機器人視覺定位方法和裝置、視覺標定方法和裝置的制造方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及機器人領(lǐng)域，特別是設(shè)及一種機器人視覺定位方法和裝置，視覺標定 方法和裝置。
【背景技術(shù)】
[0002] 工業(yè)機器人系統(tǒng)中工件定位方法有機械定位、光電感應(yīng)器、磁性感應(yīng)器、視覺定位 等，其中機械定位和感應(yīng)器定位具有成本低廉的優(yōu)點，但是定位精度差、柔性差。而視覺定 位具有精度高，靈活性好的優(yōu)點。
[0003] 傳統(tǒng)的視覺處理方法都是采用模板特征匹配算法或者斑點掃描的方法，但是模板 特征匹配方法計算復(fù)雜度大，對于機器人視覺應(yīng)用需要建立多模板數(shù)據(jù)，設(shè)置復(fù)雜，不斷隨 著新情況的出現(xiàn)調(diào)整模板，而斑點檢測方法，檢測成功率受到環(huán)境光照條件和攝像機參數(shù) 的影響較大，W上兩種方法都需要經(jīng)常設(shè)置圖像參數(shù)和模板，只要識別標識發(fā)生變化即需 要重新設(shè)置模板，否則會發(fā)生漏識別或不能識別的現(xiàn)象，系統(tǒng)的魯棒性能差。

【發(fā)明內(nèi)容】

[0004] 基于此，有必要針對上述需要經(jīng)常重新設(shè)置模板的問題，提出了一種簡單的不需 要經(jīng)常重新讀入模板的機器人視覺定位方法和裝置。
[0005] -種機器人視覺定位方法，所述方法包括:Sl:獲取目標圖像，并對所述目標圖像 進行預(yù)處理;S2:根據(jù)預(yù)設(shè)的分割參數(shù)對步驟Sl處理過的圖像進行特征分割；S3:對步驟S2 處理過的圖像進行濾波處理；S4:對步驟S3處理過的圖像進行連通域檢測提取組成特征標 志的亮斑；S5:對所述亮斑進行過濾處理;S6:判斷過濾后的亮斑數(shù)目是否符合預(yù)設(shè)的亮斑 數(shù)目，若是，則進入步驟S7,若否，則按預(yù)設(shè)規(guī)則調(diào)整步驟S2中的分割參數(shù)，重復(fù)上述步驟 S2-S6; S7:識別所述亮斑輪廓線;S8:判斷所述識別出的亮斑輪廓線與預(yù)設(shè)的模板輪廓線是 否匹配;若匹配，則進入步驟S9; S9:輸出識別出的特征標志。
[0006] -種機器人視覺定位裝置，所述裝置包括:獲取模塊，用于獲取目標圖像，并對所 述目標圖像進行預(yù)處理;分割模塊，用于根據(jù)預(yù)設(shè)的分割參數(shù)對預(yù)處理過的圖像進行特征 分割;濾波模塊，用于對分割模塊處理過的圖像進行濾波處理;檢測模塊，用于對濾波模塊 處理過的圖像進行連通域檢測提取組成特征標志的亮斑;過濾模塊，用于對所述亮斑進行 過濾處理;判斷模塊，用于判斷過濾后的斑點數(shù)目是否符合預(yù)設(shè)的數(shù)目，若否，則通知分割 模塊根據(jù)預(yù)設(shè)的規(guī)則調(diào)整分割參數(shù);識別模塊，用于若過濾后的斑點數(shù)目符合預(yù)設(shè)的數(shù)目 則識別所述亮斑輪廓線；匹配模塊，用于判斷所述識別出的亮斑輪廓線與預(yù)設(shè)的模板輪廓 線是否匹配;輸出模塊，用于若識別出的亮斑輪廓線與預(yù)設(shè)的模板輪廓線匹配，則輸出識別 出的特征標志。
