基于PCL的自動化機器人視覺形狀特征識別算法分析

姜 燕，王 悅，張旭澤，李 露

（北京中電飛華通信有限公司，北京 100070）

0 引言

近年來隨著科學技術(shù)的不斷發(fā)展，自動化機器人視覺技術(shù)在國內(nèi)外的發(fā)展速度逐漸加快，并且涉及多個領(lǐng)域，得到了廣泛應用[1,2]。自動化機器人視覺識別技術(shù)是向機器人輸入一種模擬人體視覺器官功能的技術(shù)，完成對事物的識別操作，主要代替人工完成事物的檢查和識別工作[3]。傳統(tǒng)的自動化機器視覺識別技術(shù)只能保證對簡單物體的識別準確率，對于一些復雜事物的視覺識別結(jié)果會出現(xiàn)較大誤差，給各個領(lǐng)域帶來一定的損失[4,5]。

因此本文提出基于PCL的自動化機器人視覺形狀特征識別算法的研究分析，以提高機器人視覺識別能力為目的，展開一系列的分析。PLC指的是一種可編程的控制器，本文結(jié)合PLC可編程和可控制的特點以及二維三維圖像處理方法，構(gòu)建一個簡單的自動機器人視覺形狀特征識別算法。

1 基于PCL的自動化機器人視覺形狀特征識別的閾值圖像處理

本文設計的基于PCL的自動化機器人視覺形狀特征識別的圖像處理分為云數(shù)據(jù)采集、數(shù)據(jù)預處理、提取特征點、對圖像進行分割處理四個步驟，每個步驟之間緊密相連，構(gòu)成一個完整的自動化機器人視覺形狀特征識別的圖像處理流程[6,7]。閾值圖像處理工作流程如圖1所示。

圖1 閾值圖像處理工作流程

根據(jù)圖1可知，首先對自動機器人對視覺圖像完成初步的云數(shù)據(jù)采集工作，因為每個事物的圖像都可以對其進行三維建模處理，處理后的事物信息更具有深度，為視覺形狀特征識別的特征提取提供信息量高的數(shù)據(jù)，有利于提高機器人的視覺識別精度[8,9]。對事物圖像的數(shù)據(jù)采集主要采集事物本身的信息數(shù)據(jù)和周圍環(huán)境的信息數(shù)據(jù)，然后將采集到的數(shù)據(jù)進行數(shù)據(jù)預處理操作。數(shù)據(jù)預處理操作的目的是篩選出具有意義的機器人視覺識別的圖像信息，減輕圖像特征識別的工作量，提高機器人視覺識別的效率。對初步采集到的圖像進行闕值分割，目的是將圖像與相靠背景相分離，降低其他因素對機器人視覺識別的干擾，為了分割精度，將有效的圖像以黑色框邊，其他無效圖像以白色背景虛化。最后機器人根據(jù)識別區(qū)域圖像的不同灰度值進行圖像形狀的有效識別[10]。此外為保證像素點均勻性，本文將閾值的像素點設置為0。

閾值采集過程如圖2所示。

圖2 閾值采集過程

本文采用濾波處理法剔除無效的數(shù)據(jù)信息，主要是降低灰度圖像中的噪點，提高機器人的識別率。處理過程是將采集到有效區(qū)域的灰度信息圖像平均分為多個大小相同的區(qū)域，然后利用標準的圖像像素點作為每個區(qū)域的平均像素點，不改變區(qū)域大小的情況下，合理剔減、增加每個區(qū)域內(nèi)的像素點，使整個圖像信息噪點度降到最低。

本文選用云聚類分析的方法提取自動化機器人視覺圖像的體征點，云聚類提取方法的提取原理是對圖像的每一個信息點進行識別，根據(jù)結(jié)果需要和標準，提取出相對于的視覺圖像特征點，極大地保證了圖像特征點的精度和準確度。特征提取的過程分為云聚類關(guān)鍵特征分類和提取兩個部分，云聚類關(guān)鍵特征分類首先將有效圖像信息數(shù)據(jù)的圖像灰度信息機械能深度量化，根據(jù)圖像的像素數(shù)量為基礎進行量化計算，將取量化值為500～2500之間的有效圖像區(qū)域作為最終的特征點識別提取區(qū)域。在篩選好有效的視覺形狀特征圖像識別區(qū)域，通過PCL技術(shù)概述出視覺圖像的整體特征，根據(jù)自動機器人的需要進行調(diào)用備份[11,12]。

