基于雙視野窗口的路徑特征識別、偏差測量與精確定位方法
【技術(shù)領(lǐng)域】：
[0001] 本發(fā)明設(shè)及一種基于雙視野窗口的路徑特征識別、偏差測量與精確定位方法，其 屬于計算機視覺檢測領(lǐng)域。
【背景技術(shù)】：
[0002] 自動導引車(AutomatedGuidedVehicle，AGV)是一種用于物料搬運的智能輪式 移動機器人，廣泛應用于工廠自動化生產(chǎn)線、倉儲物流、機場和港口中的物料傳送，其導引 方式主要有磁導引、視覺導引、激光導引和慣性導引等。視覺導引AGV利用CO)攝像機采集地 面路徑信息，提取地面路徑與攝像機視野中屯、的角度偏差與距離偏差，將偏差信息發(fā)送給 控制器，控制器根據(jù)接收到的偏差信息來調(diào)整AGV車體的位姿，使車體始終保持在導引線上 方，具有導引精度高，設(shè)備成本低，獲取信息豐富，路徑布置柔性高等優(yōu)勢，近年來獲得了越 來越廣泛的應用。
[0003] 視覺導弓IAGV的攝像機安裝方式有垂直安裝與傾斜安裝兩種。公開號為 CN103390259A的中國發(fā)明專利采用一種攝像機垂直安裝檢測地面路徑的方式，攝像機垂直 安裝圖像崎變相對較小，檢測精度高，但其視野小，無法及時獲取AGV前方路況信息。公開號 為CN103646249A的中國發(fā)明專利采用攝像機傾斜安裝方式，通過對采集的圖像進行處理后 得到前方路徑中點信息，但其并沒有對圖像由于傾斜安裝引起的傾斜崎變進行校正，只能 獲得路徑中點信息，無法實現(xiàn)對路徑寬度等的精確測量。
[0004] AGV在運行時需要準確識別多分支路徑并根據(jù)任務(wù)選擇其中一條路徑進行導引， 同時也需要準確識別各種工位標識。公開號為CN1438138A的中國發(fā)明專利利用數(shù)字字符標 識多分支路徑，并通過模板匹配法進行識別，由于其處理數(shù)字字符標識需要經(jīng)過旋轉(zhuǎn)變換、 比例變換等復雜過程，需要用運算能力強大的車載計算機進行處理，不適合嵌入式解決方 案，并且也未設(shè)及到工位標識的識別。
[000引在路徑偏差測量方面，傳統(tǒng)的方法根據(jù)預先設(shè)定的路徑模型對采集的路徑點進行 擬合，典型的路徑模型有直線模型、圓弧模型W及非圓弧模型等，運類方法計算量大，并且 精度相比直線模型計算出來的結(jié)果提升有限。
[0006] 在AGV的定位方面，公開號為CN104181920A和CN104835173A的中國發(fā)明專利提出 的視覺定位方法僅能實現(xiàn)AGV在工位點處的定位，但考慮定位精度時并沒有考慮其他因素 如車體慣性的影響。

【發(fā)明內(nèi)容】
：
[0007] 本發(fā)明提供一種基于雙視野窗口的路徑特征識別、偏差測量與精確定位方法。
[0008] 本發(fā)明采用如下技術(shù)方案：一種基于雙視野窗口的路徑特征識別、偏差測量與精 確定位方法，步驟如下：
[0009] 1)針對前置傾斜安裝的車載攝像機設(shè)置雙視野窗口，第一視野窗口為路徑特征識 別窗口，采用車載攝像機的整幅視野范圍；第二視野窗口為路徑導引掃描窗口，其窗口寬度 為整幅視野寬度，其窗口高度根據(jù)車載攝像機的視角w及傾斜安裝角度由掃描高度自動縮 放方法確定；
[0010] 2)路徑特征識別方法，在路徑特征識別窗口通過W下流程獲取經(jīng)過泛化處理的神 經(jīng)網(wǎng)絡(luò)識別器：（1)導引路徑原始圖像采集；（2)二值化圖像預處理；（3)全息圖像高維特征 矩陣構(gòu)建；（4)高維特征矩陣核主成分分析降維；（5)神經(jīng)網(wǎng)絡(luò)識別器樣本訓練；