[0007] 上述方法和裝置通過獲取目標圖像，并對所述目標圖像進行預(yù)處理;根據(jù)預(yù)設(shè)的 分割參數(shù)對圖像進行特征分割，對分割后的圖像進行濾波處理，對濾波后的圖像進行連通 域檢測提取組成特征標志的亮斑，對提取的亮斑進行過濾處理，判斷過濾后的亮斑數(shù)目是 否符合預(yù)設(shè)的數(shù)目，若否，則重新調(diào)整分割參數(shù)，進行重新檢測，若是，則識別亮斑輪廓線， 判斷識別出的亮斑輪廓線與預(yù)設(shè)的模板輪廓線是否匹配，若是，則輸出識別出的特征標志。 當亮斑數(shù)目不符合預(yù)設(shè)的數(shù)目時，自動重新調(diào)整分割參數(shù)，不需要重新讀入模板參數(shù)。該方 法通過自動調(diào)整分割參數(shù)，使得分割后的輪廓符合初始設(shè)置條件，經(jīng)過幾次迭代后可W把 特征標志識別出來，適應(yīng)光照條件不同的圖像檢測，在光照不穩(wěn)定的條件下也能實現(xiàn)特征 標志的識別，另外，該方法避免了人工干預(yù)調(diào)整參數(shù)，實現(xiàn)了視覺系統(tǒng)長期穩(wěn)定地運行。
[0008] -種視覺標定方法，該方法包括:識別工件上的特征標志;通過機械手帶動攝像頭 移動到所述特征標志上方，記錄移動的物理坐標;對所述物理坐標對應(yīng)的圖像進行處理，識 別出特征標志在圖像中的坐標;根據(jù)記錄的物理坐標和對應(yīng)的圖像坐標，確定特征標志的 圖像坐標與物理坐標之間的映射關(guān)系。
[0009] -種視覺標定裝置，該裝置包括:標志識別模塊，用于識別工件上的特征標志；坐 標記錄模塊，用于通過機械手帶動攝像頭移動到所述特征標志上方，記錄移動的物理坐標； 坐標識別模塊，用于對所述物理坐標對應(yīng)的圖像進行處理，識別出特征標志在圖像中的坐 標;關(guān)系確定模塊，用于根據(jù)記錄的物理坐標和對應(yīng)的圖像坐標，確定特征標志的圖像坐標 與物理坐標之間的映射關(guān)系。
[0010] 上述視覺標定方法和裝置，通過識別工件上的特征標志，繼而通過機械手帶動攝 像頭移動到特征標志上方，記錄移動的物理坐標，對物理坐標對應(yīng)的圖像進行處理，識別出 特征標志在圖像中的坐標，根據(jù)記錄的物理坐標和對應(yīng)的圖像坐標，確定特征標志的圖像 坐標與物理坐標之間的映射關(guān)系。該標定方法簡便，直接使用實際產(chǎn)品進行標定，標志過程 全自動進行，避免了人工干預(yù)，標定參數(shù)準確可靠。
【附圖說明】
[0011] 圖1為一個實施例中機器人視覺定位方法的流程圖；
[0012] 圖2為一個實施例中連通域的星型拓撲方式的示意圖；
[0013] 圖3為一個實施例中特征標志旋轉(zhuǎn)的示意圖；
[0014] 圖4為一個實施例中計算法向角的示意圖；
[0015] 圖5為一個實施例中角度索引表的結(jié)構(gòu)示意圖；
[0016] 圖6A至6C為一個實施例中在不同光照強度下的特征標志示意圖；
[0017] 圖7為另一個實施例中機器人視覺定位方法的流程圖；
[0018] 圖8為再一個實施例中機器人視覺定位方法的流程圖；
[0019] 圖9為一個實施例中識別亮斑輪廓線的方法流程圖；
[0020] 圖10為一個實施例中判斷輪廓線是否匹配的方法流程圖；
[0021] 圖11為一個實施例中視覺標定方法的流程圖；
[0022] 圖12為另一個實施例中視覺標定方法的流程圖；
[0023] 圖13為一個實施例中理想坐標和實際坐標之差的示意圖；
[0024] 圖14為一個實施例中機器人視覺定位的裝置結(jié)構(gòu)框圖；
[0025] 圖15為另一個實施例中機器人視覺定位的裝置結(jié)構(gòu)框圖；
[0026] 圖16為再一個實施例中機器人視覺定位的裝置結(jié)構(gòu)框圖；
[0027] 圖17為一個實施例中識別模塊的結(jié)構(gòu)框圖；
[00%]圖18為一個實施例中匹配模塊的結(jié)構(gòu)框圖；
[0029] 圖19為一個實施例中視覺標定裝置的結(jié)構(gòu)框圖；
[0030] 圖20為另一個實施例中視覺標定裝置的結(jié)構(gòu)框圖。
【具體實施方式】