2 基于PCL的自動化機器人視覺形狀特征識別算法

自動化機器人如圖3所示。

圖3 自動化機器人

視覺形狀識別過程如圖4所示。

圖4 基于PCL的自動化機器人視覺形狀特征識別

2.1 基于PCL的自動化機器人視覺形狀特征的輪廓形狀識別

基于PCL的自動化機器人視覺形狀特征的輪廓分析主要利用機器人視覺觀察事物形狀的邊界輪廓邊界像素點的分析識別，完成視覺形狀特征的輪廓分析。識別過程數(shù)據(jù)接口如圖5所示。

1）輪廓的長度。輪廓的長度是一種簡單的視覺形狀特征，它是指視覺形狀特征區(qū)域最外圍的輪廓周長。視覺形狀的特征區(qū)域可以看做是由無數(shù)個區(qū)域內(nèi)部點和外圍輪廓點構(gòu)成的。外圍輪廓點以8連通鏈碼的排列方式從8個方向連接組成視覺形狀特征區(qū)域輪廓，其輪廓的長度通常用外圍輪廓點的數(shù)量衡量。輪廓長度的計算方式如式(1)所示。

圖5 識別過程數(shù)據(jù)接口

在式(1)中，S表示輪廓的長度；M表示輪廓上擁有的外圍輪廓點數(shù)量；c表示每個外圍輪廓點的標準長度。

2）輪廓的直徑。輪廓的直徑是指在視覺形狀特征區(qū)域內(nèi)相離最遠的外圍輪廓點之間的距離，在某種程度上，輪廓的直徑可以描述視覺形狀特征區(qū)域的大小和形狀。假設在某一視覺形狀特征區(qū)域中，相距最遠的兩個外圍輪廓點為A點和B點，則該視覺形狀特征區(qū)域的輪廓直徑可以用下式(2)表示。

其中，D表示輪廓的直徑。FA、FB都屬于輪廓內(nèi)的點，H表示距離量度，在不同種類的特征分析中，距離量度的值不一定相同。

3）離心率。設在視覺形狀特征區(qū)域，水平經(jīng)過視覺形狀特征區(qū)域中心點的直線段為長軸，垂直經(jīng)過區(qū)域中心點的直線段為短軸，則離心率代表長軸與短軸的筆直。離心率可以大致描繪視覺形狀特征區(qū)域的輪廓，使得任何具有封閉輪廓的視覺形狀特征區(qū)域都可以用橢圓來模擬，改變了傳統(tǒng)視覺形狀特征區(qū)域描述的規(guī)范化，使其描述形式更加靈活[13,14]。

4）輪廓的斜率、曲率和角點。斜率、曲率和角點是描繪視覺形狀特征區(qū)域輪廓的三大要素。其中，輪廓的斜率表示了輪廓上各點的變化速度，明確了各點的指向。曲率表示輪廓上各點沿著輪廓方向變化的情況，展示了輪廓的凹凸性變化，但是由于曲率會因為輪廓的不平滑而不可靠，因此在使用曲率前必須對視覺形狀特征區(qū)域進行預處理，才能得到準確的變化情況。角點是在一定范圍內(nèi)曲率的極值點，通過角點可以基本分析輪廓的變化的復雜性，明確輪廓變化的幅度[15]。識別界面如圖6所示。

圖6 識別界面

2.2 基于PCL的自動化機器人視覺形狀特征的區(qū)域形狀識別算法分析

通過上述對基于PCL的自動化機器人視覺形狀特征的輪廓分析后，以PCL技術(shù)為基礎，對視覺形狀特征的區(qū)域形狀進行識別，將由閉合輪廓曲線形成的視覺形狀特征區(qū)域當成一個識別整體，整合該區(qū)域內(nèi)的所有像素點。識別設備如圖7所示。別的區(qū)域形狀分為四種，如圖8所示。

