（控制理论与控制工程专业论文）基于全景视觉的移动机器人粒子滤波定位方法研究.pdf

哈尔滨丁程大学硕士学位论文 摘要 在移动机器人导航中，实现机器人自身的准确定位是一项最基本、最重 要的功能，也是移动机器人研究中备受关注、富有挑战性的一个研究主题。 近年来，基于视觉传感器的移动机器人定位是计算机视觉及移动机器人导航 领域非常活跃的一个课题。本文主要研究基于全景视觉的移动机器人粒子滤 波定位方法，并对如何处理全景传感器带来的丰富视觉信息及如何减少其处 理时间提出了改进算法。 首先从软件角度介绍了基于全景视觉的移动机器人粒子滤波定位系统的 功能与组成，从硬件角度分析了系统体系结构的设计。并详细讨论了基于折 反射全景成像的成像原理及确定双曲面折反射全景反射镜的尺寸及面形的方 法。 对全景图像的特征提取算法进行了研究与改进。尺度不变特征s i f t 具有 对平移、旋转、尺度缩放、亮度变化具有不变性的优点，但特征点的提取与 匹配耗费了大量的时间，且提取的特征点数量远大于机器人定位所必需的数 量。因此提出一种改进算法，将原s i f t 遍历式的特征检测方法改为基于采样 的迭代检测方法，有效的减少了特征提取及匹配的时间。由于改进的s i f t 算法保留了原s i f t 算法的特征描述方法，从而在减少特征提取与匹配时间的 同时保证了匹配的准确性。通过实验，我们确定了改进s i f t 算法的重要参数 的选取，并验证了方法的有效性与实时性。 机器人定位问题是一个系统状态随时问变化的问题。贝叶斯滤波把系统 的动态不确定状态的预测与不准确的观测值结合起来，进而通过迭代得到准 确的系统状态的估计，能够对机器人定位问题提供一个框架，是基于概率的 定位方法的理论基础。在贝叶斯滤波的基础上，我们研究了粒子滤波的基本 算法、改进算法及其重采样算法。并将其应用于基于全景视觉传感器的移动 机器人定位系统中，利用改进s i f t 算法提取当前图像特征，使用少量的特征 点达到了满意的定位精度。 关键词：移动机器人定位；尺度不变特征；粒子滤波；全景视觉 哈尔滨t 程大学硕士学位论文 a b s t r a c t i nm o b i l er o b o ta p p l i c a t i o n s ，i ti saf u n d a m e n t a la n di m p o r t a n tr e q u i r e m e n t t h a tt h er o b o ts h o u l db ea b l et ol o c a l i z ei t s e l fa c c u r a t e l yw i t h i ni t so p e r a t i n g e n v i r o n m e n t s i ti sa l s oac h a l l e n g i n gt o p i co fm o b i l er o b o tr e s e a r c hw h i c hh a s a t t r a c t e dm a n yr e s e a r c h e r s n o w a d a y s ，v i s i o n - b a s e dl o c a l i z a t i o no fm o b i l er o b o t s h a sb e c o m ea v e r yp o p u l a rt o p i co fc o m p u t e rv i s i o na n dm o b i l er o b o tn a v i g a t i o n t h i st h e s i sf o c u s e so nt h em o n t ec a r l ol o c a l i z a t i o no fm o b i l er o b o tw i t h o m n i 。d i r e c t i o n a lv i s i o ns e n s o r ，t h e nam o d i f i e da l g o r i t h mi sp r o p o s e dt od e a l 谢m t h ea b u n d a n ti n f o r m a t i o no fo m n i d i r e c t i o n a lv i s i o ns e n s o ra n dt oi m p r o v et h e e f f i c i e n c y f i r s t l y , t h ef u n c t i o n a n dc o m p o s i n go ns o f t w a r eo ft h em o n t ec a r l o l o c a l i z a t i o ns y s t e mo fm o b i l er o b o tw i t ho i n n i d i r e c t i o n a lv i s i o ns e n s o ra r e i n t r o d u c e d a n dt h e nt h eh a r d w a r ef r a m e w o r ko ft h es y s t e mi si