[0031] 為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點更加清楚明白，W下結(jié)合附圖及實施例，對 本發(fā)明進行進一步詳細說明。應(yīng)當理解，此處所描述的具體實施例僅僅用W解釋本發(fā)明，并 不用于限定本發(fā)明。
[0032] 如圖1所示，在一個實施例中，提出了一種機器人視覺定位方法，該方法包括：
[0033] 步驟SI,獲取目標圖像，并對目標圖像進行預(yù)處理。
[0034] 在本實施例中，通過拍攝目標物獲取目標圖像，將獲取的目標圖像進行預(yù)處理，具 體的，可W通過亞采樣和孤立點濾波方法對目標圖像進行預(yù)處理，亞采樣方法是指根據(jù)一 定的規(guī)則每隔幾個像素提取一個像作為有效像素，比如，在等水平和等垂直間距每3個像素 提取一個像素進行保存;經(jīng)過亞采樣可W得到數(shù)據(jù)量縮小的圖像，運樣有利于降低計算復(fù) 雜度，提高計算速度。孤立點濾波方法根據(jù)圖像質(zhì)量選擇使用線性濾波器或形態(tài)學(xué)濾波濾 掉圖像中孤立噪聲點。
[0035] 步驟S2,根據(jù)預(yù)設(shè)的分割參數(shù)對步驟Sl處理過的圖像進行特征分割。
[0036] 具體的，將經(jīng)過預(yù)處理的目標圖像根據(jù)預(yù)設(shè)的分割參數(shù)進行特征分割，圖像特征 分割就是把圖像分成若干個特定的、具有獨特性質(zhì)的區(qū)域并提出感興趣目標的技術(shù)。在本 實施例中，對圖片進行特征分割的目的是為了讓特征標志的顏色和全局背景色區(qū)分開，W 便提取特征標志，比如，經(jīng)過特征分割后讓特征標志變成白色圖案，而它周邊的背景色變成 黑色，為后續(xù)提取特征標志做準備。
[0037] 步驟S3，對步驟S2處理過的圖像進行濾波處理。
[0038] 在本實施例中，圖像濾波處理即在盡量保留圖像細節(jié)特征的條件下對目標圖像的 噪聲進行抑制。經(jīng)過特征分割后的圖像背景中必然會存在一些干擾點，通過對特征分割后 的圖像進行濾波處理，可W去除噪聲點即干擾點。
[0039] 步驟S4，對步驟S3處理過的圖像進行連通域檢測提取組成特征標志的亮斑。
[0040] 具體的，連通域檢測就是把圖像中具有相同像素部分提取出來，提取出的連通域 稱為Blob(亮斑）。對經(jīng)過濾波處理過的圖像進行連通域檢測W便提取組成特征標志的亮 斑。Blob特征全部存儲在的下列的參數(shù)結(jié)構(gòu)體數(shù)組中。其中，數(shù)組單元定義在LTRegion 1結(jié) 構(gòu)體內(nèi)，Blob分布存儲在標志圖f Iagmap中。
[0041 ] typedef struct RegionSurround
[0042] {double KAngle;//物體角度
[0043] double Length;//物體長度
[0044] double Wi化h;/7物體寬度
[0045] double Cenx;//中屯、坐標
[0046] double Ceny;//中屯、坐標
[0047] IRegionSurround；
[004引 typedef struct LTRegion 1
[0049] {
[0化0] int lef1:P0INT[maxlmageSize門；//區(qū)域每行左端點
[0化1] int ri曲 1:P0INT[maxlmageSize門；//區(qū)域每行右端點
[0化2] int RegionNum;//區(qū)域數(shù)目，LTRegion[0] .RegionNum有效區(qū)域數(shù)目 [0053] RECT Surround_Rect;/7包圍框
[0化4] int LTRegionJD;//區(qū)域ID號LTRegion[0]丄TR