基于图像识别的移动机器人自动完成充电

王建元，郭威，刘洋，李菁华

（东北电力大学 电气工程学院，吉林 吉林132012）

0 引 言

目前机器人正在慢慢融入到我们的现实生活之中，其中目标识别技术又是机器人学最为基本的问题之一，从大量图像之中提取有效信息，让机器人在工作环境之中完成目标识别，需要利用一种快速有效的目标识别算法，这种算法要考虑到机器人在实际中灵活多变性。人类可以在极短时间内对图像的特征进行识别，但是对于机器人而言视觉目标识别这是一件很困难的事情［1］。

视觉传感器体积小，质量轻，价格便宜，采样时间段，磁场影响范围小，所以移动机器人可以通过视觉传感器获取大量的图像信息，从这些图像信息之中对图像特征提取和匹配是我们研究的基础和前提。移动机器人的目标识别主要根据机器人在先前获得的图像信息作为标准，与当前获取的图像目标进行比较和分析，若两者目标图像达到一致或者相似，则机器人认为已完成目标识别［2］。我们可以通过图像的纹理、颜色、形状、兴趣点作为特征检索，由于机器人得到图像会受到环境的影响，所以我们要采取适当的算法进行图像比较。本文通过移动机器人获得的图像进行纹理分析与SIFT寻找兴趣点完成对图像的分析研究。机器人移动过程需要耗电，那么需要对移动机器人充电，通过识别电源插座，当移动机器人电量降低到一定数值时，移动机器人通过识别电源插座，当所采集到的电源插座图像与记忆中的图像相匹配，移动机器人认为是插座，然后进行充电［3］。

纹理是描述图像最为基本的概念，具有某种局部的性质，是图像空间排列规则的反复出现的局部特征，通常认为图像的频谱中的高能窄脉冲和纹理关系密切，光滑的图像一般不认为是纹理图像［4］。纹理是图像中不可缺少的视觉特性，纹理描绘了局部区域之中像素之间的关系，也描述了图像的空间分布特征，可以通过粗糙度、方向性、对比度、和规则等方面进行描述。用形似性作为度量准则，是通过计算机找到与用户想得到的最为相似的图像，并不要求最精确的匹配，可以通过得到的相似度的大小进行排序［5］。

SIFT算法是一种尺度不变特征的变换算法，当图像经过仿射变换，图像之中的特征点不会发生变化，仿射变化包括图像的旋转、有遮挡物体、平移等。移动机器人获得的图像受到光线的影响，传感器角度的影响，所以SIFT算法在移动机器人图像识别中有很好的应用前景。

1 基于纹理特征的图像识别

灰度共生矩阵是一种行之有效的分析纹理特征的经典方法，该方法研究的灰度级别的空间依赖关系是从数学的角度来研究的，灰度共生矩阵通过灰度值不同的像素分布反应分布特性，反应像素之间的位置关系和分布特征。它的基本过程是首先利用像素对之间的方向和距离数据构造出共生矩阵，然后从共生矩阵之中提取出能量、对比度、熵等对分析纹理特征有意义的统计量，提高检索速度与效率［6］。

灰度共生矩阵利用图像距离d＝（d x，d y）的两个灰度像素同是出现的概率Pij定义的，i是一个像素的灰度值，j是另一个像素的灰度值，L是的灰度级别，共生矩阵阶数为L×L，Pij定义为：

式中S表像素对的集合；＃S集合S的元素个数；x，y…N－1代表第一个像素的坐标形式；i，j＝0，1…L－1代表了像素的灰度级别；P（i，j）代表像素出现的概率联合密度。在上式中，d x，d y∈（－N＋1，－N－1），共有（2N－1）×（2N－1）。

式（1）的计算量与工作量都很大，计算共生矩阵较为麻烦。但是Pij是一个对称矩阵，所以我们采用四个方向为：（0°，45°，90°，135°）。

其中 d＝（0，d），（d，d），（－d，d）进而简化了式（1）的计算公式，表示如下［7-8］：

式（5）的计算结果得到的共生矩阵只包含了一半的空间信息，但是Pij是一个对称矩阵，因此将上式计算结果得到的共生矩阵进行翻转之后和原来得到的共生矩阵进行叠加，再次得到的灰度分布信息是整个空间的域。因此得到式（6）。

将提取出来的图像特征表示成为特征向量的形式，通过一定的相似距离的计算准则算出向量之间的距离，用向量之间的距离表示相似度的大小，距离越小表示相似性越大。相似性度量是将不同的特征分量之间的距离的叠加表示特征向量之间的距离。本文以欧氏距离作为测量特征向量之间的距离方法，其公式表达式如式（7）。