n t r o d u c e dt o o t h e p r i n c i p l eo fc a t a d i o p t r i co m n i d i r e c t i o n a li m a g i n gs y s t e ma n dt h em e t h o d t os e l e c t t h es i z ea n dp a r a m e t e ro fh y p e r b o l o i dm i r r o ra l ed i s c u s s e di nd e t a i l e x t r a c t i o na l g o r i t h mo ff e a t u r e si no m l l i d i r e c t i o n a li m a g ei sr e s e a r c h e da n d m o d i f i e d t h es c a l ei n v a r i a n tf e a t u r et r a n s f o r m ，s i f t ，i si n v a r i a n tt oi m a g e t r a n s l a t i o n , s c a l i n g ，r o t a t i o n ，a n di sp a r t i a l l yi n v a r i a n t t oi l l u m i n a t i o nc h a n g e s b u t ， t h et i m eo ff e a t u r e se x t r a c t i n ga n dm a t c h i n gi sh u g e ，a n dt h en u m b e ro ff e a t u r e si s m u c hl a r g e rt h e nt h a ti sn e e d e d s oam o d i f i e da p p r o a c hb a s e ds a m p l i n gi s p r o p o s e d ，c o m p a r e dw i t ht h e c l a s s i c a ls i f ti nw h i c hf e a t u r e sa r ed e t e c t e d t h r o u g ht h ew h o l es c a l es p a c e t h em o d i f i e ds i f tr e m a i n st h ec o n s t r u c t i o no f k e y p o i n td e s c r i p t o r , s oi tc a ni m p r o v ee f f i c i e n c ym e a n w h i l ek e e pa c c u r a t ef o r f e a t u r em a t c h i n g i m p o r t a n tp a r a m e t e ro ft h i sm o d i f i e da l g o r i t h mi sc o n f i r m e d t h r o u g he x p e r i m e n t s ，a n dt h ea l g o r i t h mi sd e m o n s t r a t e d e f f e c t u a la n dr e a l t i m e t h el o c a l i z a t i o no fm o b i l er o b o ti sa l li s s u ei nw h i c ht h es t a t eo fs y s t e m c h a n g e sw i t l lt i m e b a y e s i a nf i l t e rc o m b i n e st h ed y n a m i cu n c e r t a i ne s t i m a t i o no f s t a t ea n dt h eo b s e r v a t i o n ，t oo b t a i na na c c u r a t es t a t eo fs y s t e mw i t hi t e r a t i v e 哈尔滨工程大学硕士学位论文 m e t h o d i ti sa na p p r o p r i a t ef r a m ef o rt l l el o c a l i z a t i o no fm o b i l er o b o t , w h i c hi s t h ef o u n d a t i o no fp r o b a b i l i s t i cl o c a l i z a t i o np r i n c i p l e d e p e n d i n go nt h eb a y e s i a n f i l t e r , t h ec l a s s i c a lm e t h o d s ，m o d i f i e dm e t h o d sa n dr e