基于关联特征的定位方法与流程

本发明属于机器人视觉定位领域，涉及一种基于关联特征的定位方法。

背景技术：

工件识别与抓取是生产线上工业机器人的一项重要应用，而目前生产线上多数的工业机器人是通过预先示教或者离线编程的方式来控制机器人执行预定的指令动作，一旦工作环境或目标对象发生变化，机器人不能及时适应这些变化，从而导致抓取失败，因此，这种工作方式在很大程度上限制了工业机器人的灵活性和工作效率。

机器视觉技术由于其简单、易用等特点在工业中得到了广泛的应用，对提高生产效率和智能化水平起着至关重要的作用。

如今，机器视觉技术已被广泛应用于检测、生产自动化等各个领域。通过视觉引导机器人进行抓取、搬运等任务作业，对于提高生产线的自动化水平，拓宽机器人的应用范围都有十分重要的意义。

技术实现要素：

本发明目的在于提供一种基于关联特征的定位方法，利用形状上下文特征检测算法在已检测出的轮廓中识别工件轮廓，采用直方图结合harris角点进行特征生成与匹配，加快了匹配速度，具有较高的精度，且对环境变化有一定的适应能力，能较精准地对工件进行定位，有效地解决了现有机器人无法及时适应工作环境或目标对象发生变化，导致操作失败，从而无法满足柔性生产系统的要求。

为解决上述技术问题，本发明采用如下的技术方案：一种基于关联特征的定位方法，所述方法包括：s1，对工件进行图像采集并进行预处理；s2，对工件图像进行阀值分割以提取轮廓图像；s3，从已检测出的轮廓中识别工件轮廓；s4，对左右图进行立体匹配；s5，获取抓取点的三维坐标信息。

本发明与现有技术相比具有以下的有益效果：

本发明方案利用形状上下文特征检测算法在已检测出的轮廓中识别工件轮廓，采用直方图结合harris角点进行特征生成与匹配，加快了匹配速度，具有较高的精度，且对环境变化有一定的适应能力，能较精准地对工件进行定位。

附图说明

图1是基于关联特征的定位方法的流程框图。

图2是双目摄像机模型图。

具体实施方式

下面结合附图及具体实施例对本发明进行更加详细与完整的说明。可以理解的是，此处所描述的具体实施例仅用于解释本发明，而非对本发明的限定。

参照图1，本发明的一种基于关联特征的定位方法，所述方法包括：

s1，对工件进行图像采集并进行预处理；

首先采用双目摄像机对工件进行图像采集，但采集环境的光照强度、空气中的漂浮物、镜头周围可能出现的灰尘等因素，都会影响工件图像采集的效果。工件图像的预处理过程，是为了增强感兴趣的区域，模糊噪声区域，得到便于后续分析计算的高质量图像。在图像预处理中用到的一般方法有：灰度处理，图像滤波，图像二值化等。

s2，对工件图像进行阀值分割以提取轮廓图像；

canny算子轮廓检测的原理：首先运用高斯卷积对图像进行高斯平滑，平滑后对图像进行微分操作，得到图像的梯度图，然后采用“非最大抑制”算法寻找图像中可能是边缘的点，最后通过双门限值以递归的方式寻找图像边缘点，获取单像素宽度图像轮廓。在递归跟踪的过程中有两个门限控制，记为h1与h2，且h1<h2。当前像素点的值大于h2时开始跟踪过程，跟踪在像素点邻域的两个方向进行，直到相应像素位置值低于门限h1停止。

运用canny算子可检测出工件图像的所有轮廓。

s3，从已检测出的轮廓中识别工件轮廓；

本发明在典型形状上下文特征的基础上，采用harrisi角点作为采样点，利用模糊规则生成直方图，然后进行匹配。

假设有λ个轮廓采样点组成的集合p＝{p1,…,pλ}，以第i个采样点pi为坐标原点，将lgr和θ分别划分成m和n个栅格(此处的r和θ为点的极坐标)，然后生成直方图来表示其余采样点的分布情况。设hi(k)为形状正下文特征(sc)，则：

hi(k)＝{q≠pi:(q-pi)∈bk}(6)

其中：q为剩余的采样点；bk为第k个栅格，1≤k≤m×n。为了更好地描述采样点的分布情况，采用模糊规则生成直方图。定义两个固定点集合sr和sθ分别为：

sr＝{lgrm,1≤m≤m}(7)

其中：rm为直方图第m个栅格的范围。假设直方图的每个栅格中点坐标为(lgrm,θn)，则有：

lgrm＝(lgrm+lgrm-1)/2(9)

θn＝π(2n-1)/n(10)

由于传统的sc不具备旋转不变性，因此本发明中将目标进行t次旋转，取最小的匹配损失函数作为最优匹配结果。则旋转后的角度隶属度函数为：

其中：t＝1,2,…,t，t为旋转次数。则旋转后的直方图可表示为：

利用χ²检验来表征匹配损失函数：

其中：pi和qj为不同目标上的两个采样点。为了实现快速形状识别，在采样点中随机选取v个点作为代表点集合p^v＝{pi:i∈v}，v为代表点的索引集合。假设p为模板形状，{qs:1≤s≤s}为未知形状集合，s为未知形状数目，则形状p与qs的匹配损失函数可表示为：

其中：为qs中第s个形状的第j个采样点。本发明进行形状识别的步骤如下：首先将分割后的图像利用canny算子检测边缘，求得轮廓图像，剔除过大或过小的轮廓；然后利用式(14)计算匹配损失函数作为最终结果。

s4，对左右图进行立体匹配；

立体匹配技术根据匹配基元的不同可分为区域匹配、相位匹配和特征匹配。区域匹配通常以特征匹配点为中心在左右图像上创建一个固定大小的邻域窗口，然后建立匹配代价函数，选取代价最小的窗口对应的点为匹配点，但是该方法难以选择合适的窗口大小，同时计算量较大，对噪声敏感；相位匹配在频域图像中进行计算，通过提取不同频段的相位信息进行匹配，该方法鲁棒性高，适用于并行处理，但是容易产生相位奇点及相位缠绕等问题；特征匹配通过选取特征点或轮廓等特征信息，然后在左右图像中进行匹配，该方法具有描述简单、定位准确以及计算量小等优点。

s5，获取抓取点的三维坐标信息；

求得左、右图像中匹配点的坐标后，可进行三维重建求得三维坐标。

摄像机模型采用小孔成像的线性模型，双目摄像头主轴平行设置，双目模型如图2所示。

其中f为摄像机的焦距，b为两摄像机的基线长。p1(x1,y1)和p2(x2,y2)为目标点p在两成像平面内的成像点坐标。通过三角测距原理可得目标果实的三维空间坐标点p(x,y,z)坐标如式(19)：

通过双目摄像机实时获取目标信息，提取目标果实的像素坐标；通过摄像机标定获的摄像机内部参数外部参数。根据成像原理计算果实在摄像机坐标系的三维空间坐标。

以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域技术人员而言，本发明可以有各种改动和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。