基于分层策略的机器人视觉导航
来源:用户上传
作者: 闫 敬
[摘 要] 本文针对机器人视觉导航系统中彩色图像匹配的特点，对序贯相似性检测算法进行了改进，引入自适应遗传算法，同时，采用了粗――精匹配相结合的分层搜索策略。改进后的算法，在不失匹配精度条件下，可提高图像匹配速度，从而满足机器人视觉导航的实时性要求，同时具有较好的鲁棒性。
[关键词] 分层策略 图像匹配 序贯相似性检测算法 自适应遗传算法
一、引言
机器人的视觉导航控制是利用CCD摄像机采集路面上的图像信息，对当前图像与场景样本库中的图像进行匹配,以确定当前位置，由机器人的处理器识别出路径来控制机器人的运动方向。图像匹配算法在图像信息采集过程中起着至关重要的作用。影响图像匹配性能的主要因素不仅包括图像匹配测度，还与图像匹配快速方法相关。本文主要研究在保持较高匹配正确率的条件下，通过对算法的改进来提高图像匹配速度，从而缩短机器人反应时间。在图像匹配中，采用较多的是基于灰度的匹配算法，因为此算法匹配精度高、易于工程实现且算法已相当成熟，本文的快速算法是基于灰度匹配算法的。
二、图像的分层搜索
在保证图像匹配精度的基础上，减少数据处理的运算量，满足系统实时性要求，是图像匹配算法首先要解决的问题。分层搜索的过程是一个由粗到精的搜索过程，它的目的是减小搜索空间，进一步加快图像的匹配速度。分层的方法有很多种，本文设计了一种分层搜索算法。
把图像进行多分辨率分层处理，得到分辨率比较低和维数较小的图像。首先在分辨率较低、维数较小的图像上进行粗匹配，得到粗匹配点；然后返回到较高分辨率图像，在粗匹配点的邻域内进行进一步的精匹配，从而得到精匹配点。此过程可反复进行，直到满足系统设计精度为止。具体分层采用小波分解的方法得到一组不同分辨率的图像。本文先用小波多分辨率理论对图像进行分层预处理，然后在低分辨率图像上采用改进的序贯相似度检测算法（SSDA）进行粗匹配，得到粗匹配点后，在原始图像上对应粗匹配点的邻域内，采用平均绝对差算法(MAD)进行精匹配。
1.图像的小波分解
Mallat于1987年提出多分辨率理论，在泛函分析的框架下，统一了各种具体小波的构造方法，给出了构造正交小波基的一般方法和与FFT相对应的快速小波算法，并将它应用于图像分解和重建，成为小波理论与应用上的一个突破性进展。
小波的选择对图像分解来说是一个至关重要的问题。对于同一个问题，使用不同的小波会产生不同的结果，因此,必须结合不同的问题选择适当的小波变换。哈尔小波是正交小波变换中最简单的一个小波函数,它的优点在于算法简单、速度快,缺点是其分解的低频图像是对上一尺度低频图像平均得到的，所以图像的边缘信息损失较为严重,但由于本文采用的是灰度图像匹配，边缘信息的损失对其影响不大,而且为了加快图像分解速度,采用的小波变换必须尽量简单快速,因此选用的小波变换为哈尔小波。
2.改进的序贯相似度检测算法
序贯相似度检测算法可以用来有效地减少单次匹配中的计算量, 但算法本身没有抗干扰性能，在计算过程中没有利用图像自身的特点，采用穷举搜索，存在效率极低的问题。考虑到遗传算法在搜索问题上的优越性，本文将图像匹配问题转化为函数优化问题，采用非遍历寻优的遗传算法作为优化问题的搜索策略，把自适应遗传算法（AGA）和序贯相似度检测算法相结合，提出一种改进的快速图像匹配方法，以大幅减少计算量。
三、实验结果
将本文设计的算法应用于移动机器人视觉导航系统中，取得了满意的效果。基本的实验环境描述如下：实验场所为室内，背景不太复杂。目标物体为一个280mm×310mm×100mm的立方体纸箱，摄像机初始距离距目标物体为4.5m，图像采集分辨率设为160×128。移动机器人采用的是三星S3C44B0×32位微处理器，它使用ARM7TDMI核，最高工作在72MHz，芯片中集成了8KB Cache、配置了2MB的FLASH存储器，以及8MB的SDRAM存储器。
对序贯相似度检测算法与自适应――序贯相似度检测算法分别进行50次实验，其中自适应――序贯相似度检测算法的遗传算法群体规模为50，迭代次数为50次和150次；在此实验基础上，先用小波变换对图像进行两级分解，然后在1级图像上采用自适应――序贯相似度检测算法进行匹配，选取最后一代适应度值最高的5个位置，把它们映射到原始图像基准图上，在这5个位置的5×5领域内采用MAD 进行精匹配，最后获得真正的匹配位置。自适应――序贯相似度检测算法的迭代次数为150，实验结果的比较见下表。
从表中的结果可以看出，在遗传算法迭代次数较低时,寻优过程可能会陷入局部最优而不能跳出,增加到150次后可获得全局最优解，但匹配时间有所增加。采用150次迭代的自适应――序贯相似度检测算法进行匹配所需要的平均时间为单纯序贯相似度检测算法的平均匹配时间的18.5%。在小波分解的基础上进行的自适应――序贯相似度检测算法匹配，时间上比单纯的自适应――序贯相似度检测算法匹配又减少了将近50%。系统运行良好，跟踪目标没有出现大的偏差，基本上始终处于图像视野的中央位置，运动轨迹没有出现振荡，达到了机器人视觉导航的目的。可见基于分层的自适应――序贯相似度检测算法既具有很高的匹配速度，又保持了良好的匹配正确率。
四、结语
本文设计的算法充分利用了彩色图像的特征，对传统的图像匹配做了改进，在图像匹配的过程中引入遗传算法，提高了机器人图像匹配的速度。同时该算法具有很强的实时性和鲁棒性，并能够应用于嵌入式系统这样的实时环境中，有效地缩短了机器人反应时间。
注：本文中所涉及到的图表、注解、公式等内容请以PDF格式阅读原文
转载注明来源:https://www.xzbu.com/3/view-1488347.htm
