机器人足球视觉系统研究与实现

第28卷第5期2005年10月鞍山科技大学学报Journal of Anshan University of Science and TechnologyVol.28No.5Oct.,2005机器人足球视觉系统研究与实现孙良旭1,刘任平2,王丽君1(1.鞍山科技大学计算机科学与工程学院,辽宁鞍山　114044;2.北京交通大学机电学院,北京　100044)摘　要:在机器人足球比赛这项综合性的高技术对抗活动中,快速准确地识别足球和机器人是决策系统的基础。

提出一套机器人足球视觉软件系统的设计实现方案。

采用直接YUV颜色模型输出,目标阈值建立采用手动和自动方式。

利用颜色标志设计的对称性,改进累加取平均算法和旋转搜索算法,采用改进跟踪搜索算法进行目标搜索,提出智能组合算法思想。

实验测试系统达到30帧/s处理速度,目标搜索准确性达到95%以上。

关键词:机器人;足球;视觉;实时中图分类号:TP393　文献标识码:A　文章编号:167224410(2005)0520363205 在机器人足球系统中,视觉系统是决策系统的基础,为决策系统提供实时的比赛信息,包括足球位置和机器人位姿信息。

目前,视觉系统问题主要表现在系统的实时性、准确性、适应性和稳定性。

针对上述问题,开发了面向RoboCup小型机器人足球比赛的视觉系统,重点解决了算法设计与系统特性之间的矛盾。

1　系统结构和颜色模型的选取 机器人足球比赛系统包括四个子系统,分别为控制系统、视觉系统、决策系统和通讯系统。

考虑选用颜色模型的需要,视觉系统采用大恒CG400图像采集卡(内部硬件直接实现R G B和YUV转换计算)和松下摄像头作为图像采集的硬件环境;Windows2000和VCγγ610作为目标搜索的软件环境。

决策系统根据视觉系统处理得到的足球和机器人位姿信息做出决策命令;通信系统通过无线发射盒发送决策命令给比赛中的机器人;机器人控制系统接收决策命令执行相应动作。

R G B颜色模型受光照变化影响较大,在机器人足球比赛环境中,不适合作为足球和机器人位姿的识别颜色模型。

YUV颜色模型受光照变化影响较小,所以系统选用YUV作为目标识别的颜色模型,以提高系统的准确性、稳定性和适应性。

图像采集卡可以按30帧/s输出YUV422格式图像数据。

2　视觉系统软件设计211　视觉系统软件结构 视觉系统包括离线采样子系统和在线搜索子系统。

离线采样子系统主要完成离线状态下目标颜色特征阈值的建立,为在线搜索子系统目标识别提供搜索条件;在线搜索子系统主要完成在线状态下对目标的搜索,获得目标的位置和姿态,为决策子系统提供决策信息。

