一种基于全景视觉成像系统的移动机器人室内快速归航的方法与流程

本发明涉及一种基于全景视觉成像系统的移动机器人室内快速归航的方法，属于移动机器人视觉归航领域。

背景技术：

移动机器人的导航问题是机器人研究领域中的一项重要的研究热点，其中，视觉归航(visualhoming)则是控制机器人到达预计目标的一种有效手段。与传统的机器人同时定位与地图构建(slam)不同，视觉归航并不需要对机器人所在环境构建地图，而是直接获得机器人在当前位置处的归航向量，即可使机器人到达预先设计好的位置，从而在保证精度的前提下，大幅度地降低了运算成本。

视觉归航需要利用全景视觉成像系统，由于全景视觉可以获得360°的全方位视场，因此在采用全景视觉成像系统获得全景图像时，更多的特征点可以被利用到，再加上视觉系统本身所具有的价格低廉，构图直观等优势，因此视觉归航可以作为机器人局部导航领域中一个非常有效而且高效的手段。

技术实现要素：

本发明的目的是为了提供一种基于全景视觉成像系统的移动机器人室内快速归航的方法，实现了在动态室内环境下的机器人归航功能。

本发明的目的是这样实现的：步骤一：通过搭载在移动机器人上的全景视觉成像系统来获得全景图像，使移动机器人自行检测全景图像中的无效区域并去除；

步骤二：对传统的sift匹配算法进行改进，增加sift特征点匹配数量；

步骤三：根据改进后的sift匹配算法得到匹配对，依据每对匹配对的相应位置与尺度信息，判断自然路标与当前位置/目标位置的相对距离，从而对自然路标进行分类，并获得归航向量。

本发明还包括这样一些结构特征：

1.步骤一具体为：

(1)将全景视觉成像系统搭载在移动机器人上，控制移动机器人到达指定位置，拍摄当前位置和目标位置的全景图像；

(2)将两幅图像的相同位置的像素值进行做差运算，当机器人识别出有较大连通区域的像素差值为0时，自行判断该区域为无效区域；

(3)当判断完成后，分别将目标图像与当前图像的无效区域像素全部设置为255，将无效区域置黑。

2.步骤二具体为：

(1)使用去除无效区域后所剩余的圆环型图像进行匹配；

(2)增大sift匹配过程中的高斯金字塔层数与组数，从而增大了关键点检测基数；

(3)在保证匹配精度始终保持较高水平的前提下，降低图像特征点匹配阈值，实现sift特征点总数量的增加。

3.步骤三具体为：

(1)根据改进后的sift匹配算法，将目标图像与当前图像进行sift匹配，获得匹配对，每个匹配对由目标图像与当前图像的sift匹配点构成，每个匹配点均带有尺度值信息；

(2)对每个匹配对，比较目标图像与当前图像中两个sift特征点的尺度值，若目标图像中的sift特征点尺度值较大，则将该点记作收缩特征；反之，若目标图像中的sift特征点尺度值较小，则将该点记作扩张特征，将当前图像中的特征点被分为了收缩特征与扩张特征两类；

(3)利用svm支持向量机对当前图像中的两类匹配点进行svm大间距二值线性分类，将收缩特征与扩张特征分为两个部分，并得到线性决策边界；

(4)画出一条与决策边界相互垂直的向量，其中向量的方向为由扩张特征部分指向收缩特征部分，该向量即为最终的归航向量。

与现有技术相比，本发明的有益效果是：本发明利用改进的sift特征点匹配算法，提取机器人当前位置和目标位置全景图像中的匹配点作为自然路标，并根据路标在两幅图像中的尺度值差异来判断路标距离当前位置与目标位置的相对差异，从而获得归航向量。

本发明涉及的方法解决了移动机器人在室内环境中的快速归航问题，通过比对机器人在当前位置与目标位置处的两幅全景图像，结合改进的sift算法，对于机器人局部导航问题具有重要的借鉴意义，也可以直接应用到诸如工业机器人、服务型机器人的领域中。

具体是通过搭载在移动机器人上的全景视觉成像系统来获得全景图像，根据全景视觉成像系统的成像特点，通过指令使移动机器人自行检测全景图像中的无效区域并去除，从而提高了匹配精度；对传统的sift匹配算法进行改进，在保证匹配精度的前提下，增加sift特征点匹配数量，从而提高精度，更利于获得归航向量；根据每对sift特征匹配对的相应位置与尺度信息，判断自然路标与当前位置/目标位置的相对距离，从而对自然路标进行分类，并获得归航向量。

