智能空间下机器人环境建模中的非线性最优视觉标定新.doc

智能空间下机器人环境建模中的非线性最优视觉标定 摘要： 为了解决智能空间下服务机器人进行精确环境视觉建模时的标定问题，提出了一种改进的非线性最优标定算法。首先针对标定模板进行灰度化和阈值二值化处理，然后利用数学形态学的循环腐蚀进行图像预处理；其次利用Harris检测算法进行角点提取；最后根据非线性最优建立世界坐标和图像坐标的映射模型，并依靠两者的样本数据进行模型参数拟合，从而实现摄像机的非线性标定。实验结果表明，与已有非线性标定方法相比，新方法具有更高的标定精度，从而验证了方法的有效性。 关键词：几何畸变；校正；特征点；摄像机标定 1、引言 移动机器人在进行自主导航时，首先需要进行环境建模，进而获得环境信息来完成路径规划和运动控制等。基于智能空间的服务机器人导航技术[1]，主要是通过顶棚安置多摄像机来组成分布式视觉系统，从而实现基于视觉的环境建模。而精确获得缓解模型的前提是进行摄像机标定。二维视觉定位系统的标定算法，就是通过一些已知点的实际坐标和相对应的图像坐标的映射关系。目前摄像机标定方法有很多[2]，按其求解算法大致可分为线性法、非线性优化法[3]和两步法[4]等。传统的线性法没有考虑镜头畸变，准确度欠佳。非线性优化法可以得到比较高的标定精度，但算法比较繁琐，速度慢。两步法虽然比较灵活，但没有完全避免非线性优化，而且标定过程复杂。针对服务机器人在智能空间中进行视觉建模时的标定问题，本文提出了一种基于非线性最优的摄像机标定新算法，该算法主要包括图像预处理，Harris角点检测和摄像机非线性标定三个步骤，计算相对简单，无需分开求解摄像机的内外参数。与已有的标定算法相比，其标定精度更高。 2、图像的预处理 摄像机的标定往往需要借助于已知标定模板，然后利用标定模板在世界坐标系中的数据，与图像坐标系中对应标定数据进行非线性标定，因此获取标定模板图像是标定的第一步。从图像采集卡得到的图像大多为彩色图像，数据量比较大，同时存在噪声，为了提高标定精度，往往需要对采集到的标定模板图像进行预处理。 2.1灰度化处理 灰度化处理主要是把含有亮度和色彩的彩色图像转换成灰度图像，从而减少处理数据，提高计算效率。灰度化处理方法有很多[5]，常用的主要有两种：一是求出每个像素点的R、G、B三个分量的平均值Y，即Y=(R+G+B)/3，然后将该值Y赋给这个像素的三个分量；二是根据YUV颜色空间中亮度分量Y，以及RGB和YUV颜色空间的变化关系，从而建立图像的亮度灰度值，即Y=0.3R+0.59G+0.11B。本文主要采用方法一来进行标定模板的灰度化处理。 2.2阈值分割 在将标定模板进行灰度化处理之后，为了提取模板图像中的角点，往往需要对图像进行阈值分割，也就是图像二值化。该方法虽简单但受限于阈值的选取，为了提高处理效果，文中主要采用迭代法[6]进行阈值选取。即在初始条件中假设一个阈值，而在对图像的迭代运算中不断地更新这一假设阈值，以得到最佳阈值。初始阈值一般取灰度平均值，然后用分割图像，计算分割后两部分各自的平均灰度，小于的部分为，大于的部分为，计算，将作为新的阈值代替，重复以上过程，如此迭代，直至收敛，即，此时所得到的值即为最佳阈值。 2.3运用开运算消除图像噪声 在进行图像采集时，由于电磁等各方面因素对标定模板图像的干扰，使得分割后的二值化图像中往往存在着很小一部分孤立的点或小区域，本文利用数学形态学中开运算的方法尽可能地消除这干扰点或区域。 数学形态学是一种分析几何形状和结构的方法，基本的形态学算子有腐蚀、膨胀、开和闭[7]。 设f(x)和g(x)是二维离散空间F和G上的两个函数，其中f(x)是输入图像，g(x)是结构元素，则对于的腐蚀、膨胀操作分别定义为 (1) (2) (3) f(x)对于g(x)的开运算和闭运算分别定义为： (4) (5) 由式(4)可知，对于开运算可以简单地理解为先对进行腐蚀再对其进行膨胀。一般来说，对图像进行开运算能够去除孤立的小点、毛刺和小桥(即连接两块区域的小点)，而总的位置形状不变。闭运算的作用是填平小湖(即小孔)，弥合小裂缝，而总的位置和形状不变。 3、Harris角点提取算法 角点检测是进行摄像机标定的前提和基础，角点提取的准确性直接影响到标定的精度。Harris算子算法稳定、计算简单方便，是目前使用较为广泛的角点检测算法之一。本文在标定时采用3×3圆形结构元素对图像闭运算的基础上再进行循环腐蚀，直至剩下几个像素点。在此基础上再用Harris角点检测算法提取角点，降低了偏离角点的距离，解决了Harris角点检测算法的聚簇和角点缺失的问题，大大提高了精确度。实验证明在实际标定的过程中也较为方便和准确。本文对文献