一种基于地面图像纹理的视觉导航方法

摘要

本发明公开了一种基于地面图像纹理的视觉导航方法，包括以下步骤：步骤1，建立绝对坐标系，在坐标系内设置多个标定点；步骤2，使得移动机器人在移动过程中可自动使用图像采集装置对移动路径上的地面纹理进行拍照；步骤3，若当前拍照图像纹理与标定点图像纹理无重叠处时，则与上一帧拍照图像进行图像配准，若当前拍照图像纹理与标定点图像纹理有重叠处时，则与标定点图像进行图像配准。本发明提出了的视觉导航方法，不需对地面进行额外处理，适用范围广且方面，辅以地面的图片来标定，间歇性校正累计误差，以达到高精度定位，且每次经过标定点时会更新用以标定的图片信息，自适应地面磨损等情况。

说明书

技术领域

本发明涉及移动机器人技术领域，具体涉及一种基于地面图像纹理的视觉导航方法。

背景技术

视觉导航是目前移动机器人领域中的热点，随着机器人的发展，其应用领域愈加广泛，目前机器人的导航方式主要有磁条导航，惯性导航，激光导航等。

磁条导航需要在机器人移动路径上铺设磁条，精度较低，且突出地面的磁条易损坏；惯性导航随着时间的累积，惯性导航累积误差增大，需辅助其他设备予以校正，且高精度的惯性导航器件成本较高；激光导航需要在移动路径两边添加反光板，对反光板的安装精度要求较高，且对其他光源敏感，不易于室外作业，成本较高。

发明内容

本发明的目的在于提供一种基于地面图像纹理的视觉导航方法，以解决上述背景技术中提出的问题。所述基于地面图像纹理的视觉导航方法不需对地面进行额外处理，适用范围广且方面，辅以地面的图片来标定，间歇性校正累计误差，以达到高精度定位，且每次经过标定点时会更新用以标定的图片信息，自适应地面磨损等情况。

为实现上述目的，本发明提供如下技术方案：

一种基于地面图像纹理的视觉导航方法，包括以下步骤：

步骤1，建坐标系：建立绝对坐标系，在坐标系内设置多个标定点；

步骤2，机器人设置：使得移动机器人在移动过程中可自动使用图像采集装置对移动路径上的地面纹理进行拍照；

步骤3，图像纹理对比：若当前拍照图像纹理与标定点图像纹理无重叠处时，则与上一帧拍照图像进行图像配准，以得到当前位置；

若当前拍照图像纹理与标定点图像纹理有重叠处时，则与标定点图像进行图像配准，以得到当前位置。

优选的，步骤1中的标定点为人为设定，并指定每个标定点对应的绝对坐标。

优选的，所述标定点间隔设置在移动路径上。

优选的，步骤3中的标定点图像为事先拍摄好的标定点位置图像，且标定点图像提前存储在机器人中。

优选的，所述图像配准的算法为：

1)：输入两张照片坐标I₁(x，y)，I₂(x，y)，且输入照片的宽、高均为w：x，y∈[0，w]；

2)：对I₁，I₂进行快速傅里叶变换，得到谱S₁(u，v)，S₂(u，v)，可表示为：

3)：对S₁，S₂求幅值并做对数极坐标变换，得到对数极坐标下的幅值图P₁，P₂，可表示为：

4)：对P₁，P₂进行傅里叶变换，得到SP_1，2(u_ρ，v_θ)，可表示为：

5)：计算其中×表示对每个像素执行复数乘法操作，可表示为：

6)：计算归一化的AS的傅里叶变换逆WS，可表示为：WS(ρ，θ)＝∫∫AS(u_ρ，v_θ)|AS(u_ρ，v_θ)|^-1e^j2π(ux+vy)du_ρdv_θ；

