小型足球机器人视觉系统设计

小型足球机器人视觉系统设计

1从乐性到乐性作为机器人技术的一个分支，其发展历史很少，但由于对新技术的集中，以及视觉兴趣的强烈关注，它已成为一个快速发展的技术。对于小型足球机器人系统，通常由4个子系统构成，即实时多目标搜索的视觉子系统、基于人工智能的决策子系统、通信与控制系统、机器人小车系统。其中视觉系统需要实时地识别出比赛场景中的多个目标，是整个系统中主要的信息来源，因此设计一个精确稳定的视觉系统，将对整个足球机器人系统起到很重要的作用。2目标识别小型足球机器人比赛场地为2900mm×2400mm，摄像头安装在场地中央上方约3m处，光照强度为700～1000lux。比赛时，摄像头连续采集比赛场景图像信息并加以处理，将所需数据传给决策程序使用，这些数据主要包括双方机器人和球的位置、速度，本队机器人的号码、方向、角速度。按照比赛规则，比赛双方分别使用黄色或蓝色，d=40mm的圆形色标作为球队的标志固定在机器人顶部。比赛用球为橙色的高尔夫球，直径约43mm。规则还允许各队自行设计其他颜色的色标，用于识别本队机器人的方向和号码。因此，视觉系统需要识别的目标主要包括标识机器人身份的色标和球。摄像头采集到的图像的坐标为图像坐标系，首先需要进行摄像机的定标，得到图像坐标系向世界坐标系转化的投影矩阵。然后对图像进行分割，找出需要识别的目标颜色块，再进行目标的识别，得到各颜色块的坐标，进一步求得决策程序所需要的机器人和球的中心坐标。对于运动中的机器人和球，需要实时地进行跟踪搜索，视觉系统整体框架如图1示。3等腰直角三角形对于对方的机器人，通过其顶部中心的队标可以识别出其位置。每两帧图像间隔固定为40ms（即25侦图像每s），可认为这段时间内机器人做匀速运动，因此通过v=s/t便可求得机器人和球的速度。对于本队的机器人，不仅要识别其位置和速度，还要识别其号码、方向和角速度，这样，除了中心的队标外，还需要一些辅助色标。采用图2所示的色标作为本队机器人的标志，3个色标与中心的队标等距，构成一个等腰直角三角形。这样，通过在同一条直线上的3个色标1,0,3的位置可以确定机器人的方向角。其位置与方向精度可达亚像素级，同时，每个辅助色标有2种颜色供选用，则最多可以确定8个不同的机器人，满足了比赛时对机器人号码识别的要求。4系统模型定标图像中各点的位置与实际空间中对应点的位置有关，但并不完全相同。它们之间的相互关系由摄像机成像的几何模型决定，该模型的参数即摄像机参数。决策程序所需要的是在世界坐标系中的信息，因此，必须通过试验对摄像机进行定标，求出图像坐标系与世界坐标系之间的转换矩阵。通过几何关系的简化，通常可以用线性模型来定标。选取如图3示场地中由比赛规则精确定位的22个点作为特征点，对摄像机进行定标。摄像机使用广角镜头，图像边缘会产生较大的径向畸变，需要通过求畸变系数进一步校正。5目标识别5.1色标和球的识别通常可以通过目标的大小、形状、颜色等特征来识别。对于足球机器人，需要识别的色标和球，大小相近，都呈圆形，故以颜色特征为主进行识别。各识别对象的大小、形状都已知，可用来排除干扰。5.2系统的稳定性分析采集卡直接得到的图像是用各像素点的红、绿、蓝分量来表示的，即RGB颜色空间（如图4）。用RGB分量表示颜色，在操作上非常方便，但稳定性并不好。对于同一目标，当环境亮度发生变化，三个分量的值都会发生较大的变化，系统的阈值很难选取准确。由于识别主要根据目标的色调，与亮度关系很小，所以采用色度H、饱和度S、亮度I来表示像素颜色，即HSI颜色空间。这样，目标的色调和亮度相互独立，系统的稳定性得到提高。RGB与HSI颜色空间模型如图4所示。HSI是一个柱坐标系，为了得到HSI坐标，可以首先构造直角坐标系IV1V2，仍以RGB空间的原点为原点，I轴方向为从黑色指向白色，V1为绿色指向蓝色。空间任一点与V1的夹角作为H，点到I轴的距离为S，则RGB到HSI的转化可以表示5.3两目标颜色边界t和t+t之间的比例关系对颜色不同的各目标，使用阈值法进行判别。两个目标的颜色直方图分布，一般有两种情况，如图5所示。对于图5a，两目标的颜色分布没有相重叠的区域，在两目标颜色边界T和T+ΔT之间任意取一个值即可作为判别两目标的阈值，并且理论上误判率为0。对于图5b，两目标的颜色分布边缘有重叠区域，误判不可避免。这时需要在谷底的T和T+ΔT之间，利用统计的方法，按照误判率最小原则，求出一个合适的值作为阈值。6实时搜索和预测6.1下一帧图像中目标的时域分布图像的信息量很大，如果每帧图像都进行全局搜索，就不可能达到实时的效果，因此系统在运行中对目标进行跟踪搜索。正常情况下，目标的位置是连续变化的，速度也是在一定范围内的。因此，通过上一帧图像中目标的位置、最大速度和两帧的时间间隔，可以得到下一帧图像中目标可能出现的范围，并在此范围内进行新的搜索。目标在图像所中占面积很小，大大减小了搜索数量，可以达到实时的目的。当有意外情况发生，如机器人或球被裁判拿开，跟踪搜索的方法可能出现丢失目标的现象。这时需要做全局搜索，因搜索的对象仅为丢失的目标，目标数量很少，所需运算仍然大大少于整体的全局搜索，同样可以做到实时。6.2运动轨迹预测决策程序有时不仅需要当前信息，还需要对将来的场景进行预测，可以通过卡尔曼滤波实现，整体上是一个识别-修正-预测的循环过程。对于双方机器人，其速度始终受到各自决策程序的控制，无法建立简单实用的运动学模型，因此对机器人的轨迹进行预测实用意义不大。对于足球，当没有机器人与它发生接触，可以认为它只受到地面摩擦力的作用，运动学分析大大简化，有必要进行运动轨迹的预测。在k和k+1时刻，小球状态可以表示为式中：Δt为两帧图像的时间间隔；λ为摩擦系数。由此可推出k+n时刻球的坐标为式中，7数据传输方法视觉系统对图像分析处理得到的数据，最终要交给决策系统使用。作为两个独立的系统，使用基于TCP/IP协议的网络数据传输方法进行数据交换。发送数据时，两个系统一方作为服务器端，另一方作为客户端，只需各增加一个线程，