圖7 識別設備

圖8 識別的區(qū)域形狀

1）區(qū)域重心。區(qū)域重心是一種特殊的視覺形狀特征，當與區(qū)域中心不完全相同，在規(guī)則區(qū)域中，區(qū)域中心可以與區(qū)域中心為同一個點，但在不規(guī)則的視覺形狀特征區(qū)域中，區(qū)域重心能夠更好地描述區(qū)域的全局性。區(qū)域重心的坐標計算方式較為復雜，原因在于視覺形狀特征區(qū)域內(nèi)的點的數(shù)量較多，且計算結(jié)果可能不是整數(shù)，其坐標的確定具有一定難度。區(qū)域重心的坐標計算公式如式(3)所示。

其中，x表示區(qū)域重心的橫坐標；y表示區(qū)域重心的縱坐標；e為計算參數(shù)；

2）區(qū)域面積。區(qū)域面積是視覺形狀的一個基本特征，不僅表示了特征區(qū)域的大小，更代表了該區(qū)域包含像素點的數(shù)量。對于某一特征區(qū)域來說，其區(qū)域面積可以用式(4)來計算。

在式(4)中，（a，b）表示特征區(qū)域內(nèi)像素點的坐標。采用該算法可以使區(qū)域面積的計算簡單化，加快自動化機器人識別和計算的速度。

3）形狀參數(shù)。形狀參數(shù)主要根據(jù)視覺形狀特征的周長和面積進行計算，可以更全面且緊湊地識別區(qū)域特征，但其缺點在于對于變化較小的區(qū)域不敏感。

3 實驗研究

為了驗證本文提出的基于PCL的自動化機器人視覺形狀特征識別算法的有效性，選用本文的識別算法與傳統(tǒng)識別算法進行實驗對比。傳統(tǒng)的識別算法分別為基于信息分析的自動化機器人視覺形狀特征識別算法、基于數(shù)據(jù)挖掘的自動化機器人視覺形狀特征識別算法。設定實驗參數(shù)如表1所示。

表1 實驗參數(shù)

根據(jù)上述實驗參數(shù)，選用本文系統(tǒng)和傳統(tǒng)系統(tǒng)進行識別，得到的識別時間實驗結(jié)果如圖9所示。

圖9 識別時間實驗結(jié)果

根據(jù)圖9可知，本文提出的基于PCL的自動化機器人視覺形狀特征識別算法識別時間小于傳統(tǒng)系統(tǒng)的識別時間。

識別準確率實驗結(jié)果：

根據(jù)圖10可知，在相同時間內(nèi)，本文提出的系統(tǒng)識別準確率高于傳統(tǒng)系統(tǒng)。本文體現(xiàn)出的系統(tǒng)具有信息分析能力，能夠從多個角度探究機器人的輪廓和特點，一般情況下，在可編程控制器投入使用后，可編程控制器的工作過程分為三個階段：輸入采樣、用戶程序執(zhí)行和輸出刷新。實現(xiàn)以上三個階段稱為“掃描周期”。可編程控制器的CPU在整個運行過程中，以一定的掃描速度重復執(zhí)行以上三個步驟，因此識別準確度更高。

圖10 識別準確率實驗結(jié)果

綜上所述，本文提出的基于PCL的自動化機器人視覺形狀特征識別算法識別能力要優(yōu)于傳統(tǒng)算法的識別能力，實際應用效果更好。

4 結(jié)語

本文深入研究了基于PCL的自動化機器人視覺形狀特征識別算法，首先了解PCL的概念和基本工作方法，然后逐步分析基于PCL的自動化機器人視覺形狀特征識別的圖像處理過程、輪廓分析過程以及區(qū)域形狀分析的過程，完成基于PCL的自動化機器人視覺形狀特征識別算法分析的研究。本文在基于PCL的自動化機器人視覺形狀特征識別的圖像處理分析中設計的闕值圖像特征提取方法，可以排除其他外界圖像因素的干擾，具有操作簡單、靈敏度高的優(yōu)點，有效的提高自動化機器人視覺形狀特征識別算法的計算準確度，且通過對視覺形狀特征區(qū)域的輪廓分析和區(qū)域識別，可以更加快速地提取視覺形狀特征區(qū)域的特征點，且使其識別效率和準確率更高，同時也促進了PCL技術(shù)和自動化機器人的進一步發(fā)展和應用。