7)：计算WS的极值点坐标，并取若干极值点的θ坐标值作为备选旋转角度，分别为θ₁，θ₂，......θ_n，可表示为：

8)：计算I₁的傅里叶变换共轭，可表示为：

9)：对所有的备选旋转角度θ₁，θ₂，......θ_n：

a)对I₂旋转θ_i角度，得到I₂(x，y)＝I₂(xcosθ-ysinθ，xsinθ+ycosθ)；

b)对I₂′计算傅里叶变换，得到

c)计算

d)计算归一化的A_i的傅里叶变换逆W_i并计算W_i的最大值的标准差倍数，记为c_i，可表示为：W_i(x，y)＝∫∫A_i(u，v)|A_i(u，v)|^-1e^j2π(ux+vy)dudv；

c_i＝(maxW-mean(W))/std(W)；

10)：去标准差倍数c最大所对应的θ_i，可表示为：令θ′＝1°，为二分寻找精确旋转角度的初始范围值；

11)：重复以下步骤直到θ收敛，θ为旋转角度：

e)对于θ_i，f的三个数值θ-θ′，θ，θ+θ′，这3个角度执行步骤9中所述操作，得到三组傅里叶变换逆W_i，f(x，y)，标准倍数c；

f)保留标准倍数c最大所对应的θ_i，f和W_i，f(x，y)，然后令θ＝θ_i，f，θ′＝θ′/2；

12)：对步骤11中f)所得到的W_i，f计算极值点坐标，记为x₁，y₁，可表示为：

13)：对I₁和I₂做左右各8个像素的0值补丁，记为I_1B和I_2B，可得到：

14)：对I_2B旋转θ角度得到I_2B′，可表示为：I_2B′(x，y)＝I_2B(xcosθ-ysinθ，xsinθ+ycosθ)；

15)：对I_1B′和I_2B′进行傅里叶变换得到F_1B和F_2B；

16)：计算可得到：

17)：计算归一化的AB的傅里叶变换逆WB，并计算出极值点坐标，记为x₂，y₂，可得：

(x₂，y₂)＝argmaxWB(x，y)；

18)：在{x₁，x₂，x₁-w，x₂-w}中取众数，即为x方向位移；

19)：在{y₁，y₂，y₁-w，y₂-w}中取众数，即为y方向位移。

优选的，步骤2中图像采集装置选用摄像机，且摄像机安装于机器人底部。

优选的，步骤3中若当前拍照图像与标定点图像进行图像配准，则在配准完成后，将当前拍照图像与标定点图像进行糅合，产生具有两张图像特征的新图像作为新的标定点图像。

与现有技术相比，本发明的有益效果是：

本发明通过标定点的设置，在两个标定点之间，使用的是图像“惯性导航”，即对当前帧相对于上一帧的变化量进行积分，得出当前的姿态坐标，当到达标定点时，用此处数据矫正姿态坐标，从而消除“惯性导航”的累计误差。

本发明具有以下优点：

1、增加标定点时就是对此处地面拍摄一张图片，并指定此时对应的绝对坐标，所以对于相机分辨率能分清楚纹理的地面，是不需要进行任何附加处理的；

2、用标定点消除“惯性导航”的累计误差，定位误差是可控的，与标定点的间隔距离成正比，间隔一米时定位误差为±5mm；

3、“惯性导航”时，采集当前地面图像信息，是与上一帧图像比对的，因此可允许100％的地面突变，即当前经过此处拍摄到的图像信息相对于上次经过此处的变化程度，且在经过标定点时，会用当前所拍摄到的标定点的图像来更新已保存的标定点图像信息，而且标定点处允许50％的地面突变，因此只要标定点处地面的突变率不大于50％，都可自适应地面的变化，如磨损，洒落杂物等；

4、由于是采集地面图像，可将摄像机安装在车体底部或其他避光处，予其提供光源，使其不受外界光源干扰，故可应用于各种场景，包括室外。

本发明提出了的视觉导航方法，不需对地面进行额外处理，适用范围广且方面，辅以地面的图片来标定，间歇性校正累计误差，以达到高精度定位，且每次经过标定点时会更新用以标定的图片信息，自适应地面磨损等情况。

附图说明

图1为本发明方法的流程图；

图2为实施例中坐标系与标定点的示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1-2，本案提出一实施例的一种基于地面图像纹理的视觉导航方法，其包括以下步骤：

