基于单目视觉的松软地面星球车车轮滑转率估计
发布时间：2021-10-27 07:14
车轮滑转率的估计对星球车的移动控制具有重要的意义,可以帮助星球车进行定位导航,预防沉陷。通过分析两相邻时刻车轮-地面图像,建立车轮滑转率估计模型,提出一种只利用视觉手段估计车轮滑转率的方法。提取车轮-地面图像中高亮度车辙弱边界,利用两相邻时刻获取的车轮-地面图像中的车辙边界,估计车轮前进位移及线速度。提出车轮-地面图像中车轮标记点的提取方法,利用两相邻时刻获取的车轮-地面图像中的车轮标记点,估计车轮旋转角度和角速度。给出另一种利用编码器和车轮-地面图像估计滑转率的方法,对两种方法进行试验测试,试验结果说明两种方法是有效的,滑转率估计误差均低于9%。滑转率估计方法不仅可以帮助星球车在利用车轮-地面图像检测沉陷量的同时,而且能实现对车轮滑转率的估计,能提高从车轮-地面图像中获取的车轮状态信息数量。
【文章来源】：机械工程学报. 2020,56(02)北大核心EICSCD
【文章页数】：9 页
【部分图文】：
不同时刻车轮-地面图像
撬俣?ω。22211u=2r2rcos(6)()221=arccos1u(2r)(7)21ω=(tt)=t(8)式中，up为车轮转标记点像素位移，r1p为车轮转标记点离圆心的像素距离，则pu=ηu(9)11pr=ηr(10)方法二的滑转率计算式为()pp22pp1pp11arccos12StSsrturrηη==(11)要得到滑转率s，还需要确定up，up的计算在第3节中进行介绍。2基于单目视觉的车轮前进位移估计车轮前进位移计算流程如图3所示。对车轮-地面图像进行平滑处理，降低图像中的噪声，提取出车辙边界，并校正由相机位置引起的图像变形，对两幅不同时刻车轮-地面图像中的车辙边界进行匹配，计算车轮前进像素位移。图3车轮前进位移计算流程2.1车辙边界特征分析车轮-地面图像中有多种边界，如图4所示。对车辙边界进行分析，获得车辙边界独特的特征，进而对边界提取算法进行修改，提取出车辙边界。在车轮-地面图像中，车轮圆形边界和阴影边界的两侧的像素点的灰度差比较大，这两种边界属于强边界。然而，车辙边界两侧的像素点的灰度差值远小于前图4车轮-地面图像中的边界一种边界的灰度差。对比于车轮边界和阴影边界，车辙边界属于弱边界。车辙边界沿与边界垂直方向上的灰度梯度Gb较小，小于强弱边界阈值Gt。即车辙边界特征一btG<G(12)车轮-地面图像中的弱边界主要有：车辙边界、背景中弱边界、以及沙粒形成的弱边界。相对于背景中的弱边界，车辙边界两侧像素点灰度值较大，因此车辙边界特征二为：车辙边界像素点8邻域内灰度均值bf满足btf>f(1
?糜谇?殖嫡耷?蛉醣呓缬?背景区域弱边界。对8邻域内的灰度均值大于阈值ft的弱边缘点赋值1，否则，赋值0。即11111(,)(,)1(,)90(,)0ijfuivjeduvfuveduv==++===∑∑(21)tbt1(,)(,)0(,)fuvfeduvfuvf≥=<(22)式中，f(u,v)为像素点(u,v)的8邻域内灰度均值，f(u,v)为像素点(u,v)的灰度值，ed为步骤(4)处理后得到的图像，edb为处理后图像。2.2.3车辙边界提取流程车辙边界提取及车轮前进位移计算流程如图6所示。对图像进行平滑处理，降低图像中的噪声，利用修改后的Canny算子提取图像明亮区域内中的弱边界，主要为车辙边界，得到图像edb，如图7b所示。图6车辙边界提取流程图7车辙边界提取结果利用Matlab中bwareaopen函数消除面积小于图像面积1/30的沙土弱边界。从图7b中可以发现提取的边界包含水平方向的车辙轮廓线，该直线不利于第2.3节的车辙边界匹配及车轮前进位移的计算。利用霍夫变换提取图像中最长的一条水平直线，确定该直线在图像中所处于的行数cl，对与cl之间像素距离小于2的像素点赋值0，消除水平方向车辙轮廓线，保留车辙边界。将像素值为“1”的像素点8邻域内所有点均赋值“1”，利用bwareaopen