s a m p l i n gm e t h o d s o fp a r t i c l e f i l t e ra r es t u d i e d t h e np a r t i c l ef i l t e ri sa p p l i e dt om o n t ec a r l ol o c a l i z a t i o no f m o b i l er o b o t 、析mo m n i d i r e c t i o n a lv i s i o ns e n s o r m o d i f i e ds i f t i su s e dt oe x t r a c t f e a t u r e so fo m n i d i r e c t i o n a li m a g e ，a n dt h em o b i l er o b o t sc a nl o c a l i z ei t s e l f a c c u r a t e l yw i t ha l o w e rn u m b e ro ff e a t u r e s k e yw o r d s ：m o b i l er o b o tl o c a l i z a t i o n ；s i f t ；p a r t i c l ef i l t e r ；o m n i - d i r e c t i o n a l v l s l o n 哈尔滨工程大学 学位论文原创性声明 本人郑重声明：本论文的所有工作，是在导师的指导下，由 作者本人独立完成的有关观点方法姗和文献的引用已在文中指 出，并与参考文献相对应除文中已注明引用的内容外，本论文不 包含任何其他个人或集体己经公开发表的作品成果对本文的研究 做出重要贡献的个人和集体，均已在文中以明确方式标明本人完 全意识到本声明的法律结果由本人承担 ， 作者( 签字) ：参抄矿 日期：妒7 年弓月，日 哈尔滨工程大学 学位论文授权使用声明 本人完全了解学校保护知识产权的有关规定，即研究生在校 攻读学位期间论文工作的知识产权属于哈尔滨工程大学哈尔滨工 程大学有权保留并向国家有关部门或机构送交论文的复印件本人 允许哈尔滨工程大学将论文的部分或全部内容编入有关数据库进 行检索，可采用影印缩印或扫描等复制手段保存和汇编本学位论 文，可以公布论文的全部内容同时本人保证毕业后结合学位论文 研究课题再撰写的论文一律注明作者第一署名单位为哈尔滨工程 大学涉密学位论文待解密后适用本声明 本论文( 母往授予学位后即可口在授予学位1 2 个月后口 解密后) 由哈尔滨工程大学送交有关部门进行保葆汇编等 作者( 签字) ：王王、金 导师( 签字) ：鹞彩多1 孑 日期：秒) 年弓月日伊9 年月f 日 哈尔滨工程大学硕+ 学位论文 第1 章绪论 1 1 课题研究的背景及意义 1 1 1 移动机器人定位的研究背景及意义 移动机器人是一种在复杂环境下工作的具有自规划、自组织、自适应能 力的机器人。在移动机器人相关技术的研究中，导航技术是其研究核心，也 是实现真正智能化和完全自主移动的关键技术。导航研究的目标就是没有人 的干预下使机器人有目的地移动并完成特定任务，进行特定操作。国际上利 用如下的m n t ( m a x i m u mn a v i g a t i o nt e s o 检测移动机器人的导航能力：移动 机器人放置在一个未知、复杂、动态的环境中。机器人对环境进行一段时间 的探索后，在成本函数( 例如时间、能源消耗等) 最小的条件限制下，必须 能够到达任意指定的位置。 l e o n a r d 和d u r r a n t w h y t e 把机器人的导航问题归结为“我在哪”、“我要去 哪”及“我如何到达那里”三个问题的回答。机器人为了完成导航任务，必须解 决如下四个问题：运动控带w j ( m o t i o nc o n t r 0 1 ) 、地图构建( w o r l dm o d e l i n g ) 、路 径规戈l j ( p l a n n i n g ) 和定位( l o c a l i z a t i o n ) 。其中，定位即是“我在哪”的问题，是 移动机器人导航最基本的环节，也是完成导航任务首先必须解决的问题。实 时、精确的定位是提高机器人性能的关键。 1 1 2 基于全景视党的移动机器人定位 机器人导航系统中队目标和障碍物的探测是由传感器完成的。目前常用 的传感器主要有超声波传感器、红外传感器、定位传感器等。每种传感器都 有其特点及局限性，如超声波传感器使用方便且价格较低，但探测波束角过 大，方向性差，往往只能获得目标的距离信息，不能提供目标的边界信息： 而红外传感器探测视角小，方向性强一些，测量精度也有所提相对于其它传 感器。相对于其它传感器，视觉传感器能够精确且最直观地估计目标景物信 息。 传统的视觉传感器由于视场角的限制，探测范围较小。与传统视觉传感 器不同，全景视觉传感器可以一次获得大于半球视场( 环视角3 6 0 0 、俯仰角 哈尔滨工程大学硕+ 学位论文 1 8 0 0 ) 的三维空间的全部视觉信息。显然，利用全景视觉大视角的优点将大大 的提高移动机器人定位的效率与准确性。 