机器人场地特征识别和定位方法、装置、设备和存储介质与流程

本发明属于计算机技术领域，尤其涉及一种机器人场地特征识别和定位方法、装置、设备和存储介质。

背景技术：

近年来，机器人和人工智能技术不断发展，随着定位技术的成熟，使得机器人在场地定位的技术已经非常成熟。

机器人进行场地定位的关键点在于如何识别场地上的特征，现有的机器人进行场地特征识别主要是根据红外传感等传感设备对已经标记好的物体等进行感知，之后确定机器人的位置等信息，需要使用大量的传感器进行识别，如果所做标记被遮挡或被擦除，就会对机器人的定位、避障等动作产生较大影响，无法满足运动中的机器人对特征的识别的需要。

可见，现有技术进行场地特征识别无法避免了需要进行大量标记或者使用大量识别设备来进行定位的缺点，导致机器人进行场地识别存在成本高、效果差等问题。

技术实现要素：

本发明实施例提供一种机器人场地特征识别和定位方法，旨在解决上述技术问题。

本发明实施例是这样实现的，一种机器人场地特征识别和定位方法，所述方法包括：

响应机器人场地特征识别和定位请求，获取场地图像；

根据所述场地图像，确定场地线的属性和类型；

根据所述场地线的属性和类型，确定所述场地线交叉点的属性和类型；

根据所述场地线的属性和类型以及场地线交叉点的属性和类型，确定场地特征；

根据所述场地特征，计算所述机器人的具体坐标位置。

本发明实施例还提供一种机器人场地特征识别和定位装置，所述装置包括：

图像获取单元，用于响应机器人场地特征识别和定位请求，获取场地图像；

场地线定义单元，用于根据所述场地图像，确定场地线的属性和类型；

交叉点定义单元，用于根据所述场地线的属性和类型，确定所述场地线交叉点的属性和类型；

特征确定单元，用于根据所述场地线的属性和类型以及场地线交叉点的属性和类型，确定场地特征；

位置计算单元，用于根据所述场地特征，计算所述机器人的具体坐标位置。

本发明实施例还提供了一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行上述机器人场地特征识别和定位方法的步骤。

本发明实施例还提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行上述机器人场地特征识别和定位方法的步骤。

本发明实施例中，通过响应机器人场地特征识别和定位请求，获取场地图像，确定场地线的属性和类型；进而确定场地线交叉点的属性和类型；根据场地线的属性和类型以及场地线交叉点的属性和类型，确定场地特征，计算所述机器人的具体坐标位置；无需特意设置标记，避免了因为标记的遮挡和缺失导致的识别错误，并且无需使用大量传感器，大大降低了成本，同时，所用算法简单，可以保证运动中的机器人快速识别出特征，用于定位等动作中，效果更好。

附图说明

图1是本发明实施例提供的一种机器人场地特征识别和定位方法的实现流程图；

图2是本发明实施例提供的另一种机器人场地特征识别和定位方法的实现流程图；

图3是本发明实施例提供的一种机器人禁区识别模拟示意图；

图4是本发明实施例提供的一种机器人禁区识别实测示意图；

图5是本发明实施例提供的一种机器人场地边角识别模拟示意图；

图6是本发明实施例提供的一种机器人场地边角识别实测示意图；

图7是本发明实施例提供的一种机器人中圈识别模拟示意图；

图8是本发明实施例提供的一种机器人中圈识别实测示意图；

图9是本发明实施例提供的一种机器人中场角识别模拟示意图；

图10是本发明实施例提供的一种机器人中场角识别实测示意图；

图11是本发明实施例提供的一种机器人场地特征识别和定位装置的结构示意图；

图12是本发明实施例提供的图像垂直扫描示意图；

图13是本发明实施例提供的图像水平扫描示意图；

图14是本发明实施例提供的全场坐标系示意图；

图15是本发明实施例提供的机器人自身坐标系示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本发明实施例中可能采用术语第一、第二等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。