附图说明

图1是本发明中基于sift算法实现自然路标提取与匹配的示例；

图2是本发明中改进的sift特征提取与匹配的算法流程图；

图3是本发明的系统流程图。

具体实施方式

下面结合附图与具体实施方式对本发明作进一步详细描述。

基于全景视觉成像系统的移动机器人室内快速归航方法，通过利用改进的sift特征检测与匹配手段，分别对当前位置与目标位置处的全景图像进行sift匹配，从而获得自然路标，并结合svm手段得到当前位置下机器人的归航向量。其中：

(1)利用全景成像视觉传感器，预先记录目标位置处的全景图像。在实现机器人归航的过程中，通过不断比对机器人当前位置与目标位置处的全景图像，同时驱动机器人自行识别全景图像中的无效区域，获得高质量的自然路标，并结合归航算法使机器人得到当前位置的归航向量；

(2)在利用基于改进的sift特征检测与匹配手段来获得自然路标后，设计的路标具有光照、旋转等不变性，并且在保证匹配精度较高的条件下，增加特征点匹配数量，提高最终所得归航向量的精度；

(3)根据sift特征点检测过程中sift特征点的尺度与拍摄位置到该特征点所代表的自然路标的直线距离关系，来通过两幅图像中sift的尺度差值对当前图像中的所有sift特征点进行分类，并利用svm大间距线性分类器对两类sift特征点进行线性分类，从而直接获得归航向量，控制机器人逐渐向目标位置移动。

所述获取全景图像并自行去除无效区域的方法具体为：

(1)将全景视觉成像系统搭载在移动机器人上，控制移动机器人到达指定位置，拍摄当前位置和目标位置的全景图像；

(2)将两幅图像的相同位置的像素值进行做差运算，当机器人识别出有较大连通区域的像素差值为0时，自行判断该区域为无效区域(即全景系统遮挡区域以及墙面、天花板等识别度极低的区域)；

(3)当区域判断完成后，分别将目标图像与当前图像的无效区域像素全部设置为255，即将无效区域置黑，从而进行进一步的sift匹配。

所述改进的sift特征匹配算法具体为：

(1)人为设置图像检测区域，去除掉原始全景图像中边缘区域以及全景系统遮挡区域，从而增大了有效匹配区域占比，提高了自然路标的品质；

(2)增大sift匹配过程中的高斯金字塔层数与组数，从而增大了关键点检测基数，最终获得的sift特征点也随之增多，尺度信息也随着高斯金字塔的扩大而更丰富化，并与此同时保证了匹配准确性；

(3)在保证匹配精度始终保持较高水平的前提下，适当降低图像特征点匹配阈值，从而增加sift特征点总数量。

所述利用特征点尺度信息来实现归航的方法具体为：

(1)将目标图像与当前图像进行sift匹配，获得匹配对，即每个匹配对由目标图像与当前图像的sift匹配点构成，每个匹配点均带有尺度值信息；

(2)对每个匹配对，比较目标图像与当前图像中两个sift特征点的尺度值，若目标图像中的sift特征点尺度值较大，则将该点记作收缩特征；反之，若目标图像中的sift特征点尺度值较小，则将该点记作扩张特征。故在当前图像中，特征点被分为了收缩特征与扩张特征两类。

(3)利用svm支持向量机对当前图像中的两类匹配点进行svm大间距二值线性分类，将收缩特征与扩张特征分为两个部分，并得到线性决策边界；

(4)画出一条与决策边界相互垂直的向量，其中向量的方向为由扩张特征部分指向收缩特征部分。该向量即为最终的归航向量。

下面结合附图对本发明的实施例进行描述：

(1)基于sift算法实现路标提取与匹配

选取室内中的某一位置作为目标位置，即机器人通过自我归航预计到达的位置，记为s位置(snapshot)，然后将全景视觉成像系统搭载在移动机器人上，拍摄s位置处的全景目标图像is并保存。