1 2 国内外研究现状 1 2 1移动机器人定位国内外研究现状 定位( w h e r ea mi ? ) 作为移动机器人实现自主能力的最基本问题1 ，其目 的就是确定移动机器人在运行环境中相对于世界坐标系的位置及其本身的姿 态。现有移动机器人的定位方法可以分为三类瞄1 ： 相对定位包括两种定位方法：惯性导航( i n e r t i a ln a v i g a t i o n ) 和测程法 ( o d o m e t r y ) ，通过测量机器人相对于初始位姿的距离和方向来确定机器人的 当前位姿。惯性导航通常使用加速度计( a c c e l e r o m e t e r ) 、陀螺仪( g y r o ) 、电磁 罗盘( e l e c t r o n i cc o m p a s s ) 等传感器。来自密歇根大学机器人实验室p 1 、b a r s h a n 和d u r r a n t - w h y t e 的实验结果h 5 1 表明惯性导航定位并不是很理想。为了获得位 置信息，加速度计必须积分两次，因此对漂移特别敏感。在一般的操作状态 下加速度计的加速度很小，只有0 o l g 左右的数量级；然而只要加速度计相 对于水平位置倾斜0 5 0 ( 例如，机器人在不平的地面移动) ，就会产生对应数 量级的波动，因此会带来较大的测量误差。和加速度计相比，陀螺仪能够提 供更为精确的航向信息；然而，陀螺仪能够直接提供的只是角速度信息，必 须经过一次积分才能获得航向信息，因此静态偏差漂移对陀螺仪的测量值有 很大影响。此外，陀螺仪较高的价格也在一定程度上限制了它在机器人领域 的使用。电磁罗盘能够直接为机器人提供航向信息，但它并不推荐在室内环 境使用，因为在靠近电线和铁磁结构位置处容易受磁场干扰的影响。 测程法是最广泛使用的定位方法嘲，对测程法的理解有狭义和广义之分， 狭义测程法定位指利用编码器测量轮子位移增量推算机器人的位置；广义测 程法定位基于编码器和外界传感器( 例如声纳、激光测距仪、视觉系统等) 的信息，利用多传感器信息融合算法估计机器人的位置。狭义测程法仅仅依 靠编码器的信息估计机器人的位置，由于系统误差和非系统误差的影响，导 致定位误差随着机器人移动距离的增加而逐步累积，因此需要借助外界传感 器的信息修正编码器的定位误差。广义测程法利用外界传感器扫描机器人导 航环境，提取环境特征信息并和环境地图匹配，应用数据融合算法来提高机 2 哈尔滨工程大学硕士学位论文 器人的定位精度。 绝对定位经常依赖于如下的几种方法： 1 ) 导航信标( n a v i g a t i o nb e a c o n ) 2 ) 主动或被动标识( a c t i v eo rp a s s i v el a n d m a r k s ) 3 ) 图形匹配( m a pm a t c h i n g ) 4 ) 基于卫星的导航信号( s a t e l l i t e b a s e dn a v i g a t i o ns i g n a l s ) ，即g p s 定位 5 ) 概率定位 基于信标的绝对定位经常采用三视距法( t r i l a t e r a t i o n ) m 1 和三视角法 ( t r i a n g u l a t i o n ) d o - 1 2 l 。标识定位是一种常见的绝对定位技术。标识是具有明显 特征的、能被机器人传感器识别的特殊物体。根据标识的不同，分为基于自 然标识定位和基于人工标识定位。其中，人工标识定位技术应用最为成熟。 人工标识定位是在移动机器人的工作环境里，人为地设置一些坐标已知的标 识，如超声波发射器、激光反射板等，机器人通过对标识的探测来确定自身 的位置。地图匹配指移动机器入通过自身的传感器探测周围环境，并利用感 知到的局部信息进行局部地图构造，然后将这个局部地图与预先存储的环境 地图进行比较，如两地图相互匹配，就能计算出机器人在工作环境中的位置 与方向 ”1 。g p s 是一种以空间卫星为基础的导航与定位系统，在智能交通 系统( i n t e l l i g e n tt r a n s p o r t a t i o ns y s t e m ，i t s ) 中获得了广泛的应用口引。 绝对定位方法的优点在于定位误差是有界的；然而导航信标和标识经常 需要昂贵的安装和维护成本；图形匹配方法通常比较慢，或者不精确川，甚 至不稳定冽。采用这三种方法事先要知道机器人的工作环境。g p s 只能用于 户外环境，而且定位精度较差，通常在1 0 3 0 米的数量级瞄1 1 。 近年来，基于概率的绝对定位方法引起了国内外学者的注意，成为机器 人定位研究的热点，出现了一大批文献。在定位过程中，存在很多不确定性 因素。首先机器人本身具有不确定性：如里程计误差累积和传感器噪声数据。 其次机器人所处环境也是不可预知的：人的走动和物体的移动所造成的环境 变化。由于这些不确定性因素，使定位变得更加困难，因此近年来，越来越 多的研究者把概率理论应用到移动机器人定位中。 贝叶斯滤波( b a y e s i a nf i l t e r ，简称b f ) 是概率定位方法的理论基础，b f 用传感器测量数据去估计一个动态系统的未知状态，其核心思想就是：以当 3 哈尔滨工程大学硕士学位论文 前为止所收集的数据为条件，递归估计状态空间后验概率密度。