本发明实施例提供的机器人场地特征识别和定位方法，通过获取场地图像，确定场地线以及场地线交叉点的属性和类型，并确定场地特征，以计算出所述机器人的具体坐标位置；本发明无需特意设置标记，避免了因为标记的遮挡和缺失导致的识别错误，并且无需使用大量传感器，大大降低了成本，同时，所用算法简单，可以保证运动中的机器人能快速识别出特征，用于定位等动作中，效果更好。

为了进一步阐述本发明为实现预定发明目的所采取的技术手段及功效，根据如下实施例，以robocup3d仿真足球比赛场景为例，对本发明实施例提供的机器人场地特征识别和定位方法进行详细说明。

图1示出了本发明实施例提供的一种机器人场地特征识别和定位方法的实现流程图，详述如下：

在步骤s101中，响应机器人场地特征识别和定位请求，获取场地图像。

在本发明实施例中，场地图像指足球场地的图像，其主要涉及足球场地上的若干线条，可以说足球场地是由很多的线条组成的。

在步骤s102中，根据所述场地图像，确定场地线的属性和类型。

在本发明实施例中，如图2所示，所述步骤s102，具体包括：

在步骤s201中，根据场地图象，对所述场地图象进行扫描。

在本发明实施例中，扫描方式包括水平扫描和垂直扫描方式，如图12所示的垂直扫描示意图以及图13所示的水平扫描示意图；每一次的扫描都是对通过机器人摄像头采集的图像进行扫描，水平扫描可以由从场地左边到右边或者从场地右边到左边扫描，垂直扫描可以由场地上边到下边或者从场地下边到上边扫描，具体在此不做限定。

在步骤s202中，当扫描有场地线时，对所述场地线线段的中心点进行识别，并记录中心点坐标值。

在本发明实施例中，场地线的形状包括直线、或弧线、或圆；当有场地线的时候，垂直的扫描中会出现白色的线段，并在每一个白色线段上标识出“线点”，即该场地线线段的中心点，也代表着白色区域的中心点，“线点”会在识别场地线的时候，根据机器人的定位和图像进行距离的计算，其中，“线点”的坐标为机器人的全场坐标系，即图14所示的坐标系，以中圈的中心点为原点，朝向对方的方向为x的正半轴，朝向其左边的为y轴的正半轴，其旋转角度为θ。

在步骤s203中，根据所述中心点坐标值，构建线性回归函数。

在本发明实施例中，线性回归是利用称为线性回归方程的最小平方函数对一个或多个自变量和因变量之间关系进行建模的一种回归分析。这种函数是一个或多个称为回归系数的模型参数的线性组合。只有一个自变量的情况称为简单回归，大于一个自变量情况的叫做多元回归。

在线性回归中，数据使用线性预测函数来建模，并且未知的模型参数也是通过数据来估计。这些模型被叫做线性模型。最常用的线性回归建模是给定x值的y的条件均值是x的仿射函数。不太一般的情况，线性回归模型可以是一个中位数或一些其他的给定x的条件下y的条件分布的分位数作为x的线性函数表示。

在步骤s204中，将所述场地线线段以及线性回归函数进行结合，确定所述场地线的形状和长度。

在本发明实施例中，将所述场地线线段以及线性回归函数进行结合，确定所述场地线的形状和长度，具体包括：与前面识别出的白色线段进行结合，得出一个更长的线，并得出线的长度；或者舍弃异常的“线点”拟合出一个圆圈。

在步骤s205中，根据所述场地线的形状和长度，确定所述场地线的属性和类型。

在本发明实施例中，场地线的基本分类为long(长类型)和mid(中线)类型。当线的长度大于2200mm时，即将其归为long类型，其可能是中场线、边线、球场底线或禁区的长边线；当一条线穿过圈，则将这条线定为mid类型，这条线穿过的可能就是中圈，这条线可能是中场线。

在步骤s103中，根据所述场地线的属性和类型，确定所述场地线交叉点的属性和类型。

在本发明实施例中，场地线交叉点的属性有mid(中型)、big(大型)和none(空型)类型，如果交叉的两条线类型为mid类型，则交叉点的属性为mid；如果较差的两条线类型为long，则交叉点的属性为big类型；如果都不满足上述特点，则为none类型。交叉点的类型根据形象，将其取名为“x”“t”“l”型。

