基于光流的机器人视觉避障技术研究

发布时间：2018-03-02 04:12

本文关键词： 视觉避障 LK算法多项式窗口函数密度峰值发现聚类光流融合人工势场法　出处：《辽宁大学》2017年硕士论文　论文类型：学位论文

【摘要】：自主移动机器人作为机器人学的一个重要分支,目前已广泛应用于军事、工业、环境探测、抢险救援等多种领域,而移动机器人要实现在复杂的环境中安全且顺利的自主作业,对障碍物进行有效的检测与规避是机器人应具备的基本功能。传统的利用超声、红外等传感器进行测距避障的方式存在避障死角。而基于机器视觉信息进行避障可有效规避避障死角,避障的可靠性更高,因此,近年来对机器人视觉避障方面的理论及技术研究受到越来越多的关注。其中,新兴的基于机器视觉的光流避障方法,因其非常接近人类的认知行为,并且对视觉信息采集设备要求较低,成为了优选的视觉避障技术。但因对其研究刚刚起步,在实际应用中,尚有很多技术瓶颈问题有待进一步研究解决。鉴于以上,本文重点对基于光流的机器人的避障方法开展相关研究。首先,采用LK(LucasKanade)稀疏光流算法计算机器人视觉场景中特征点处的深度信息即碰撞时间(Time to contact,TTC),并利用密度峰值发现的聚类(density peaks finding cluster,DPFC)方法对特征点的TTC分布进行聚类分析。根据TTC聚类结果来识别障碍物区域,并结合人工势场法实现机器人避障。主要研究工作如下:1、LK图像金字塔光流算法及其改进研究。为减少避障过程中的计算量,首先利用Shi-Tomasi法检测机器人视觉场景中的特征点。针对地面纹理特征明显的情况,根据特征点分布规律来判断地面点,进而可以消除地面过多的特征点,进一步减少计算量。再利用LK图像金字塔光流算法计算有效特征点处的光流,为下一步计算特征点处TTC提供依据。针对采用常见的图像梯度算子计算光流精度有限的问题,本文提出了一种新颖的多项式窗口函数估计的梯度计算改进算法,对每个像素点灰度值用一个多项式窗口函数来表示,采用高斯函数计算窗口中各像素点的权值来平衡各点的影响力,利用最小二乘法来估计多项式系数,再对多项式进行求导来计算图像梯度。该方法可以更好的利用图像全局特性,梯度计算的鲁棒性更强,准确性更高。仿真结果表明,利用本文改进算法计算梯度与常见的梯度算子相比,光流计算精度更高,为准确计算机器人视觉场景中各特征点处的TTC奠定基础。2、基于光流聚类的机器人障碍物识别方法研究。本文引入近年新兴的、算法简洁的密度峰值发现聚类(density peaks finding cluster,DPFC)方法对LK算法计算得到的光流信息进行两层聚类:首先根据机器人场景中特征点处光流模的大小进行聚类,以便判断和剔除错误光流;再利用剔除错误光流后的各特征点处的光流计算TTC,并与预先设定的TTC安全阈值进行比较判断场景中是否有障碍物,若有障碍物存在,再利用DPFC算法根据各特征点处的TTC进行第二层聚类,确定聚类中心,根据聚类中心TTC值区分障碍物区域和背景信息。仿真结果表明本文引入的DPFC算法对光流两层聚类方法可以较准确的识别机器人视觉场景中的障碍物区域,且计算效率较高。3、光流融合人工势场法的机器人避障策略研究。本文引入人工势场法,将其与基于光流的障碍物识别方法相结合,设计机器人避障策略,完成机器人行进路径规划。根据上述基于密度峰值发现的机器人视觉场景中特征点处TTC聚类结果,找出各聚类中心处TTC值最小的一类,将其确定为离机器人最近的潜在障碍物,将此类中最外围特征点与机器人连线确定为斥力矢量,以各点对应的TTC计算斥力大小,求其合力来确定斥力势场。根据机器人目标位置计算引力势场,利用人工势场法实现机器人目标导航和有效避障。4、搭建了基于单目视觉的机器人光流避障实验平台,选择校园内一处特定场景开展了相关实验研究,对论文相关的理论算法进行了实验验证。实验结果表明,本文光流融合人工势场法的机器人避障方法可有效的指导机器人避障,并顺利到达目的地。
[Abstract]:......
【学位授予单位】：辽宁大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：TP391.41;TP242

【参考文献】