对后验概率 密度的表示方式不同，产生了许多不同的概率定位方法。主要有卡尔曼滤波、 多假设定位、马尔可夫定位和粒子滤波。 卡尔曼滤波( k a l m a nf i l t e r ，k f ) 是估计线性动态系统状态的递归数据处 理算法，无论获得数据是否准确，尽可能处理所有数据获得一个全局最优估 计，因此k f 是最优化的。k f 要求系统噪声与测量噪声是条件独立的0 均值 高斯分布，系统初始状态是条件独立的单峰高斯分布。尽管有许多限制条件， 但k f 已经取得了很大成功。它可以有效跟踪机器人位置。k f 的一个关键 优点就是它的有效性，它的复杂度是状态空间和感知数据维数的多项式函数。 而且可以解决s l a m ( s i m u l t a n e o u sl o c a l i z a t i o na n dm a pb u i l d i n g ) i h - j 题。然而， 许多动态系统和传感器模型是非线性的，例如全局定位的多峰值概率密度估 计，线性k f 是不能处理的。对于非线性估计问题，可以通过线性近似去解 决，因此不是最优的。相应的方法有p k f ( p e r t u r b a t i o nk a l m a nf i l t e r ) 、 e k f ( e x t e n d e dk a l m a nf i l t e r ) 、i e k f ( i t e r a t e de x t e n d e dk a l m a nf i l t e r ) 和 u k f ( u n s c e n t e dk a l m a nf i l t e r ) 吲。对于全局定位的多峰值概率密度估计问题， 可以用多假设定位m h l ( m u l t i p l eh y p o t h e s i sl o c a l i z a t i o n ) 解决，它通过多个 单峰高斯分布表示整个状态空间的概率分布。每一个假设可以应用前面介绍 的k f ，因此，它可以处理多峰值概率分布，能够实现全局定位。m h l 还可 以采用启发式方法解决数据相关问题以及确定何时添加和删除假设。每个假 设除了应用k f 外，也可以应用e k f 和u k f 。显然，它仍然受到k f 假设的 限制。 为了克服k _ f 中的单峰高斯分布假设，又提出了许多不同方法去表示状 态的不确定性，其中马尔可夫定位( m a r k o vl o c a l i z a t i o n ) 同m h l 方法一样，能 够表示复杂的多峰值概率分布，实现全局定位。根据b f ，最基本的马尔可夫 定位算法有三步瞄引： 第一步：预测阶段，应用运动模型预测新位置。 第二步：修正阶段，输入传感器感知，应用感知模型修正预测结果。 第三步：标准化阶段，保证整个位置状态空间的后验概率和为1 。 在此基础上，对状态空间和世界模型的不同表示方式产生了许多不同的 马尔可夫定位方法，其中最常用的是拓扑马尔可夫定位( t o p o l o g i c a lm a r k o v 4 哈尔滨工程大学硕士学位论文 l o c a l i z a t i o n ) 和基于栅格的马尔可夫定位( 鲥d b a s e dm a r k o vl o c a l i z a t i o n ) 。 1 9 9 3 年g o r d o n 等口4 1 提出了一种新的基于序列重要性采样的b o o t s t r a p 非 线性滤波方法，从而奠定了粒子滤波算法的基础。 粒子滤波是指：通过寻找一组在状态空间中传播的随机样本对概率密度 函数p ( x kf z d 进行近似，以样本均值代替积分运算，从而获得状态最小方差 估计的过程，这些样本即称为“粒子”。采用数学语言描述如下：对于平稳的 随机过程，假定k - 1 时刻系统的后验概率密度为p ( 一，i 反一，) ，依据一定原则 选取万个随机样本点，k 时刻获得测量信息后，经过状态和时间更新过程，r 1 个粒子的后验概率密度可近似为p ( x kk ) 。随着粒子数目的增加，粒子的概 率密度函数逐渐逼近状态的概率密度函数，粒子滤波估计即达到了最优贝叶 斯估计的效果口卯。 粒子滤波算法摆脱了解决非线性滤波问题时随机量必须满足高斯分布的 制约条件，并在一定程度上解决了粒子数样本匮乏问题，因此近年来该算法 在移动机器人定位等许多领域得到成功应用。目前已有许多会议和讨论组都 将粒子滤波作为专题进行深入讨论和学术交流口明。 1 2 2 图像特征提取国内外现状 图像的特征提取与表达是基于视觉传感器进行移动机器人定位的基础， 特征选取的好坏对整个移动机器人定位系统有着重要的影响。视觉特征可分 为一般特征和领域特征，前者包括颜色、纹理、形状和物体间方位关系等， 而后者根据不同的应用有所不同，如人脸识别、指纹识别的专有特征等。图 像特征还可以分为以下三个层次：层次一，原始特征，如颜色、形状、纹理； 层次二，逻辑特征，如各种图像中的对象；层次三，抽象特征。层次一又称 为低层特征，层次二和层次三又称为高层特征或语义特征。以下对各方面的 特征提取算法分别作系统介绍和分析。 