一种NAO机器人的白线识别方法

张 生，李龙澍

(安徽大学计算机科学与技术学院，安徽 合肥 230601)

0 引言

NAO是一款高性能双足机器人，2007年被Robo－Cup的组委会选定为标准平台。在标准平台组比赛中，NAO机器人感知外界最主要的方式是对图像的处理，机器人的白色外壳和摄像头各个方向的旋转以及身体的晃动，都增加了图像识别的难度，需要确定拍摄图像时机器人的位姿［1］。在比赛中，NAO要识别的目标有:球、球门、绿色地毯、机器人的腰带、场地白线、点球的位置和机器人，其中前4个目标都是有特定颜色的，识别相对简单，而场地线和移动的机器人都是白色的，使场地线的识别复杂很多。

根据球场上的实际情况，按球场目标的特定颜色，将球场图像按颜色分割［2］，然后沿白色边缘遍历并将边缘分割再分类，分割点是那些不可导点或导数为零的点，再分析每个类是直线还是球场中间的圆弧，最后对得到的分类结果进行综合分析。此方法沿着白色边缘遍历，避免了图像扫描时的盲目性，加快了直线识别算法的速度。该识别方法的流程如图1所示，主要是中间的3步，本文将依次进行分析。

图1 直线识别流程图

1 图像预处理

通过图像的颜色分割，球场外的点一般会成为未知点，这样能很容易找到球场边界［3］。NAO机器人提供的原始图像格式是YUV422，但是一般都直接使用原始图像来避免格式转换［4］的开销。

颜色表是一个三维的数组，每维分别代表Y、U和V，数组值存放颜色种类，如用0代表未知颜色，1代表红色等，将维数［3］分别设置为64、64和64已经足够满足要求。颜色表需要手动采集像素来建立，这是在机器人比赛开始前的调试时离线建立的，比赛中用到的是建立好的颜色表。

按颜色表分割得到的图像一般会有一些和实际不一样的颜色点出现，例如机器人身上有绿色点，有时本应为绿色地面可能出现白色或未知颜色等，这种现象很难去除，但可以使用一些去噪方法［5］过滤掉一些椒盐噪点。

2 白色边缘识别

白色点的遍历是一种边缘生长过程［6］，其识别过程如下:

(1)按顺序扫描图像，找到第一个白色边缘点，记录该点的所有相邻点，若图像扫描完毕，转入(5);

(2)取其中一个相邻点作为起点，由该点出发，沿边缘遍历，并记录这些边缘点，转入(3)去遍历，若相邻点遍历完，返回(1)进行下次扫描;

(3)每隔几个点计算当前点与前一个记录的点相关斜率信息，判断是否为分割点，若不是分割点，继续遍历，否则转入(4);

(4)出现分割点，计算(2)中所记录点的斜率信息，判断是长直线、短直线还是圆弧，并记下结果，返回(2);

(5)综合分析(4)中记录的结果信息，输出结果。

2.1 扫描和遍历边缘点

先扫描图像，寻找白色边缘点，在这里按网格扫描［7］。从而保证扫描的有效性，同时加快算法的速度。在一列中从上到下扫描图像，扫描时若4个点中同行或同列出现白色点和非白色点交替，那么出现了边缘点，再逐行或逐列扫描定位到边缘点。

这里存在遍历时路径是否唯一的问题，除了外层扫描第一次可能出现多种路径外，还有2种情况也会有多种路径选择，如图5和图6所示，其他点正常情况下只有一种遍历方式。

图2 凸型边缘

图3 宽度为2的边缘

图2中数字1到8均为白色边缘，遍历到4的时候出现了5和6两种不同方向的路径，这种凸型情况有2种方法解决:(1)用栈这种数据结构保存这样的不同路径，然后用深度优先遍历［8］的方式去遍历;(2)在图像预处理时考虑这种情况，将引起这种凸型的边缘的点4和5直接过滤掉。另外一种出现不同路径的情况如图3所示，经研究发现当遍历的优先级一样时，遍历的路径不会在边缘间穿插。这样就解决了沿白色边缘遍历时出现的歧义路径问题。