步骤1，建坐标系：建立绝对坐标系，在坐标系内设置多个标定点；

步骤2，机器人设置：使得移动机器人在移动过程中可自动使用图像采集装置对移动路径上的地面纹理进行拍照；

步骤3，图像纹理对比：若当前拍照图像纹理与标定点图像纹理无重叠处时，则与上一帧拍照图像进行图像配准，以得到当前位置；

若当前拍照图像纹理与标定点图像纹理有重叠处时，则与标定点图像进行图像配准，以得到当前位置。

首先，建立一个绝对坐标系，在移动机器人运动前，在移动路径上间隔的设置多个标定点，每个标定点均人为指定，而且每个人为设定的标定点的绝对坐标均为已知。

然后，对移动机器人进行设置，将摄像机安装在机器人车体底部或其他避光处，用来对地面进行拍照，取得地面图像纹理，而且事先将每个标定点的地面图像纹理均进行拍摄，并储存于机器人的存储器中，用来进行图像配准。

最后，使得移动机器人开始运动，如说明书附图2的XOY坐标系所示，A、B、C、D、E点均为提前人为设定好的标定点，并且每个点的绝对坐标均已知，如A(x_a，y_a，θ_a)、B(x_b，y_b，θ_b)、C(x_c，y_c，θ_c)、D(x_d，y_d，θ_d)、E(x_e，y_e，θ_e)，并且提前拍摄好这五个点的地面纹理图像。

当机器人运动至B点附近时，机器人的摄像机当前拍摄到的地面图像纹理就会与事先拍摄好的B点地面图像纹理具有重叠的地方，那么此时，先将当前拍摄的地面图像照片以及B点地面图像照片的坐标进行输入，通过配准方法，1)：输入两张照片坐标I₁(x，y)，I₂(x，y)，且输入照片的宽、高均为w：x，y∈[0，w]；

2)：对I₁，I₂进行快速傅里叶变换，得到谱S₁(u，v)，S₂(u，v)，可表示为：

3)：对S₁，S₂求幅值并做对数极坐标变换，得到对数极坐标下的幅值图P₁，P₂，可表示为：

4)：对P₁，P₂进行傅里叶变换，得到SP_1，2(u_ρ，v_θ)，可表示为：

5)：计算其中×表示对每个像素执行复数乘法操作，可表示为：

6)：计算归一化的AS的傅里叶变换逆WS，可表示为：WS(ρ，θ)＝∫∫AS(u_ρ，v_θ)|AS(u_ρ，v_θ)|^-1e^j2π(ux+vy)du_ρdv_θ；

7)：计算WS的极值点坐标，并取若干极值点的θ坐标值作为备选旋转角度，分别为θ₁，θ₂，......θ_n，可表示为：

8)：计算I₁的傅里叶变换共轭，可表示为：

9)：对所有的备选旋转角度θ₁，θ₂，......θ_n：

a)对I₂旋转θ_i角度，得到I₂(x，y)＝I₂(xcosθ-ysinθ，xsinθ+ycosθ)；

b)对I₂′计算傅里叶变换，得到

c)计算

d)计算归一化的A_i的傅里叶变换逆W_i并计算W_i的最大值的标准差倍数，记为c_i，可表示为：W_i(x，y)＝∫∫A_i(u，v)|A_i(u，v)|^-1e^j2π(ux+vy)dudv；