[0011] 3)路徑偏差測量方法，針對單支路徑，在路徑導引掃描窗口將導引路徑簡化成直 線模型，計算相對于導引路徑的位置偏差和姿態(tài)角偏差，并將所述偏差信號發(fā)送給車載控 制器；
[0012] 4)二次精確定位方法，在工位點附近連續(xù)布置兩個間隔特定距離的定位標志，在 路徑導引掃描窗口檢測相對于定位標志的定位距離，通過第一標志減速、第二標志停車實 現(xiàn)平穩(wěn)精確定位，并將減速和停車信號發(fā)送給車載控制器；
[0013] 5)多分支路徑選擇方法，在電子地圖中根據(jù)運輸任務(wù)，從多分支路徑中選擇其中 一支路徑作為當前導引路徑，再轉(zhuǎn)入步驟3)的單支路徑偏差測量流程。
[0014] 進一步地，所述路徑特征識別方法具體如下：
[0015] 1)導引路徑原始圖像采集，通過車載攝像機采集路徑特征識別窗口中導引路徑的 原始圖像；
[0016] 2)二值化圖像預處理，采用圖像濾波、光照補償、崎變校正、圖像二值化W及形態(tài) 學處理，將原始圖像處理為二值化圖像；
[0017] 3)全息圖像高維特征矩陣構(gòu)建，在路徑特征識別窗口中采集Μ類、每類N幅、分辨率 為mXn的二值化圖像，將每幅圖像按列存儲為一個mXn維的行向量，將所述行向量作為樣 本矩陣的一個樣本，最后形成一個大小為(MXN)X(mXη)的高維特征樣本矩陣；
[0018] 4)高維特征矩陣主成分分析降維，對高維特征樣本矩陣進行主成分分析，選取前Ρ 個主成分分量，組成大小為(ΜΧΝ)Χρ的新樣本矩陣，作為神經(jīng)網(wǎng)絡(luò)識別器的訓練樣本；
[0019] 5)神經(jīng)網(wǎng)絡(luò)識別器樣本訓練，針對(ΜΧΝ)Χρ的新樣本矩陣，采用有動量+自適應 學習率的梯度下降法調(diào)整神經(jīng)網(wǎng)絡(luò)權(quán)值W及連接點闊值，訓練神經(jīng)網(wǎng)絡(luò)識別器對特征矩陣 的識別能力。
[0020] 進一步地，所述二值化圖像預處理步驟如下：
[0021] 1)將導引路徑的原始圖像處理為灰度圖像，進行一次均值濾波，得到較為平滑的 路徑圖像；
[0022] 2)對均值濾波后的灰度圖像進行光照補償，通過標定從而確定圖像光照中屯、，W 光照中屯、為基準，按照距離遠近劃分為3個區(qū)域，對高光區(qū)域進行補色，對低照度區(qū)域進行 補光，消除圖像的高光現(xiàn)象；
[0023] 3)對路徑圖像進行崎變校正，采用平面模板法校正由鏡頭W及攝像機系統(tǒng)帶來的 桶形崎變，采用"連接點法"校正由于攝像機傾斜安裝帶來的傾斜崎變，利用校正前的四個 輸入點（義1，71)、（義2,72)、（義3,73)、（義4,74)和校正后的四個基準點（義1'，71'）、（義2'，72'）、 ^3'，73'）、^4'，74'）計算崎變校正矩陣1(，并用雙線性插值法插值，時十算公式如下：
[0024]
[0025] 4)對崎變校正后的路徑圖像進行闊值分割，W光照中屯、為基準，劃分為Ξ個不同 照度的區(qū)域，對每個區(qū)域采用最優(yōu)闊值法確定分割闊值，得到二值化的路徑特征圖像，其公 式如下：
[0026]
[0027] 式中，0(io，jo)為圖像光照中屯、坐標，Τ(i，j)為每個像素點的分割闊值；
[0028] 5)對二值化圖像進行兩次形態(tài)學處理，首先做一次10X10模板的閉運算，使圖像 輪廓變得光滑，填充細小的孔桐，然后再做一次10X10模板的開運算，同樣使輪廓變得光 滑，同時斷開狹窄的連接，消除毛刺。
[0029] 進一步地，所述高維特征矩陣主成分分析降維步驟如下：
[0030] 1)為高維特征樣本矩陣X選定一個高斯徑向基核函數(shù)
[0031]
[0032] 利用公式(4)和(5)計算NXN的核函數(shù)矩陣K:
[00巧]2)通過求解
[0036] Νλα=Κα(6)