离线采样子系统在比赛前进入实际比赛场地熟悉环境。

在实际比赛环境下,通过人工手动和机器自动两种方式,对场地内的不同区域的各个目标颜色特征进行阈值提取。

手工方式任意在目标区域选取区域特征代表性最强的阈值样本点,计算对象是各单一阈值样本点。

通过目标区域的局部若干阈值样本点反映整体的阈值特征,存在一定程度的误差,误差的大小与局部阈值样本点的选取数量、分布和收稿日期:2004209225。

作者简介:孙良旭(1979-),男,辽宁鞍山人,2002级硕士研究生。

方式密切相关,但是同时通过人为判断也减少了噪声点的影响。

机器自动方式任意在目标区域选取区域特征代表性最强阈值样本区域,计算对象是各阈值区域所有样本点。

通过目标区域的局部若干阈值样本区域,甚至目标区域本身,反映整体的阈值特征,减少手工方式的误差,但是存在噪声点的影响。

结合两种方式进行目标颜色特征阈值提取,在噪声点较多的情况下,采用手工方式。

在噪声点很少的情况下,采用机器自动方式。

通过在场地各光照特征不同的区域进行提取,可以最大程度反映目标颜色特征。

二者结合确定目标颜色特征阈值,进行模拟目标搜索,通过搜索效果,人为确定阈值的合理性。

通过文件的形式保存目标颜色特征阈值,以便在比赛时,从文件加载到内存。

在线搜索子系统在比赛时,首先通过图像采集卡采集一帧图像。

由于环境光照和硬件成像影响,造成采集的图像失真,需要对图像进行预处理,包括图像去噪、增强、场地边缘形变处理等。

考虑到系统的实时性和机器人足球比赛特点,采用简单的、局部的图像处理常用算法,以系统实时性和准确性为参考因素来调整算法的参数和搜索区域。

然后,把预处理过的图像作为目标搜索的数据信息,采用跟踪搜索和全局搜索两种方式进行目标检测和识别。

基本算法思想是根据上一帧目标的位置和姿态,在以目标物体为圆心,以目标物体运动速度乘以图像采集的时间间隔为半径的圆周内搜索;甚至可以根据决策系统的上次决策目标运动趋势,在一定圆周角角度的部分圆周内搜索,圆周角角度可以调整。

这样可以提高系统实时性。

如果跟踪搜索没有全部搜索到目标,可以采用全局搜索方式继续搜索;如果搜索点在已搜索到的目标区域内,直接跳过该区域,继续搜索;如果最后出现目标丢失现象,则以上一帧图像目标或者上次决策确定的位置姿态为该帧图像目标的位置姿态。

目前,图像处理和目标搜索算法比较成熟。

机器人足球比赛视觉系统大都采用方法单一、算法复杂的图像处理和搜索算法,影响系统的实时性、准确性。

本文提出一种智能组合算法,其基本思想就是在系统中存在多个不同复杂度的图像处理和搜索算法,系统应该根据实际比赛效果,智能调整算法的组合。

参考因素包括图像采集效果、目标识别效果、目标位置等。

算法的组合应该是实时动态的,在比赛中智能调整。

如果图像采集效果差,经常出现目标丢失的现象,系统应该适当增加算法复杂度;相反应该适当降低算法复杂度。

根据目标特征点出现的位置,可以采取不同复杂度的目标搜索算法。

不同的区域可以采用不同复杂度的图像预处理算法。

212　目标检测 目标检测是检测赛场上足球及机器人主副色标上的中心点。

在目标检测前必须把目标阈值采样结果从文件加载到内存,进行阈值判断。

为了提高系统实时性,保证系统准确性,可以利用色度和亮度两个阈值分量进行阈值判断。

在搜索的过程中,根据每种颜色可能出现的概率大小来决定目标阈值的判断顺序。

先判断取出的点是否为场地颜色阈值,如果是则取下一点进行判断,如果不是则判断是否为我队主副色标颜色阈值、他队主色标颜色阈值,最后是足球颜色阈值。

当场上的某一点(i ,j )满足阈值条件时,定义一个矩形区域。

矩形区域的选取要根据实际的目标设计标准。

选择的区域过大,会增加噪声点,降低系统实时性和准确性;选择的区域过小,会丢失目标采样点,降低系统准确性。

一般算法是将矩形区域内满足阈值的点都找到,然后对所有这样的点坐标值(X i ,Y i )进行累加求和,再除以符合阈值的总点数N ,得X =X ∑N i =1X i /N Y = Y ∑Ni =1Y i /N (1)则(X ,Y )为目标中心坐标。

利用足球和本队机器人主副色标都是圆形的特征,为了提高系统实时性、准确性,在二者之间寻求一种平衡,对上述算法提出如下改进意见: (1)根据实际搜索效果适当调整水平垂直方向的搜索间隔。