式中x，y代表两幅图对应的特征向量；xi和yi代表特征分量；D（x，y）表示图像之间的距离。欧式公式比较准确的反映出人类视觉感知的相似性准则，欧式公式认为特征向量的分量之间的关系是同等重要的，是平等的。

机器人移动过程需要耗电，那么需要对移动机器人充电，通过识别电源插座，当移动机器人电量降低到一定数值时，移动机器人通过识别插座，当所采集的图像与移动机器人自身记忆中的电源插座相匹配时，如果匹配得到的相似度较高，移动机器人认为是插座，然后进行充电，如图1所示。

图1 纹理分析比较图像Fig.1 Compare images by texture analysis

通过纹理分析编程计算得出两个图像的相似距离为0.008 0，相似度为84%；两者相似度较高，认为是同一张图像，那么移动机器人可以在此处自主充电如表1所示。

表1 图像灰度共生矩阵的纹理参数Tab.1 Texture parameters of image gray co-occurrencematrix

2 基于SIFT算法的图像识别

由于移动机器人摄像头获取的图像会受到角度与光线的影响，纹理分析的方法就有一定的局限性了，而SIFT算法具有尺度不变特征，能够很好解决环境对图像的影响。

SIFT主要包括4个步骤［9-10］：

（1）尺度空间极值检测

对于二维图像I（x，y），在不同尺度下的尺度空间下表示 L（x，y，δ）可由图像 I（x，y）与高斯核 G（x，y，δ）的卷积得到。建立图像的DOG金字塔，在DOG尺度空间中的26个领域中检测极值，D（x，y，δ）是两个相邻尺度图像之差，即：

一个点如果与周围八个点以及上下层的十八个领域点共26个领域中是最大值与最小值，就确定该点是图像在该尺度下的一个特征点；

（2）利用关键点领域像素的梯度分布特征为每个关键点指定方向参数，使得算子具有旋转不变性质。

式中为（x，y）处梯度的模值和方向公式；式中L所用的尺度为每个关键点各自所在尺度；

（3）生成SIFT特征向量，把坐标轴旋转到特征点方向，保证旋转不变性，对每个关键点使用4×4共种子点来描述，这样对于一个关键点可以产生个数据，形成维的SIFT特征向量，即特征描述符；

（4）特征点匹配是指在找出图像的特征点后，寻找图像间特征点的对应关系，通常采用最近领方法，查找每一个特征点在另一相图的最近领，理想状态下两幅相图之间相同部分的特征点应该具有相同的特征描述向量，所以它们之间的距离应该最近，如图2所示。

图2 机器人记忆中的图像与有旋转角度图像Fig.2 Robotmemory of the image and the rotation angle of the image

对SIFT算法进行编程，得到图3与图4。

图3 输入图片得到关键点Fig.3 Key points obtained by entering the picture

图4 机器人记忆中的图像与180度旋转角图像匹配Fig.4 Matching of 180 degree rotation angleof the image and the imagememory of the robot

将图3数据做成表2。

表2 图像提取的特征点比较Tab.2 Comparing of the extracted feature point of image

从中我们可以计算出两张图像的相似度为72%，移动机器人认为此相似度较高，可以在此处进行充电。

对电源插座进行180度旋转在进行识别，通过对SIFT算法进行编程，得到图5与图6。

图5 输入图片得到关键点Fig.5 Key points obtained by entering the picture

图6 机器人记忆中的图像与有遮挡物体图像匹配Fig.6 Matching of robotmemory of the image and the object image with cover

图5整理出的数据如表3所示。

表3 图像提取的特征点比较Tab.3 Comparing of the extracted feature point of image

从中我们可以计算出两张图像的相似度为68%，移动机器人认为此相似度较高，可以在此处进行充电。

实际中，当电源附近有遮挡物体时，也会对图像造成影响。SIFT算法对于解决有遮挡物体时也有很好的辨识度。通过SIFT算法进行编程，得到图6与图7。

图7 输入图片得到关键点Fig.7 Key points obtained by entering the picture

图7整理出的数据如表4所示。

表4 图像提取的特征点比较Tab.4 Comparing of the extracted feature point of image

当有遮挡物体时，用SIFT算法我们可以计算出两张图像的相似度为80%，移动机器人认为此相似度较高，可以在此处进行充电。

3 结束语

本文针对移动机器人识别电源插座完成自主充电进行了编程研究，编程结果有很好的普适性，为移动机器人后续环节提供了很好的铺垫，基于图像纹理与图像兴趣点的目标识别有很好的实用性。图像的纹理是描述图像最为基本的概念，具有某种局部的性质。图像的兴趣点是图像的局部点特征，能够降低图像处理的计算量，局部特征独特性好，计算率较高，有很好的辨识性。对于图像的纹理特征与SIFT算法还有更好的改进算法需要不断地研究与实践。