在步骤s104中，根据所述场地线的属性和类型以及场地线交叉点的属性和类型，确定场地特征。

在本发明实施例中，场地中最基本的场地特征是由场地线交叉组合形成的，包括禁区、场地边角、中圈、中场角等。

其中，禁区的判定是过罚球线和一两个交叉点进行确定的。如果线根据罚分制度得知罚分，搜索与之相对应的线，可以确定出禁区。禁区也可以通过组合两个普通的“t”形交叉口或者一个普通的“t”和一个普通的“l”形交叉口；场地边角是场地线和侧线相交的区域，判定该区域的条件是一个大“l”交叉点和一个禁区的元素的组合；中圈需要检测到的中心圆和中线的组合；中场角是由一个大的“t”形交叉点或“t”形交叉点和识别出来的中场线的组合。

在步骤s105中，根据所述场地特征，计算所述机器人的具体坐标位置。

在本发明实施例中，任一机器人在自身都有一自身坐标系(如图15所示)以及一全场坐标系(如图14所示)，全场坐标系用于计算出机器人最终的位置，机器人的自身坐标系主要用于机器人与其他特征的相对距离计算。机器人一开始的位置是有限定的，即比赛开始的时候机器人的站位是确定的，根据球队的不同防守方和进攻方的站位可以由球队自行调整，调整的坐标为全场坐标系。而机器人具体的位姿确定是根据科尔曼滤波的采样和蒙特卡罗估计进行确定的。

在本发明实施例中，机器人定位采用的是蒙特卡洛定位算法，其定位时会对机器人的位姿的估计进行假设，每一个假设都用卡尔曼滤波进行建模，为了便于建模计算，卡尔曼滤波的粒子数我们定为12个，每一个粒子所代表的含义是一个具体的场地特征，如中圈等。每个粒子代表机器人对当前的场地特征“猜测”，当一个粒子与当前识别的场地特征匹配度更高，那么这个粒子就是“好”的，其权重就相应较高。其权重计算公式为：

wp＝wb+(1-wb)×vp

wb为基础权重，vp为计算粒子过滤的有效值，wp为计算的粒子权值，并且会根据最新的测量结果插入新的粒子。插入新的粒子后，会进行验证，由于存在识别的错误和感知的精度问题，每个场地特征会设置一个阈值，当粒子的值在相应场地特征的阈值范围内，则此粒子是合格的；否则会剔除，插入新的粒子。在对粒子处理完后，会通过这一帧中成功识别的数量来计算有效性。为了保证有效性不会随时间影响定位，会在每60帧进行一次粒子过滤。粒子进行过滤的公式为：

其中vp为计算的有效值，n为帧数，vc为有效性的值。在计算过后，得出当前机器人观察到的场地特征，同时，对比先前在机器人中形成的场地模型，结合里程计的信息和机器人摄像头的相关参数，最终得出机器人在场地上的绝对坐标，实现机器人的定位。

在本发明实施例中，如图3所示的机器人禁区识别模拟示意图，图中矩形区域1的场地特征为禁区，黑点2为点球点，在中间图中，能清晰地看出禁区线和罚球点处，根据所识别出的场地特征，计算机器人此时的位置坐标为x＝-578.325，y＝-42.8716，r＝-0.489439。

在实际情况下，如图4所示的机器人禁区识别实测示意图，图中中间靠下的全场图，可以看出机器人禁区识别图像，右侧的两个灰度图为通过机器人摄像头摄取的图，可以看见机器人摄像头中识别图像、即罚球点3，中间靠下的全场图中可以看到机器人识别出的禁区4和罚球点3的线条。

在本发明实施例中，如图5所示的机器人场地边角识别模拟示意图，图中没有识别其他场地特征时出现的区域及相关的线条，因为在识别场地角的时候只有两条场地边线，所以只显示识别边线的两条场地边线线条5，此时机器人的场地定位坐标为x＝-580.611，y＝-33.396，r＝-0.38。