可以先精搜索目标出现区域,然后在细搜索目标出现位置。

这样减少计算量,加快搜索速度。

一般搜索间隔可以选取为主副色标内切正方形边长,过大容易搜索不到目标,过小增加搜索计算量。

・463・ 鞍山科技大学学报 第28卷 (2)采取局部累加平均的方法。

阈值边界点为目标阈值判断发生明显变化的点。

通过比较找到n 行m 列各行的阈值边界点,分别平均计算各对阈值边界点中心点,再累加平均阈值边界点中心点;n 行阈值边界点中心点横坐标累加求和,再除以行数n 得横坐标;m 列阈值边界点中心纵坐标累加求和,再除以列数m 得纵坐标。

其中极限情况是一行和一列。

最后得到的横纵坐标为目标的中心坐标。

这样可以减少一般算法的计算量和累加次数。

X =(x 12+x 34)/2,推广到N ,X =(∑Ni =1X i )/N ,其中X i 为第i 行阈值边界点中心点,N 为总搜索行数。

同理Y =(∑M i =1Y i)/M ,M 为总搜索列数。

这样可以降低目标区域的搜索密度,提高搜索速度。

图1　阈值边界点计算和搜索示意图Fig.1　Calculation of threshold value boundary point and search demonstration graph (3)在搜索阈值边界点的时候,采取多点连续比较判断的方法,提高准确性。

其思想是如果发现第一个符合或者不符合阈值的点后,继续比较下n 个点,如果还是符合或者不符合阈值,极限情况是0个点,那么则可以认定第一个点为阈值边界点。

这样可以提高系统的准确性。

如果发现第一个点x 1符合阈值,下一点x 2也符合的话,则认为x 1为阈值边界点;否则为噪声点。

同理,如果发现第一个点x 3不符合阈值,下一个点x 4也不符合的话,则认为x 3或者x 3前一点为阈值边界点;否则为噪声点。

(4)在搜索点的选择上可以不采取水平垂直方向,而采取随机均匀离散的方式选取样本。

采用概率的思想,当符合阈值的点达到一定百分比时,就可以结束搜索,进行累加平均计算。

水平垂直间隔搜索就属于其中的一种均匀离散的方式。

可以找到更少的样本点均匀分布搜索区域的方式,重点考虑分布均匀程度而不是点数,这样减少计算量,提高搜索速度和准确性。

(5)在搜索时候可以采用旋转搜索的方法。

在一帧图像中,以给定的一个信息点为中心,自内向外按箭头方向进行连通区域搜索,如图2。

图2　外旋搜索法和示例图Fig.2　Method of outside revolving search and demonstration graph・563・第5期 孙良旭,等:机器人足球视觉系统研究与实现 如果在四个方向上都没有符合阈值的点,就结束搜索。

黄色的点代表满足阈值条件的有效点。

红色的点代表不满足阈值条件的无效点。

绿色代表根本没有去判断该点是否满足阈值条件,算法核心是各方向步数计算和点的颜色标记[5]。

一般起始坐标点为目标的边缘附近。

在外旋搜索过程中,会搜索到很多非目标的点,增大外旋搜索半径。

所以在发现起始坐标点的时,在水平垂直四个方向选取一定距离的4点,根据符合阈值的点数和位置,来确定起始坐标点的位置,进一步确定靠近目标中心的旋转搜索起始坐标点。

还一种方法就是利用上面的阈值边界点的思想,根据阈值边界点的位置,来确定起始坐标点的位置,进一步计算靠近目标中心的旋转搜索起始坐标点。

算法核心是起始坐标点的位置判断。

213　目标识别 根据目标的颜色特征确定是小球、他队主色标、我队主色标。

对于小球和他队主色标,目标的中心坐标就是小球和他队机器人的中心。

对于我队主色标,目标的中心坐标就是我队机器人的中心坐标。

但是,为了识别我队哪个机器人,还必须识别我队副色标。

由于副色标与主色标的分布规律,可以确定一个矩形区域,用上面同样的目标搜索算法计算中心坐标,然后根据几何形状计算机器人的姿态,根据副色标的颜色编号计算机器人的编号。