c_i＝(maxW-mean(W))/std(W)；

12)：去标准差倍数c最大所对应的θ_i，可表示为：令θ′＝1°，为二分寻找精确旋转角度的初始范围值；

13)：重复以下步骤直到θ收敛，θ为旋转角度：

e)对于θ_i，f的三个数值θ-θ′，θ，θ+θ′，这3个角度执行步骤9中操作，得到三组傅里叶变换逆W_i，f(x，y)，标准倍数c；

f)保留标准倍数c最大所对应的θ_i，f和W_i，f(x，y)，然后令θ＝θ_i，f，θ′＝θ′/2；

12)：对步骤11中f)所得到的W_i，f计算极值点坐标，记为x₁，y₁，可表示为：

13)：对I₁和I₂做左右各8个像素的0值补丁，记为I_1B和I_2B，可得到：

14)：对I_2B旋转θ角度得到I_2B′，可表示为：I_2B′(x，y)＝I_2B(xcosθ-ysinθ，xsinθ+ycosθ)；

15)：对I_1B′和I_2B′进行傅里叶变换得到F_1B和F_2B；

16)：计算可得到：

17)：计算归一化的AB的傅里叶变换逆WB，并计算出极值点坐标，记为x₂，y₂，可得：

(x₂，y₂)＝argmaxWB(x，y)；

18)：在{x₁，x₂，x₁-w，x₂-w}中取众数，即为x方向位移；

19)：在{y₁，y₂，y₁-w，y₂-w}中取众数，即为y方向位移；

进而获得当前拍照的位置(x，y，θ)，从而进行下一步的视觉导航，而且当此图像配准完成后，将B点的地面图像与当前拍照图像进行糅合，步骤3中若当前拍照图像与标定点图像进行图像配准，则在配准完成后，将当前拍照图像与标定点图像进行糅合，产生具有B点地面图像纹理特征和当前拍照图像纹理特征的新图像作为新的标定点图像，使此新的标定点图像将原来B点的地面图像替换掉，及时更新，有利于自适应地面磨损。

当机器人运动至B点与C点之间时，机器人的摄像机当前拍摄到的地面图像纹理与事先拍摄好的任意一个标定点的地面图像纹理都不会具有重叠的地方，那么此时，将当前拍摄的地面图像照片与上一帧拍摄的地面图像的坐标进行输入，也通过配准方法，1)：输入两张照片坐标I₁(x，y)，I₂(x，y)，且输入照片的宽、高均为w：x，y∈[0，w]；

2)：对I₁，I₂进行快速傅里叶变换，得到谱S₁(u，v)，S₂(u，v)，可表示为：

3)：对S₁，S₂求幅值并做对数极坐标变换，得到对数极坐标下的幅值图P₁，P₂，可表示为：

4)：对P₁，P₂进行傅里叶变换，得到SP_1，2(u_ρ，v_θ)，可表示为：

5)：计算其中×表示对每个像素执行复数乘法操作，可表示为：

6)：计算归一化的AS的傅里叶变换逆WS，可表示为：WS(ρ，θ)＝∫∫AS(u_ρ，v_θ)|AS(u_ρ，v_θ)|^-1e^j2π(ux+vy)du_ρdv_θ；

7)：计算WS的极值点坐标，并取若干极值点的θ坐标值作为备选旋转角度，分别为θ₁，θ₂，......θ_n，可表示为：

8)：计算I₁的傅里叶变换共轭，可表示为：

9)：对所有的备选旋转角度θ₁，θ₂，......θ_n：

a)对I₂旋转θ_i角度，得到I₂(x，y)＝I₂(xcosθ-ysinθ，xsinθ+ycosθ)；

b)对I₂′计算傅里叶变换，得到

c)计算

d)计算归一化的A_i的傅里叶变换逆W_i并计算W_i的最大值的标准差倍数，记为c_i，可表示为：W_i(x，y)＝∫∫A_i(u，v)|A_i(u，v)|^-1e^j2π(ux+vy)dudv；

c_i＝(maxW-mean(W))/std(W)；

14)：去标准差倍数c最大所对应的θ_i，可表示为：令θ′＝1°，为二分寻找精确旋转角度的初始范围值；

15)：重复以下步骤直到θ收敛，θ为旋转角度：

e)对于θ_i，f的三个数值θ-θ′，θ，θ+θ′，这3个角度执行步骤9中操作，得

到三组傅里叶变换逆W_i，f(x，y)，标准倍数c；

f)保留标准倍数c最大所对应的θ_i，f和W_i，f(x，y)，然后令θ＝θ_i，f，θ′＝θ′/2；

12)：对步骤11中f)所得到的W_i，f计算极值点坐标，记为x₁，y₁，可表示为：

13)：对I₁和I₂做左右各8个像素的0值补丁，记为I_1B和I_2B，可得到：

14)：对I_2B旋转θ角度得到I_2B′，可表示为：I_2B′(x，y)＝I_2B(xcosθ-ysinθ，xsinθ+ycosθ)；

15)：对I_1B′和I_2B′进行傅里叶变换得到F_1B和F_2B；

16)：计算可得到：

17)：计算归一化的AB的傅里叶变换逆WB，并计算出极值点坐标，记为x₂，y₂，可得：

(x₂，y₂)＝argmaxWB(x，y)；

18)：在{x₁，x₂，x₁-w，x₂-w}中取众数，即为x方向位移；

19)：在{y₁，y₂，y₁-w，y₂-w}中取众数，即为y方向位移；

进而获得当前拍照的位置，从而进行下一步的视觉导航。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。