在实际情况下，如图6所示的机器人场地边角识别实测示意图，图中右下角的灰度图为机器人识别出场地角6，由图中也可看出识别场地角的判断为l。

在本发明实施例中，如图7所示的机器人中圈识别模拟示意图，在图中可以看到识别出的场地中圈的线条7，图中识别出机器人的场地位置坐标为x＝-633.833，y＝-0.00394，r＝6.63。

在实际情况下，如图8所示的机器人中圈识别实测示意图，在图中可以看见识别出的中圈的线条8，由于机器人摄像头处于机器人头部，会存在摄像角度问题，才会出现上图左下角中出现的识别篮圈和现实中圈的位置差别。

在本发明实施例中，如图9所示的机器人中场角识别模拟示意图，由于判定中场角的条件中有需要穿过中圈的长线(即中场线)，所以识别中圈之后才能较好的识别中场角，图中识别出机器人的场地位置坐标为x＝2421.38，y＝391.684，r＝0。

在实际情况下，如图10所示的机器人中场角识别实测示意图，在图中右下角的灰度图中可以看出，机器人识别出中场角落的线条9。

本发明实施例提供的机器人场地特征识别和定位方法，通过获取场地图像，确定场地线以及场地线交叉点的属性和类型，并确定场地特征，以计算出所述机器人的具体坐标位置；本发明无需特意设置标记，避免了因为标记的遮挡和缺失导致的识别错误，并且无需使用大量传感器，大大降低了成本，同时，所用算法简单，可以保证运动中的机器人能快速识别出特征，用于定位等动作中，效果更好。

图11示出了本发明实施例提供的一种机器人场地特征识别和定位装置1100的结构，为了便于说明，仅示出了与本发明实施例相关的部分。

机器人场地特征识别和定位装置1100，包括：图像获取单元1101、场地线定义单元1120、交叉点定义单元1103、特征确定单元1104以及位置计算单元1105。

图像获取单元1101，用于响应机器人场地特征识别和定位请求，获取场地图像。

在本发明实施例中，图像获取单元1101用于响应机器人场地特征识别和定位请求，获取场地图像；其中，场地图像指足球场地的图像，其主要涉及足球场地上的若干线条，可以说足球场地是由很多的线条组成的。

场地线定义单元1102，用于根据所述场地图像，确定场地线的属性和类型。

在本发明实施例中，所述场地线定义单元1102用于根据所述场地图像，确定场地线的属性和类型；其还包括：扫描模块、识别与记录模块、构建模块、第一确定模块以及第二确定模块。

扫描模块，用于根据场地图象，对所述场地图象进行扫描。

在本发明实施例中，扫描模块用于根据场地图象，对所述场地图象进行扫描；其中，扫描方式包括水平扫描和垂直扫描方式，水平扫描可以由从场地左边到右边或者从场地右边到左边扫描，垂直扫描可以由场地上边到下边或者从场地下边到上边扫描，具体在此不做限定。

识别与记录模块，用于当扫描有场地线时，对所述场地线线段的中心点进行识别，并记录中心点坐标值。

在本发明实施例中，识别与记录模块用于当扫描有场地线时，对所述场地线线段的中心点进行识别，并记录中心点坐标值；其中，场地线的形状包括直线、或弧线、或圆；当有场地线的时候，垂直的扫描中会出现白色的线段，并在每一个白色线段上标识出“线点”，即该场地线线段的中心点，也代表着白色区域的中心点。

构建模块，用于根据所述中心点坐标值，构建线性回归函数。

在本发明实施例中，构建模块用于根据所述中心点坐标值，构建线性回归函数；其中，线性回归是利用称为线性回归方程的最小平方函数对一个或多个自变量和因变量之间关系进行建模的一种回归分析。这种函数是一个或多个称为回归系数的模型参数的线性组合。只有一个自变量的情况称为简单回归，大于一个自变量情况的叫做多元回归。

第一确定模块，用于将所述场地线线段以及线性回归函数进行结合，确定所述场地线的形状和长度。

在本发明实施例中，第一确定模块用于将所述场地线线段以及线性回归函数进行结合，确定所述场地线的形状和长度；其中，将所述场地线线段以及线性回归函数进行结合，确定所述场地线的形状和长度，具体包括：与前面识别出的白色线段进行结合，得出一个更长的线，并得出线的长度；或者合弃异常的“线点”拟合出一个圆圈。

