮廓的横纵的最大值确定中心点位置，并且可以通过实验验证这个中心位置坐标确定的正确性，以及进行修正，通过OpenCV的一些工具可以在视频图像中标出中心点的位置。 小车方向确定：因为每次拍摄的间隔很短，所以我们可以认为每两次拍摄小车走的都是直线运动，从而通过两个中心点的连线确定小车当前的方向，如图2所示。 1.3 移动循迹过程中的修正 修正原理是通过小车当前的坐标和小球坐标（即目标位置坐标），以及上一个终点（捡的上一个球）坐标三个参数共同确定。 如上图所示，α是待求角度。SP点表示start point，即小车起点或者是捡起前一个球后的所在位置；NP表示now point，即目前小车已经从SP走到NP位置，小车当前时刻所在位置；BP表示ball point，即下一个需要捡起的小球的位置。这三个点的坐标都是可以实时可以从拍摄的帧图像中取得，因此根据这三点位置可以知道小车当前偏移理想路径（图3中的虚线）的程度，根据计算得出的角度α对小车运动方向进行修正。 SP到BP直线方程： NP到BS直线间距离： NS之间距离： 求解得到α： 根据α具体的数值，对小车发送数据进行方向的纠正，理论上α角度值越大，需要纠正的程度越大，纠正通过发送数据改变小车舵机信号上的占空比，从而改变小车的实时方向。当然，在不同的场地上纠正的数值是不相同的，所以我们只做了对我们场地的修正，需要不停的测试，得到一个合适的修正数值。也可以获取场