1 2 2 1 颜色特征 从人类视觉角度来看，颜色特征是人类感知和区分不同物体的一种基本 视觉特征，世界因为有了颜色而显得多姿多彩。颜色特征被公认为是图像检 索中最有价值的低层特征，因此颜色就成为了图像计算检索中使用最为广泛 5 哈尔滨工程大学硕士学位论文 的视觉特征，与其他视觉特征相比，颜色特征对图像本身的尺寸、方向和视 角的依赖性较小。颜色特征主要有颜色直方图( c o l o rh i s t o g r a m ) 口川、颜色相关 图( c o l o rc o r r e l o g r a m ) 刚、颜色矩( c o l o rm o m e n t ) p 、颜色一致性矢量( c o l o r c o h e r e n c ev e c t o r ) p 司等。这些特征描述了颜色的统计特性，提取方便，速度快， 具有较好的稳定性；缺点是不能表达图像的空间信息以及图像中的目标物体。 事实上，颜色的不同空间分布极大地影响了人们对图像的相似性判断。 因此在提取颜色特征前，还必须根据具体的应用需求选择合适的颜色空间。 在图像检索中，经常使用的颜色空间有很多，女l j ：r g b ，m u n s e l l ，y u v ，y i q ， c i el 母a 宰b 母，c i el 幸u 木v 宰，h s v ( 或者h s l ，h s b ) ，以及对立颜色空间等， 每种颜色空间都会比较适用于某一个类型或者领域问题的描述和分析。由于 具体应用问题的背景交错复杂，至于哪个颜色空间是最优的，目前还没有共 识性的结论，一般上只能排除一些明显不合适的颜色空间。 1 2 2 2 纹理特征 纹理特征是图像重要低层次物理特征之一，广泛存在于各自然物体表面 田1 ，是所有物体表面所共有的内在特性，它为识别和解释图像提供了大量的 信息。其本质是刻画像素的领域灰度空间分布率。纹理特征描述方法大致可 以分为四类：统计法、结构法、频谱法和模型法。 1 ) 统计法 统计法分析纹理的主要思想是通过图像中灰度级分布的随机属性来描述 纹理特征，常用于分析木纹、沙地、草坪等细而不太规则纹理p 卅。最简单的 统计法是借助于灰度直方图的矩来描述纹理，但这种方法没有利用像素相对 位置的空间信息。为了利用这些信息，早在7 0 年代，h a r a l i c k 等提出了用共 生矩阵来表示纹理p 习。该方法研究了纹理的空间灰度级相关性，构造出一个 基于图像像素间方向和距离的共生矩阵，并且从矩阵中提取出方差、能量、 熵等统计量作为特征量表示纹理特征。该方法依然具有很广泛的应用p q 。基 于人类对纹理的视觉感知的研究，t a m u r a 等人提出了一些不同的方法来描述 纹理特征p 丌，给出了几个不同的描述纹理特征的术语：粗糙度( c o a r s e n e s s ) 、 对比度( c o n t r a s t ) 、方向度( d i r e c t i o n a l i t y ) 、线性度( l i n el i k e n e s s ) 、规则性 ( r e g u l a r i t y ) 、粗略度( r o u g h n e s s ) 等。t a m u r a 纹理和共生矩阵表示的主要区别 6 哈尔滨t 程大学硕士学位论文 在于：前者的所有纹理属性都是视觉意义上的，而后者的某些纹理属性不具 有视觉意义( 如信息熵) 。这一特点使得t a m u r a 纹理表示在图像检索中使用得 较多。q b i c 和m a r s 都进一步证明了这种表示方法。还有一种基于统计的 纹理特征提取方法是随机场模型方法，该类方法试图以概率模型来描述纹理 的随机过程，较适合于遥感影像分析。 2 ) 频谱法 频谱法主要借助于频率特性来描述纹理特征，包括傅里叶功率谱法p 明、 g a b o r 变换p 孵、塔式小波变换( p y r a m i dw a v e l e tt r a n s f o r m p w t ) 州、树式小波 变换( t r e ew a v e l e tt r a n s f o r m ，t w t ) 1 等方法。 3 ) 结构法 结构法分析纹理的基本思想是假定纹理模式由纹理基元以一定的、有规 律的形式重复排列组合而成，特征提取就变为确定这些基元并定量的分析它 们的排列规则。c a r l u c c i 脚1 曾提出一个使用直线段、开放多边形和封闭多边形 作为纹理基元的纹理模型，其排列规则由一种图状语法结构定义。l ua n df u 给过一种树型语法结构表示纹理，他们将纹理按照9 * 9 的窗口进行分割，每 个分解单元的空间结构表示为一棵树。因为实际的纹理大都是无规则的，因 此结构法受到很大限制。 4 ) 模型法 模型法主要利用一些成熟的图像模型来描述纹理特征，如基于随机场统 计学的马尔可夫随机场、子回归模型、多尺度子回归模型、分形模型等。这 些模型的共同特点是通过少量的参数来表征纹理。 1 2 2 3 形状特征描述 形状特征是描述高层视觉特征( 如目标、对象等) 的重要手段，而目标、 对象对获取图像语义尤为重要，但是形状特征也是最难描述的图像特征之一。 对自然界的物体来说，形状可能比颜色和纹理包含更多的语义信息，所传递 的语义也往往更具体、准确。人们识别不同物体时更多是通过物体的形状。 