第二确定模块，用于根据所述场地线的形状和长度，确定所述场地线的属性和类型。

在本发明实施例中，第二确定模块用于根据所述场地线的形状和长度，确定所述场地线的属性和类型；其中，场地线的基本分类为long和mid类型。当线的长度大于2200mm时，即将其归为long类型，其可能是中场线、边线、球场底线或禁区的长边线；当一条线穿过圈，则将这条线定为mid类型，这条线穿过的可能就是中圈，这条线可能是中场线。

交叉点定义单元1103，用于根据所述场地线的属性和类型，确定所述场地线交叉点的属性和类型。

在本发明实施例中，交叉点定义单元1103用于根据所述场地线的属性和类型，确定所述场地线交叉点的属性和类型；其中，场地线交叉点的属性有mid、big和none类型，如果交叉的两条线类型为mid类型，则交叉点的属性为mid；如果较差的两条线类型为long，则交叉点的属性为big类型；如果都不满足上述特点，则为none类型。交叉点的类型根据形象，将其取名为“x”“t”“l”型。

特征确定单元1104，用于根据所述场地线的属性和类型以及场地线交叉点的属性和类型，确定场地特征。

在本发明实施例中，特征确定单元1104用于根据所述场地线的属性和类型以及场地线交叉点的属性和类型，确定场地特征；其中，场地中最基本的场地特征是由场地线交叉组合形成的，包括禁区、场地边角、中圈、中场角等。其中，禁区的判定是过罚球线和一两个交叉点进行确定的。如果线根据罚分制度得知罚分，搜索与之相对应的线，可以确定出禁区。禁区也可以通过组合两个普通的“t”形交叉口或者一个普通的“t”和一个普通的“l”形交叉口；场地边角是场地线和侧线相交的区域，判定该区域的条件是一个大“l”交叉点和一个禁区的元素的组合；中圈需要检测到的中心圆和中线的组合；中场角是由一个大的“t”形交叉点或“t”形交叉点和识别出来的中场线的组合。

位置计算单元1105，用于根据所述场地特征，计算所述机器人的具体坐标位置。

本发明实施例提供的一种机器人场地特征识别和定位装置，通过获取场地图像，确定场地线以及场地线交叉点的属性和类型，并确定场地特征，以计算出所述机器人的具体坐标位置；本发明无需特意设置标记，避免了因为标记的遮挡和缺失导致的识别错误，并且无需使用大量传感器，大大降低了成本，同时，所用算法简单，可以保证运动中的机器人能快速识别出特征，用于定位等动作中，效果更好。

本发明实施例还提供了一种计算机设备，该计算机设备包括处理器，处理器用于执行存储器中存储的计算机程序时实现上述各个方法实施例提供的机器人场地特征识别和定位方法的步骤。

本发明的实施例还提供了一种计算机可读存储介质，其上存储有计算机程序/指令，该计算机程序/指令被上述处理器执行时实现上述各个方法实施例提供的机器人场地特征识别和定位方法的步骤。

示例性的，计算机程序可以被分割成一个或多个模块，一个或者多个模块被存储在存储器中，并由处理器执行，以完成本发明。一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在计算机设备中的执行过程。例如，所述计算机程序可以被分割成上述各个方法实施例提供的机器人场地特征识别和定位方法的步骤。

本领域技术人员可以理解，上述计算机设备的描述仅仅是示例，并不构成对计算机设备的限定，可以包括比上述描述更多或更少的部件，或者组合某些部件，或者不同的部件，例如可以包括输入输出设备、网络接入设备、总线等。

所称处理器可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述计算机装置的控制中心，利用各种接口和线路连接整个用户终端的各个部分。

所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述计算机设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smartmediacard，smc)，安全数字(securedigital，sd)卡，闪存卡(flashcard)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

所述计算机设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、电载波信号、电信信号以及软件分发介质等。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。