基于目标识别的智能小车定位方法研究.docVIP

基于目标识别的智能小车定位方法研究 　　摘要：本文介绍了一种基于目标识别的智能小车的定位方法，分析了利用图像处理中形状识别的技术完成对于小车的方向引导的原理，同时给出了基于形状识别的图像处理流程设计。主要讨论了如何利用改进的极坐标下傅里叶描述子提取形状对象特征并进行识别，并根据识别的结果实时修正小车行进路线。该方法能够克服采集的图像在小车在行进过程中产生的尺度变化以及旋转的影响，较好的完成了识别任务。整体算法满足实时性要求，且便于工程实现。 　　关键词：智能小车；定位；目标识别；傅里叶描述子 　　中图分类号：TP393文献标识码：A文章编号：1009-3044(2011)01-0180-02 　　智能车辆系统设计是一门新兴的综合技术，在军事、科研和工业中有广阔的应用前景。而定位技术是解决车辆路径规划，循迹的一项基本技术。现有的智能小车定位技术包括采用各种传感器采集外部信号进行相关处理，并获取实时的位置信息，或采用多个传感器获取的多种信号进行位置信息的综合决策，这些传感器包括声音、光电、以及图像等。而基于图像处理的定位技术在硬件上只需要一个摄像头既可以完成实时图像采集以及定位，采用的设备较少，故障点也相应较少，近年来获得了大量的关注。同时，由于图像处理技术的多样性，如基于边缘检测、形状特征提取等多种方法的应用能够在复杂的外部背景中正确的识别出用于定位的目标。同时对于设计人员来说，也能够设计出具备多种特征的场景图像来提供更多的信息量来支撑决策。 　　基本的图像特征包括灰度、色彩等，可以根据阈值分割、边缘检测等常用方法来提取用于定位的目标对象，但此类特征对于某些干扰如光照等非常敏感，鲁棒性较差。而基于形状特征的提取与识别则相对稳定，方法也较为丰富。对于基本形状，例如圆形、三角形、四边形可以采用严格的几何学定义进行判别。而对于其他无法用简单几何关系来描述但具备某种特定形状的对象，如光学字符等则可通过提取局部特征，然后利用分类器进行分类得到判定结果。基本形状具备良好的旋转，尺度不变性，但在图像获取的过程中，由于噪声、抖动等外部干扰以及成像器件本身的空间以及像素分辨率局限性，可能获取的对象的形状与实际形状有所区别。例如圆形性不足、多边形顶点模糊等情况下会增加判定的不确定性，甚至导致识别失败。而基于特征提取以及分类的形状识别方法对于形状变化以及噪声具备一定的容忍度，故在实际应用中更为广泛。 　　1 基于形状识别的定位原理 　　在目的地周边放置一个或多个固定形状的目标对象，小车在行进过程中通过摄像头实时获取前方图像场景，利用图像处理方法分析并获得目标对象在视场中的相对位置即目标对象的重心像素的坐标，根据此坐标信息生成伺服回路控制信号来调整小车的行进方向使得目标对象始终趋向于采集图像的中心位置。类似于凝视成像方式，摄像头无需转动，通过改变小车运动轨迹来保证摄像头与目标的构成的直线始终垂直于成像平面。系统结构如图1所示。 　　2 图像处理流程设计 　　整个图像处理系统作为一个子模块运行于系统之中，主要完成对实时采集的图像进行处理，最终获取目标对象的位置信息。根据常用的图像处理思想以及规范的流程，结合实际应用的场景，具体流程如图2所示。 　　整个处理流程分为图像预处理部分和目标识别部分。在预处理部分中将完成识别前期工作。均值滤波是在空间域中去除随机噪声的一种常用方法。OTSU准则是一种基于最大类间方差准则的单阈值分割方法，在对于直方图成明显双峰特性的图像而言，OTSU准则总能获得较好的二值化结果。连通域标记和过滤主要是为了提取二值图像中斑状对象，并对这些斑状对象进行尺度范围内的过滤，并生成候选目标对象。斑状对象是一些相互连通的区域，而实际的目标对象符合这一特征。 　　目标识别部分将完成候选连通域图像的识别与形状对象位置信息获取工作，形状特征提取用于计算候选连通域的特征向量，KNN分类器用于对特征向量进行分类并给出决策信息，最终获得识别结果以及根据目标在图像中的相对位置换算出小车应该转向的方位角度，输出至伺服回路中。 　　可以看出，整个图像处理部分核心是形状对象的识别，而识别中最重要的工作是采用一种合适的特征向量来描述形状对象。在小车行进过程中，随着视角的变化，图像会有旋转以及尺度的变化，这就要求用于描述形状对象的特征向量应该具备旋转、尺度的不变性。本文利用一种改进的傅里叶描述子来计算形状目标的特征向量，实验证明能够满足应用的要求。 　　3 基于局部特征的极坐标傅里叶描述子 　　局部特征是一种表征像素同其邻域差异的一种图像模式。通常情况下，局部特征同图像某一个属性或多个属性，如灰度、颜色或是纹理的变化相关，但不一定直接表征这种变化。局部特征可以是基于点集，也可以是基于边缘轮廓或是一个小范围的连通区域，利用某种规则的度量方法