具有颜色识别功能的类人机器人设计 机器人, 智能

520503

关键字：类人机器人   控制系统   颜色识别   视觉识别  
摘要：针对传统类人机器人在控制系统实时性和视觉识别方面的不足，以S3C6410作为主控芯片，设计了具有视觉识别功能的类人机器人控制系统，通过改进和简化视频识别算法取得了良好的目标识别效果。实验表明，基于本控制系统设计而成的类人机器人实时性好，目标识别准确，通过调整运动路径能够快速找到目标。
智能移动机器人是近年来发展起来的一门综合学科，涉及机械设计、传感检测、人工智能等多方面知识。类人机器人的控制系统分为三个层次：最上层是机器人的策略规划层，利用各种算法实现各部分的功能；中间一层运行各类应用程序的嵌入式实时操作系统；最底层是硬件平台，通过外围接口获得各类数据、信息。

自主机器人利用传感器获取的信息控制机器人的动作。本文根据武术擂台机器人的实际需要，设计了机器人的控制系统，实现摄像头图像采集、处理和舵机控制等功能。

策略规划层中，由于图像信息具有信息丰富、对场景描述完全的特点，主要通过处理摄像头采集的图像信息实现颜色目标定位。这里采用Linux嵌入式操作系统，由于嵌入式系统资源的限制，要求目标识别算法运行效率高，占用内存空间小。硬件平台主要是控制舵机实现机器人的运动控制。

1 系统控制电路与视频识别算法

1.1 机器人整体架构

在武术擂台技术挑战赛中，机器人要采集目标的位置信息。由于I/O、A/D转换的有效检测距离有限，机器人采用摄像头采集场地上的图像信息，根据目标的颜色进行识别、定位。当检测到目标位置以后控制舵机自主运动向目标靠拢，完成自我介绍、抱绣球等动作。所设计的机器人外形如图1所示。







从图中可以看出，机器人头部采用摄像头，通过USB接口与主控板进行连接，用于采集图像信息。机器人腰部、腿部、胳膊各关节利用舵机使其具有一定的自由度，用到的舵机为CDS系列数字舵机。它内部有ATmega8芯片，主控板通过串口与ATmega8通信，就可以实现舵机的控制。针对以上要求，同时考虑系统的实时性，采用S3C6410作为主控芯片。实际控制系统总体框图如图2所示。

1.2 舵机控制系统设计

主控板通过串口1完成与舵机之间的数据通信，舵机控制电路的原理图如图3所示。




由于半双工数据线只有一根，所以必须在电路上实现发送和接收上的分离。这里网络Robotis_UART一端直接接到舵机的信号线上，而另一端经过74HC126的两个缓冲器分别与主控芯片的TXD1和RXD1相连，再通过主控芯片使能的方式来确定是发送还是接收数据。主控芯片可以使NLED1为高而NLED2为低，这时TXD1就取得了线路的控制权，主控芯片就可以发送数据到舵机了。反之，当NLED2为高而NLED1为低时，这时RXD1就取得了线路的控制权，这时舵机可以返回数据。

舵机控制的软件方面，需要完成串口的相关配置，主要包括波特率、起始位数、数据位数、停止位数和流控制模式。这里将其配置为波特率19200、起始位1位、数据位8位、停止位1位和无流控制模式。串口的设置主要是设置struct termios结构体的各成员值，如下所示：







2 图像识别算法

摄像头采集到的图像主要作如下处理：首先对数据解码，利用查表法将RGB空间模型数据转化为HSI空间模型，然后采用类间方差法将图像进行二值化，再利用连通域对目标进行标定，最后对图像进行去噪，从而实现目标的识别和定位。图像处理程序流程图如图4所示。




摄像头采集的图像为RGB格式，但RGB模型中R、G、B值易受光线影响，不适宜进行颜色识别；HSI模型中，不同的颜色对应不同的色调参数H，并且H受外界光照影响小，因此采用HSI模型实现颜色识别。因此，要通过某种算法，先将RGB色域空间映射到HSI空间。常用的颜色空间转换算法如下：




实现颜色空间转换以后就要根据不同的H值对图像进行二值化处理。二值化的实质是一分类问题，即把一幅图像所含有的0～255的二进制像素按照某个阈值划分成两类。如果阈值设得太低，结果会引入过多的背景信息，但太高就会导致目标信息的丢失。类间方差法(Otsu)、最大熵方法(KSW)和直方图平衡法(Balanced Histogram Thresholding，BHT)是目前应用较广的自动阈值计算方法。

这里采用类间方差法，它的核心思路就是通过最大化类间方差来寻找最佳阈值。假设某一阈值T将整个二值图像分为C0(1，…，T)和C1(T，…，255)两类，则两类的出现概率可以用下式计算：




如上所述，最佳阈值的判断标准是使得类间方差最大。于是通过遍历每一个灰度值，并计算其划分带来的类间方差，总能找到一个合适的阈值满足条件。由于式(4)计算二阶中心矩计算量较大，考虑到：




显然，式(6)只需要计算类内均值，即一阶矩。于是最大化 就转化为最大化式(6)。

接下来的工作就是对图像进行标定，这里所指的标定就是根据二值化后的图像，计算出目标区域的外接矩形位置。在目标构成比较简单的情况下，投影法是效率最高的方法，而当场景中存在多个目标时，多数情况下需要进行连通域计算。拓扑学中把连通性定义为，区域内任意两点之间存在至少一条曲线可以将两者连接。目前的连通域标记方法主要分两类：扫描法和轮廓跟踪法。扫描法的基本思路是逐个检查每个像素的值和连通性，从而获得所有的连通性描述信息，然后根据每点之间的相互关系计算出最后的区域个数和构成关系。基于扫描的连通标记演示如下(以8连通为例)：

首先对二值图像进行行扫描得到线段连通标记，如图5所示。然后检查每行之间线段与上一行线段之间的连通关系，并更改标记。




第1行：线段1创建标记A。
第2行：线段2、1之间连通，线段2标记为A；线段3同理标记为A。
第3行：线段4、2之间连通，线段4标记为A；线段5创建标记为B。
第4行：线段6、4之间连通，线段6标记为A；线段6、5之间连通，将线段5的标记由B变为A。
第5行：线段7创建标记B；线段8、6之间连通，线段8标记为A。结果如图6所示。




将图像标定完毕可以去掉图像中的噪点，并且找到目标的中心，实现目标的定位。

3 实验与结果分析

将控制卡装到机器人上，控制机器人运动，在运动中摄像头采集图像，并且用方框将目标进行标定。利用上述颜色识别算法对图红色绣球进行标定，得到如图7所示的结果。




随着机器人的运动，绣球在图像中的位置发生变化，机器人根据标定结果，就可以得到绣球的位置，根据位置调整自己的运动准确找到绣球。图像采集的速度达到15帧/s，舵机控制准确度达到0.32°，可以圆满完成比赛任务。