本文编号：3461122
【文章来源】：机械工程学报. 2020,56(02)北大核心EICSCD
【文章页数】：9 页
【部分图文】：
不同时刻车轮-地面图像
撬俣?ω。22211u=2r2rcos(6)()221=arccos1u(2r)(7)21ω=(tt)=t(8)式中，up为车轮转标记点像素位移，r1p为车轮转标记点离圆心的像素距离，则pu=ηu(9)11pr=ηr(10)方法二的滑转率计算式为()pp22pp1pp11arccos12StSsrturrηη==(11)要得到滑转率s，还需要确定up，up的计算在第3节中进行介绍。2基于单目视觉的车轮前进位移估计车轮前进位移计算流程如图3所示。对车轮-地面图像进行平滑处理，降低图像中的噪声，提取出车辙边界，并校正由相机位置引起的图像变形，对两幅不同时刻车轮-地面图像中的车辙边界进行匹配，计算车轮前进像素位移。图3车轮前进位移计算流程2.1车辙边界特征分析车轮-地面图像中有多种边界，如图4所示。对车辙边界进行分析，获得车辙边界独特的特征，进而对边界提取算法进行修改，提取出车辙边界。在车轮-地面图像中，车轮圆形边界和阴影边界的两侧的像素点的灰度差比较大，这两种边界属于强边界。然而，车辙边界两侧的像素点的灰度差值远小于前图4车轮-地面图像中的边界一种边界的灰度差。对比于车轮边界和阴影边界，车辙边界属于弱边界。车辙边界沿与边界垂直方向上的灰度梯度Gb较小，小于强弱边界阈值Gt。即车辙边界特征一btG<G(12)车轮-地面图像中的弱边界主要有：车辙边界、背景中弱边界、以及沙粒形成的弱边界。相对于背景中的弱边界，车辙边界两侧像素点灰度值较大，因此车辙边界特征二为：车辙边界像素点8邻域内灰度均值bf满足btf>f(1
?糜谇?殖嫡耷?蛉醣呓缬?背景区域弱边界。对8邻域内的灰度均值大于阈值ft的弱边缘点赋值1，否则，赋值0。即11111(,)(,)1(,)90(,)0ijfuivjeduvfuveduv==++===∑∑(21)tbt1(,)(,)0(,)fuvfeduvfuvf≥=<(22)式中，f(u,v)为像素点(u,v)的8邻域内灰度均值，f(u,v)为像素点(u,v)的灰度值，ed为步骤(4)处理后得到的图像，edb为处理后图像。2.2.3车辙边界提取流程车辙边界提取及车轮前进位移计算流程如图6所示。对图像进行平滑处理，降低图像中的噪声，利用修改后的Canny算子提取图像明亮区域内中的弱边界，主要为车辙边界，得到图像edb，如图7b所示。图6车辙边界提取流程图7车辙边界提取结果利用Matlab中bwareaopen函数消除面积小于图像面积1/30的沙土弱边界。从图7b中可以发现提取的边界包含水平方向的车辙轮廓线，该直线不利于第2.3节的车辙边界匹配及车轮前进位移的计算。利用霍夫变换提取图像中最长的一条水平直线，确定该直线在图像中所处于的行数cl，对与cl之间像素距离小于2的像素点赋值0，消除水平方向车辙轮廓线，保留车辙边界。将像素值为“1”的像素点8邻域内所有点均赋值“1”，利用bwareaopen
本文编号：3461122
本文链接：https://www.wllwen.com/kejilunwen/hangkongsky/3461122.html