2.2 计算分割点

如图4所示，平面上有若干条直线和曲线，那么结合NAO球场的情况如何将这些线分类呢?本文采取的是用分割点将它们分段，直观上看，直线的交点应为分割点，基于这种思想，本文分割点是不可导点和导数为0的点。

图4 线的分类

图4中有折线ABC，其函数为f(x)，当由A点沿折线ABC向C点访问时，计算路径上每一点P的左右极限，若P的左右极限存在且相等，即式(1)成立，那么继续访问下个点。当访问点B时，发现B点的左极限等于直线AB的斜率，而其右极限等于直线BC的斜率，即式(1)不成立，那么ABC肯定不在一条直线上，点B就是分割点，将A到B的路径记录下来，再由B点出发用同样的方法继续向C点访问，这样把折线ABC分成了AB和BC两段。直线和横坐标垂直时，直线上的点可导但斜率不存在，夹角为90度，值得一提的是为了降低边缘不平滑［9］带来的临近边缘点斜率变化大的影响，可以沿边缘每隔N点计算一次向量的夹角，这可能会带来遍历宽度小的边缘的“回头”现象，这样用夹角代替斜率时要注意遍历点的方向变化。

曲线EOF正是ABC的变形，这些都可以做同样的处理。图4中的曲线GH是一段曲率很大的圆弧，在遍历GH时，其上虽然存在导数为零的点，但是在计算斜率时发现斜率变化很小，肯定在阈值范围内，那么此时就没有分割点出现。

2.3 结果归类

遍历时当出现分割点或到达图像边界时，需要将刚遍历的一系列点归类，这些点可归类为长直线、短直线和圆弧。首先，可以用点的个数来判断当前这些点是否为短直线，其它的就是长直线或圆弧，可用一些简单的计算就能判别是长直线还是圆弧。很明显，长直线的始点斜率和终点斜率变化应该不大，而圆弧则应变化较大。本实验用的方法是把要归类的一系列点的前面N点的斜率和后面N点的斜率进行比较来判断，即用式(2)的slope1和式(3)slope2的差值来衡量，再判断式(4)是否成立，这种方法计算简单又不失有效性。

归类后可得到输入图像(如图5所示)的白色边界点分类结果。如图6所示，黑色粗线表示长直线，带端点的细黑线表示圆弧，不带端点的细直线表示短直线，这样分类就结束了。

图5 输入图像

图6 分类结果

由分类结果可以看出，原本是球场上圆弧被分类成直线，需要结合球场的实际情况，将圆弧和直线综合考虑。其实很多识别算法直接将圆弧化成短直线，综合考虑后再接上［10］。这可以用霍夫线变换原理来实现，只是霍夫线变换［11］考虑的元素是点，而这里考虑的是直线，还要注意线的平行特征，将短直线、长直线、圆弧拼接起来。

3 实验结果与分析

实验使用的是3.3版本的NAO机器人，主要硬件参数:CPU:AMD GEODE x86 500MHz;同步动态随机存储器(SDRAM):256MB，闪存:2G;摄像头:2只COMS摄像头，最高提供30帧/s、分辨率为640×480的图像;操作系统中自带 OpenCV函数库［12］。实验判断的标准是将其中的主要直线和圆弧识别出来，结果如表1所示。