人的视觉系统可以根据先验知识和透视原理很容易地将图像中的形状恢复出 来。但是，对于计算机来说，要得到物体的形状必须依靠图像分割技术，然 而，现有的形状描述方法还不成熟，难以做到准确而稳健的自动图像分割和 7 哈尔滨- t 程大学硕士学位论文 形状特征提取与匹配。基于形状的图像检索方法通常有基于形状边界特征、 基于形状区域特征和结合边界特征与区域特征的图像检索。基于形状边界特 征进行图像检索，传统的方法有f r e e m a n 链码、f o u r i e r 描述子、距离直方图 等；基于形状区域特征的图像检索方法有h u 矩。g e n e r i c 傅立叶变换等。 结合边界特征与区域特征的图像检索，结合这两个不同的形状特征，能够得 到一种既表现了图像的边界特性又不失图像的整个区域特性的检索方法m 1 。 姚玉荣阳等对图像进行小波模极大值变换，得到多尺度的边界图像，再利用 7 个不变矩提取每一尺度边界图像的特征。 颜色特征适用于色彩较为丰富的图像，如风景类图像，使用颜色特征的 检索通常可以得到颜色相似的图像。纹理特征则较适合于物体和背景不易分 割的图像，单纯使用纹理特征的检索并不总能得到纹理明显相同的图像，除 非数据库中包含许多含有主要纹理的图像。由于形状特征不易提取，检索常 可能检索到意外的结果，目前绝大多数的检索系统都使用颜色和纹理特征， 形状特征使用得相对较少。形状特征一般只对物体形状易于识别的图像较为 适合。 对于全景图像的处理，一般是将全景图像柱面展开或球面展开成透视图， 然后利用上述方法进行特征提取。 1 2 3 粒子滤波定位的国内外现状 粒子滤波是应用粒子集表示概率的蒙特卡洛方法( m o n t ec a r l om e t h o d s ) ， 可以用在任何状态空间模型，泛化了传统的k f 定位方法。粒子滤波是b f 的变体，主要思想就是用一个随机采样获得的具有权重的样本集合表示并估 计后验概率密度： b e l ( x k ) ，磷 b 册 ( 1 1 ) 其中是机器人在k 时刻位置状态稚的一个样本，对应权重雒表征每 个样本d 的重要性，满足所有权重和为1 。但直接从后验概率密度提取样本 是较为困难的，因此产生了许多采样方法：s i s ( s e q u e n t i a li m p o r t a n c e s a m p l i n g ) 、s i r ( s a m p l i n gi m p o r t a n c er e s a m p l i n g ) 、m e t r o p o l i s 方法和g i b b s 采样m 。 8 哈尔滨工程大学硕士学位论文 与其他方法相比，用粒子表示后验概率有许多优点： 1 ) 能适应于任意感知模型、动态模型和噪声分布。 2 ) 是一个通用的概率近似器，减少了对后验概率形状的限制性假设。 3 ) 按照后验概率进行采样，将计算资源集中在最相关区域，提高了效率。 4 ) 通过在线实时控制样本数，能适应不同的可用计算资源，相同的程序 可以运行在性能不同的计算机上。 5 ) 更容易实现。 然而，缺点也很明显：如果样本集样本很少，并且没有包括表示正确位 置的样本，机器人就不能准确定位；常规m c l 也不能解决机器人诱拐问题； 当传感器感知太准确时，常规m c l 的性能非常差，极端的情况是，在无噪 声的情况下，常规m c l 会失败。 为了克服以上问题，很多研究者对常规m c l 做了修改，提出了许多方 法，代表性的是m i x t u r e m c l 方法h 8 4 明和自适应采样的粒子滤波方法。 m i x t u r e m c l 方法修改了m c l 产生样本的方式，它将常规m c l 采样与 “d u a l ”m c l 采样结合起来，“d u a l ”m c l 采样翻转了常规m c l 的采样过程， 更具体地说，常规m c l 是先用里程计预测一个新位置，然后用传感器测量 数据去评估该样本的“重要性”，而“d u a l ”m c l 先用当前传感器测量数据去预 测，然后用里程计数据结合以前的置信度去评估该预测，采样过程正好与常 规m c l 相反。通过将这两种方法结合起来，得到了一种更有效的定位方法。 为了提高计算效率，最近又提出了自适应采样的粒子滤波技术，即按照 实际需要动态改变样本集的大小。在状态估计的过程中，后验概率的复杂度 是变化的。例如，进行全局定位时，由于没有机器人初始位置的先验知识， 这时需要大量的样本；而当跟踪机器人位置，并且获得机器人的近似位置时， 仅需要较少的样本即可。 自适应采样方案可以最小化计算负担，并且最大化位置估计的可信度。 其基本思想是：当样本的权重和超过了某一阈值时，就减少样本，如果里程 计读数与传感器读数近似匹配时，每一个样本的权重都会很大，那么样本集 就会很小。相反地，如果位置估计与测量数据差别很大，单个样本的权重就 会很小，那么样本集就会很大。f o x 用自适应采样的m c l 产生了更好的结果。 在一个对称化环境中，机器人位置状态的不确定性较高，这时需要更精 9 哈尔滨工程大学硕士学位论文 确的近似。然而，随着机器人的不断导航，会导致样本权重增加，样本集减 小，自适应采样方法可能会失败。