机器人的视觉和图像处理

在当今机器人学的领域中，最困难的工作之一就是如何让机器人 构建人工视觉系统，从而使机器人能够看清物体，从本质上来说让机 器人更像人。为了使机器人具有视觉功能，简单的把一台摄像机和一 台计算机连接以来是远远不够的。必须对摄像机生成的图像进行某种 方式的表达，才能够让计算机“看到”和“理解”这种图像。

我们紧紧通过摄像头获取到的信息其实是可以供人看和分析的，

但是机器人本身并不知道是什么意思，为了理解图像所代表的含义，

我们需要做的是图像处理或称为图像识别技术。

在这里我们仅简单的介绍一下这项技术，给出一个初步的认识。

6.6.1 计算机的图像处理

从摄像头出来的信号是像素点的集合，各个像素中包含了对应物 体的颜色灰度等信息，它们大量的整合在一起，结果组成一幅整体的 图像。如果我们的显示器的分辨率是 1024×768 的，那么它有 1024

×768=786432 个像素。当然，构成图像的像素越多，图像就越精致 越漂亮，不过计算机处理的负担就会越重，花费的时间也就越长，因 此考虑到处理效率的问题，我们应该选择合适的像素点数量。

如果摄像头每秒钟获取 30 帧的图像，计算机就必须在一秒钟之 内处理完这些图像，这样就可以获取到动态的数据，即运动的图像。

6.6.2 颜色信息的处理

视觉系统大都采用 CCD 作为摄像输入系统，其典型的输出模式 为 RGB。在识别处理中，如能采用 RGB 颜色模型，则无需换算可直

接采用 CCD 摄像机的输出值。但是理论分析和实验结果都表明，对 同一颜色属性物体，在光照光源种类、照度、物体反射特性等不同条 件下，测得的 RGB 颜色值分布很分散,3 个分量互相关联变化,占据整 个颜色空间的比例非常大,很难确定识别 RGB 的阈值范围，而且容易 把并非指定颜色的物体包括进去或漏掉应该识别的部分物体。

HSV 模型则更能接近人眼对颜色的感知。它将采集的颜色信官、

分为色调、饱和度和亮度 3 种属性量化。其中色调属性 H 能比较准 确地反映颜色种类，对外界光照条件的变化敏感程度低，从原理上说，

HSV 较之 RGB 模型更适合于用做识别处理的基础。对同一颜色属性 物体 H 具有比较稳定和较窄的数值变化范围，可以选为主识别参数。

6.6.3 颜色提取处理

下面介绍如何从各种描述颜色的方法中对某个像素的颜色，例如 球的橙色进行判断，这就涉及所谓的颜色提取处理。

判断是否为目标色的最简单的方法是检测相应的参数在设定范 围中的取值。在 HSV 表色系统中，求解目标色的条件 J 的公式如下 所示：

J=（H

_L

_U

_L

_U

_L

_U

式中（H,S,V）分别是色调、饱和度、强度。H

_L

_U

当然还有很多其他提取颜色的处理算法，这里就不多加介绍。

6.6.4 物体的识别与定位

对于图像中的像素点，我们按顺序对每个像素点进行分析、鉴定 然后进行标号。我们可以设定我们需要的颜色的值为 1，其他的颜色 就可以标号为 0，这样我们就可以在一帧图像上识别出物体的位置。

运动图像序列中的每一帧与传统的静止图像是一样的，但由于画 面中物体的运动是连续的，背景具有一定的稳定性，这就意味着上下 帧之间存在着更强的相关性。根据运动图像的这一特点，可以进行帧 间预测，即预测运动物体在下一帧可能出现的位置。如已知物体某点 在当前帧中的位置，则该点在下一帧图像中可能出现的位置就是当前 位置点加上瞬时位移。可以利用上一帧及上两帧的信息来计算瞬时位 移量及预测这一帧可能的中心点，然后从预测点开始一层层地作环状 搜索，直到搜索到该物体为止。这样即使预测得不太准确也可以在几 层内搜到。

6.6.5 机器人视觉的应用

机器人视觉应用主要分为全局视觉和局部视觉两种。如安装在仓 库顶部总揽控制全部设备或机器人的系统属于全局视觉。可以将全局 视觉系统与机器人进行通信，这样可以从全局方位和形式上对机器人 的坐标和路径进行规划。安装在机器人上面的一般为局部视觉系统，

提取的视觉信息供机器人本身分析和处理，然后做出相应的动作。