当机器人室内某一位置向预设的目标位置进行归航任务时，记当前机器人位置为c位置(current)，并拍摄当前位置下的全景图像ic。获得两幅全景图像后，利用sift算法分别对两幅图像进行特征提取，获得特征点后再对两幅图像进行匹配，获得匹配对i＝1,2,...,ns，j＝1,2,...,nc，k＝1,2,...,n，其中为目标图像中的某一特征点，总数为ns；为当前图像中的某一特征点，总数为nc；k为某一匹配对；n为匹配对总个数。这些匹配点在世界坐标系下即为自然路标，具有光照、旋转等不变性。在获得匹配对后，分别记录下这些点在各自图像中的坐标位置以及相应的尺度值如图1所示即为目标位置与任意位置下两幅图像的sift特征点匹配情况。

(2)改进的sift特征点提取与匹配的算法

图2是本发明中改进的sift特征提取与匹配的算法流程图。当利用搭载在移动机器人上的全景视觉成像系统获得目标位置与当前位置的两幅全景图像is、ic后，利用改进后的sift特征点提取与匹配算法对两幅图像的稳健特征点进行匹配。

首先，根据全景图像的尺寸与成像特点，自行设计检测区域，将图像中的边缘区域以及移动机器人系统的遮挡区域置黑，设置移动机器人遮挡区域半径为n，边缘有效区域外环半径为m，则在干扰部分去除后，剩余的有效部分为一个内环半径为n，外环半径为m的圆环。

然后，根据sift特征检测与匹配算法的特点，为了获得关键点，需要对原始图像进行多次的高斯模糊与降采样，得到不同尺度的图像组。即为高斯金字塔，因此本发明在其基础上，人为地增大sift匹配过程中的高斯金字塔的层数s与组数o，从而增大了关键点的检测数量，并使得特征点的尺度信息更丰富化。

最后，适当降低图像特征点的peakthreshold匹配阈值，使在保证匹配精度的前提下，适当提高特征点总数量。

(3)利用特征点尺度信息来实现移动机器人归航的方法

图3为本发明的系统流程图。在利用改进的sift特征提取与匹配算法后，得到多个带有尺度信息的sift匹配对。根据高斯模糊的性质，当拍摄位置与sift特征点所代表的实际位置的距离越大时，sift算法需要用更大尺度的高斯模糊对图像进行处理才能将该sift特征点检测出来，因此将匹配对中的两个匹配点的尺度信息进行比较，可以推断出该匹配点所代表的实际位置与目标位置/当前位置的距离关系。因此对任意一个sift匹配对可通过如下公式进行判断：

若δσ^k＞0，则说明移动机器人当前位置c到该匹配对所代表的自然路标位置的距离dc比目标位置s到该自然路标位置的距离ds小，记目标图像中的此类点为扩张特征点，代表当前机器人需要增大其与此路标的距离才能到达目标位置；反之亦然，并记作收缩特征点。因此对于当前图像，特征点被分为了收缩特征与扩张特征两类，总结如下：

根据几何学的知识，我们可以轻易地判断，如果作出c位置与s位置的垂直平分线将当前图像切割成两部分，理论上靠近c位置一侧的特征点应均为扩张特征点，靠近s位置一侧的特征点应均为收缩特征点。因此利用svm支持向量机，以收缩特征与扩张特征作为训练样本，采取大间隔二值线性分类手段，将训练样本进行二值分类，并获得线性决策边界：

ωx+b＝0

最后，画出一条与该线性决策边界向垂直的一条向量其中方向为由扩张特征部分指向收缩特征部分，此向量即为最终的归航向量。

综上，本发明设计了一种基于自然路标的移动机器人室内快速归航的方法，包括机器人当前位置与目标位置的全景图像获取与自动检测优化、自然特征匹配手段以及机器人归航算法。针对一般机器人导航手段运算量较大的问题，采用机器人视觉归航方法，通过计算机器人目标位置到当前位置的运动向量，省略了机器人建图、定位等具有较大计算量的过程，并通过自行比对图像差异获得无效区域的手段，提出一种获得高质量全景圆环的方法；针对复杂的动态环境问题，采用改进的图像特征提取手段提取自然路标，从而在保证匹配精度的同时，增大匹配点基数；根据特征匹配手段中的尺度信息与性质，并引入机器学习中的分类手段，提出了一种高鲁棒性的归航算法。本发明实现了移动机器人室内局部归航，适用于动态环境下机器人的导航任务，并可以广泛的应用于家庭型或工业型的服务机器人局部导航中，较高的精确性与较好的快速性使得移动机器人可以很好地完成归航任务。