表1 实验数据

表1中实验的颜色表是在光线1下配置的，距离太远的白线基本不能识别(距离很远时可以用识别到的球场边界来给出估计值)，当距离逐渐变小时才能识别出边界，在2m左右有很好的识别率。当距离太近时，图像虽然很清晰但机器人的视野很小，没有干扰时能很好识别，当拿NAO去干扰时，机器人基本上挡住了白线，所以给出形式上的识别率50%。用在光线1下配置的颜色表去对光线2下的球场做颜色分割后的实验结果比光线1下差很多，不过近距离基本不受影响。其实，识别的结果大部分被上层用在机器人定位算法中，大多数使用的定位方法是蒙特卡罗滤波［13］或者广义的卡尔曼滤波［14］，这样程序只需识别出图像中的主要直线和圆弧。这个方法用于颜色分割后三维图像同价的二维数组运算，还采用网格扫描，主要是识别方法计算简单，使得白线识别程序运行一般在9ms至12ms，很好地满足了机器人比赛对直线识别的要求。较之于单纯的直线识别，本文的方法更注重机器人图像处理的整体效率，其中的图像预处理使得后续的识别算法事半功倍。

4 结束语

本文提出一种基于颜色分割和边缘分类的边缘识别方法，与霍夫线变换这种传统理论不同的是将边缘线分段来处理，标准平台组的NAO机器人球队BHuman是将白色区域归类［3］，再分析识别。本文将这种归类思想用在边缘线上，实验证明这种方法是可行的。虽然图像的预处理对光线有要求，但是在比赛时光线是基本稳定的，而且YUV颜色空间对光线并不敏感，B－Human用的图像处理方法就是在这样的颜色分割基础上进行的，BHuman球队的成功证明颜色分割方法的确是有效的。另外，可以在本文方法的识别结果上，运用一些统计特征来识别出机器人区域，从而为上层程序提供更多的信息。实验表明，本文方法具有较好的实时性和可以接受的准确性，比单纯的直线识别方法有更好的综合效益，方法是可行的。

［1］李龙澍，王唯翔，王凡.基于三维线性倒立摆的双足机器人步态规划［J］.计算机技术与发展，2011，21(6):66－69.

［2］Alexander Fabisch，Tim Laue，Thomas Röfer.Robot recognition and modeling in the RoboCup standard platform league［C］//Proceedings of the Fifth Workshop on Humanoid Soccer Robots.2010.

［3］Thomas Röfer，Tim Laue，Judith Müller，et al.B－Human Team Report and Code Release 2011［EB/OL］.http://www.b－human.de/downloads/bhuman11_coderelease.pdf，2011－11－03.

［4］黄晶，赵臣，周明明.基于快速彩色空间变换的足球机器人目标搜索［J］.哈尔滨工业大学学报，2003，35(9):1036－1039.

［5］关新平，赵立兴，唐英干.图像去噪混合滤波方法［J］.中国图象图形学报:A 辑，2005，10(3):332－337.

［6］林通，石青云.一种基于边缘生长的灰度和彩色图像分割方法［J］.中国图象图形学报:A辑，2000，5(11):911－955.

［7］欧宗瑛，袁野，张艳珍.基于颜色信息足球机器人视觉跟踪算法［J］.大连理工大学学报，2000，40(6):729－732.

［8］陈冠楠，杨坤涛，谢志明，等.基于深度优先遍历的图像边缘检测方法［J］.应用光学，2008，29(1):14－17.

［9］邹福辉，李忠科.图像边缘检测算法的对比分析［J］.计算机应用，2008，28(B06):215－216，219.

［10］任博，陈小平.一种实时鲁棒的直线提取技术［J］.计算机仿真，2008，25(4):159－163.

［11］腾今朝，邱杰.利用Hough变换实现直线的快速精确检测［J］.中国图象图形学报，2008，13(2):234－237.

［12］陈胜勇，刘盛，等.基于OpenCv的计算机视觉技术实现［M］.北京:科学出版社，2008.

［13］Thomas Röfer，Tim Laue，Dirk Thomas.Particle－filterbased Self－localization usingLandmarks and Directed Lines［C］//RoboCup 2005:Robot Soccer World Cup IX.2005，4020:608－615.

［14］徐海伟，殷波，徐涛.基于模糊自适应卡尔曼滤波的移动机器人定位方法［J］.计算机应用研究，2009，26(8):2974－2976.