基于直線段匹配的移動(dòng)機(jī)器人的障礙物檢測(cè)

然后，根據(jù)每組候選直線段對(duì)間內(nèi)部像素點(diǎn)的灰度直方圖計(jì)算這兩條線段的相關(guān)性。因?yàn)閷儆谕粋€(gè)物體的像素點(diǎn)的灰度直方圖有一個(gè)明顯的凸峰，所以把凸峰占整個(gè)直方圖面積的百分比作為計(jì)算候選直線段對(duì)相關(guān)性的第一個(gè)度量值定為inner_rela。

屬于物體中的像素點(diǎn)的灰度值與它所處背景的像素點(diǎn)的灰度值相差比較大。所以把計(jì)算候選直線段對(duì)相關(guān)性的第二個(gè)度量值定為

。T1為兩直線段間像素的灰度平均值，T2為兩直線段構(gòu)成區(qū)域的背景灰度平均值。因?yàn)?center>

，所以把exter_rela除以255(作歸一處理)，使得

。

總的相關(guān)性度量值=inner_rela×exter_rela。如果總的相關(guān)性度量值超過(guò)一定的閾值，則這一組候選直線段對(duì)屬于同一個(gè)物體的左右邊緣。

inner_rela的計(jì)算方法介紹如下：

Stepl：計(jì)算這兩條直線段之間的區(qū)域中的像素點(diǎn)的灰度分布直方圖。

Step2：直方圖存在一個(gè)明顯的凸峰，計(jì)算出凸峰的位置Peak，并取凸峰鄰域?yàn)閇Peak-T，Peak+T]，本文取T=32。對(duì)灰度值處在凸峰鄰域[Peak-T，Peak+T]的像素點(diǎn)的個(gè)數(shù)進(jìn)行累加，累加值Count存儲(chǔ)到變量中。

Step3：inner_rela=Count／(整個(gè)直方圖象素點(diǎn)的總數(shù))。

最后，把配對(duì)成功的候選直線段對(duì)的相應(yīng)端點(diǎn)進(jìn)行連接，構(gòu)造出的四邊形作為物體的抽象輪廓。因?yàn)檫@些四邊形之間會(huì)產(chǎn)生連接、包含、重疊等現(xiàn)象，所以取經(jīng)過(guò)輪廓疊加產(chǎn)生的圖像做為最終目標(biāo)圖像，從而在圖像中實(shí)現(xiàn)對(duì)物體的定位。

4實(shí)驗(yàn)分析

本算法在室內(nèi)進(jìn)行了大量實(shí)驗(yàn)后發(fā)現(xiàn)，對(duì)圖像中存在的棱柱狀、棱臺(tái)形狀物體以及圓柱狀、圓臺(tái)形狀物體能夠?qū)崿F(xiàn)90％的檢測(cè)率；而對(duì)邊緣為曲線的物體以及其他不規(guī)則物體的檢測(cè)就根本不適用了。當(dāng)評(píng)判匹配相關(guān)性的閾值設(shè)得偏大時(shí)漏檢的概率變大，偽檢的概率變小，反之亦然。

本文算法對(duì)于一副圖像的測(cè)試結(jié)果如圖4(a)～(e)所示，移動(dòng)機(jī)器人平臺(tái)上的彩色CCD攝像頭拍攝的圖像包含了一個(gè)紙箱、一個(gè)疊加在紙箱上的黑色鋼管以及一個(gè)低矮的黃色木頭盒子。對(duì)彩色圖像運(yùn)用顏色轉(zhuǎn)換程序，轉(zhuǎn)換成灰度圖(圖4(a))；在線段圖(圖4(d))中灰度值為128的線段是負(fù)線段，灰度值為0的線段是正線段；輸出的最終結(jié)果(圖(4)e)中直線配對(duì)每成功一次，相應(yīng)的區(qū)域像素點(diǎn)的灰度值減去100。

本文提出的利用直線段匹配檢測(cè)障礙物的方法，不需要事先學(xué)習(xí)障礙物的2D圖像模式，避免了使用計(jì)算量大的光流法和立體視覺(jué)方法。試驗(yàn)結(jié)果表明該方法能有效地實(shí)時(shí)檢測(cè)障礙物。

下一步還需要研究如何將圖像檢測(cè)出的障礙物信息與移動(dòng)機(jī)器人的激光雷達(dá)數(shù)據(jù)相融合，以及加入距離信息來(lái)提高障礙物檢測(cè)的準(zhǔn)確率和可靠性。