最近又提出了基于k l d ( k u l l b a c k l e i b l e r d i s t a n c e ) 的自适应采样方法，进一步提高自适应采样的鲁棒性。 k l d 自适应采样方法的主要思想是用k l d 限定m c l 方法产生的近似误 差。当概率分布集中在一个小的置信度状态空间时，就采用较小样本集，而 状态不确定性较高时，如对称化环境，就增加样本集的大小。k l d 自适应采 样通过测量样本的最大可能估计与实际后验概率之间的k l d 来维持样本数 目。 1 3 本论文的关键技术及主要工作 本课题是全景视觉系统研究和智能移动机器人研究相结合的延伸研究。 主要工作包括系统总体设计( 包括结构设计、软件结构等) 、全景图像特征提 取研究与基于全景视觉的移动机器人定位方法研究。经过对国内外现状的调 研及分析，本文的关键技术主要有两点： 第一：在没有特定路标的前提下，在全景图像中提取到有效的定位特征 并兼顾算法有效性与实时性。 第二：为移动机器人建立运动模型及感知模型，将适合于全景图像的特 征提取及匹配方法融入粒子滤波定位框架。 综上所述，本文共分为五章： 第一章绪论：介绍课题研究的背景和意义，简单叙述移动机器人定位、 图像特征提取及粒子滤波算法的国内外研究现状，并介绍论文安排。 第二章对基于全景视觉的移动机器人粒子滤波定位系统进行介绍，包括 系统的功能与组成、系统的硬件体系结构及全景视觉成像系统的设计。 第三章研究全景图像的特征提取方法，主要研究利用尺度不变特征变换 提取全景图像特征，并对其提取特征点的数量与时间等方面进行改进。 第四章介绍移动机器人概率定位方法的理论基础，主要包括贝叶斯滤波 原理、蒙特卡洛思想及粒子滤波原理，详细介绍粒子滤波算法。 第五章研究基于全景视觉的移动机器人粒子滤波定位方法的具体实现， 将改进后的尺度不变特征提取方法应用到基于全景视觉的移动机器人定位 中，与粒子滤波结合，利用较少的特征点快速的实现机器人的精确定位。 l o 哈尔滨工程大学硕士学1 1 i ) = 论文 第2 章基于全景视觉的移动机器人粒子滤波定位 系统设计 移4 一，；! 甥! 彩。? ：? 一“：- 一r7 学缓 劳* 扣。一”7 ”。”? ：鬟缎= 缓 ：筻仝镌薹|酝_ 黧冬l ! l 黧。荔| 蟊黧嬲璧：二霾| 葭篁乒篓掣缪鬟 秘“、。二j ：口 搬五二一一；。一； # 编 i # o、，一，“疆驻堑二二：。，二。，一_ 0 褥 引嚣鬟剥爨旧懋鋈| 嚣“m ；鹱 筻翟鬻 渊餐一 堕垒鋈三堡奎兰堡圭兰堡鎏圣 图2 2 全景视觉图像采集系统 其中，反射镜的设计方法将在2 3 节中详细叙述。 图中使用的摄像头为上海微视公司生产的m v c i i - 1 m 系列摄像头，该 摄像头采用最新的1 2 英寸的彩色c m o s 感光芯片，通过u s b 20 接口，不 需要额外的采集设各，即可获得实时的无压缩视频数据和对图像的捕捉。可 控制捕获图像的任意幅面与位置，小的幅面可以获得更高的帧率。 其主要性能指标为： 最大帧率：1 2 8 0 x 1 0 2 48 f s ； 1 0 2 4 7 6 81 4 f s ： 8 0 0 x 6 0 01 6 f s ； 6 4 0 x 4 8 02 4 f f s ； 3 2 0 2 4 04 0 f f s ： 可控制捕获图像的任意幅面与位置，小的幅面可以获得更高的帧率。 可控制缩放预览。 黑8 彩色预览可选。 自动手动白平衡操作。 手动自动曝光操作，曝光时问可调( 1 5 0 0 m s ) 。 t 表竹值可调。 抽点预览及采集。 哈尔滨工程大学硕士学位论文 支持g d i 位图叠加。 闪光灯控制输出。 绿象素灵敏度：5 5 0 n m 光源条件下，1 8 v l u x s e e 信噪比： 4 5 d b 。 动态范围：6 2 d b 。 工作温度：肌5 0 2 4b i tb a y e rr g b 视频输出。 清晰度能达到电视扫描线7 5 0 线标准。 即插即用和自动电源控制，通过u s b 2 0 接口供电，u s b 2 0 电缆可长达 5 米。 cm o u n t 标准镜头及用户定制镜头。 摄像机通过u s b 2 0 接口与笔记本电脑相连，可按照多种帧率采集不同大 小的图像，将采集的图片数送到下一级进行图像处理。 2 1 2 全景图像处理级功能与组成 图像处理级包括全景图像预处理与s i f t 特征提取两个部分。其目的是从 全景视觉传感器采集的图像中提取出可用于后续图像间匹配的特征。采集进 来的图像首先要进行预处理，包括将r g b 彩色图像转化为2 5 6 级灰度图像、 对图像进行中值滤波去杂点和解决一些图像退化上问题，得到质量较高的图 像，然后送入s i f t 特征提取模块。 由于全景图像与真实场景相比是畸变的，且含有丰富的信息，所以一般 的特征提取方法并不适合与全景图像的特征提取。移动机器人的定位要求特 征提取方法必须具有独特性与实时性，因此，我们选择尺度不变特征( s i f t ) 作为全景图像的特征提取方法。方法关于s i f t 特征提取的原理将在第3 章中 详细叙述。 我们选择在v c 十+ 6 0 环境下进行图像处理级的软件编写。考虑到程序的 可移植性与运行效率，在图像处理级算法的实现中使用了o p e n c v 库中的函 数