2.圖像目標識別與定位跟蹤

　　2.1目標獲取

　　目標的獲取即在攝像機采集的圖像中搜索是否有特定目標，并提取目標區域，給出目標在圖像中的位置特征點。

　　由于機器人控制實時性的需要，過于耗時的復雜算法是不適用的，因此以顏色信息為目標特征實現目標的獲取。本文采用了HSI模型，3個分量中，I是受光照影響較大的分量。所以，在用顏色特征識別目標時，減少亮度特征I的權值，主要以H和S作為判定的主要特征，從而可以提高顏色特征識別的魯棒性。

　　考慮到連通性，本文利用捕獲圖像的像素及其八連通區域的平均HS特征向量與目標像素的HS特征向量差的模是否滿足一定的閾值條件來判別像素的相似性；同時采用中心連接區域增長法進行區域增長從而確定目標區域。圖2給出了目標區域分割的算法流程。

　　圖2 目標區域分割算法流程

　　實現目標區域提取后，由于目標有一定的大小和形狀，為了對目標定位，必須在圖像中選取目標上對應的點的圖像位置。由于目標的質心點具有不隨平移、旋轉與比例的改變而變化的特點，故選取目標的質心點作為目標點。

　　質心坐標計算公式如下：

　　式中：

　　為質心坐標；n為目標區域占據的像素個數，且n≥2;（xi，yi）為第i個像素的坐標；p（xi，yi）為第i個像素的灰度值。

　　2.2目標跟蹤

　　運動目標的跟蹤是確定同一物體在不同幀中位置的過程，當運動目標被正確檢測出來時，它就對相鄰幀中檢測出的目標進行匹配。匹配過程如下：

　　2.2.1目標質心位置預測

　　目標位置預測是依據最小二平方預測原理由目標質心在本幀以及相鄰的連續前幾幀的位置值，直接預測出目標質心在下一幀的位置值。在等間隔觀測條件下，可用式（4）的簡便預測：

　　2.2.2搜索聚類的種子點

　　在搜索與上一幀圖像對應質心點匹配的點時，采用基于子塊的模式匹配方法。子模塊是由待匹配的點與周圍8個鄰點組成。由于這種方法充分考慮了特征點的統計特性，識別率大大提高。

　　首先從預測質心點開始，在100×100像素的動態窗口（以預測質心點為中心）內，按照逆時針搜索周圍8鄰域象素的趨勢進行環狀搜索，并分別計算由每個搜索象素決定的子塊與上一幀的目標質心點T決定的子塊的HS特征值之差的平方和。

　　其中P［i］［j］（i，j=0，1，2）表示由點P決定的子塊中的各個像素；T［i］［j］（i，j=0，1，2）表示由上一幀的質心點決定的子塊中的各個像素。

　　最后，判定某個點P是否與上一幀的特征點T匹配的標準為：P須同時滿足式（7，8）。

　　其中P.H表示待匹配點P的H特征值；meanH表示目標區域的平均H特征值；滿足式（8）能夠保證匹配點在目標區域內。

　　2.2.3聚類色塊區域

　　其目的是找出色塊區域，色塊區域的質心點即為特征跟蹤結果。在步驟（2）中已經找到了聚類的起始點，由于H反映圖像的色彩特性，所以根據匹配點的H特征值是否在由色塊的平均H特征值確定的某個范圍內來聚類色塊區域，即滿足式（8）。這樣既可保證識別精度，又減少了圖像信息計算量。

　　3.二次成像法

　　設Zc1，Zc2分別表示在t1，t2時刻目標與成像系統的距離（深度值）;d1′，d2′分別表示t1，t2時刻目標在圖像平面的幾何特征值，為便于表示，d1′，d2′可以是目標的像的外接圓直徑或者外接矩形的邊長，則有：

　　式（9）表明：根據同一目標、同一攝像機所攝物體的圖像幾何特征的變化，可以計算出它們在空間深度方向運動時距離所發生的變化，這就是二次成像法的原理。

　　分析式（9）可知，二次成像法能夠確定目標在攝像機坐標系中的位置，但該方法在攝相機兩次成像的位置變化不大的情況下誤差會比較大，而且不能得到目標的運動信息。為此本文提出了利用序列圖像和推廣卡爾曼濾波來估計目標的空間位置和運動信息的方法。

　　4.目標的空間位置和運動參數估計

　　由于圖像序列前后兩幀的時間間隔T很小，本文用二階微分方程來描述P點的運動軌跡。定義狀態矢量：

　　則可以定義狀態方程為：

　　其中：

　　V（k）為模型噪聲，假設V（k）為零均值的高斯白噪聲，其方差陣為Q（k）=cov（V）。

　　將式（1）離散化得

　　其中n（k）為測量噪聲。假設n（k）為零均值的高斯白噪聲，其方差陣為R（k）=cov（n）。

　　則式（10，11）組成系統的離散狀態方程和測量方程，當該系統滿足可觀測性條件時，就可以應用推廣卡爾曼濾波對目標的空間位置和運動狀態進行估計。其中r（t），v（t）分別為目標相對于車體的位置和速度，下標t代表目標，i代表成像系統，a（t）為任意的標量。

　　5.實驗結果

　　利用微軟提供的VFW視頻處理開發軟件包，由CCD攝像機和相應的視頻采集卡獲取移動機器人前的場景圖像數據，在Delphi6下開發了移動機器人視覺定位與目標跟蹤系統的完整程序。本算法在CPU主頻為500MHz，內存為 256MB環境下，對幀速率為25幀？s，圖像分辨率為320×240的共180幀視頻圖像進行了實驗，最終實現了對運動目標快速、穩定的跟蹤。圖3給出了部分幀圖像的目標定位與跟蹤結果。

　　圖3 目標定位與跟蹤結果。

　　為了驗證本文提出的對目標的空間位置和運動參數估計算法的有效性，利用獲取的目標質心點的位置時間序列對目標運動狀態進行了跟蹤仿真實驗。

　　由于仿真的相似性，本文只給出了推廣卡爾曼濾波在OZ方向的仿真結果，如圖4所示。其中圖4（a，b）分別是觀測噪聲方差為3個像素時目標在Z軸方向的位置p和運動速度v的估計誤差曲線（150次MonteCarlo運行）。其中目標的起始位置為（115，1，10）m，速度為（110，115，215）m/s，加速度為（0125，011，015）m/s2;攝相機運動為實際中容易實現的且滿足機動的條件，其初始位置為（010，015，010）m，初始速度為（015，0175，110）m/s，運動加速度為（0125，0105，015）m/s2.

　　圖4 推廣卡爾曼濾波Z方向（深度）的仿真結果

　　由仿真結果可見，隨著機器人車體的不斷機動和濾波次數的增加，目標位置的估計值在20幀左右就可收斂到理論真值，而且抖動很小，可滿足系統快速定位與跟蹤要求。

　　6.結束語

　　本文對移動機器人的局部視覺定位方法進行了深入研究。二次成像法要求攝像機第二次成像時的位置要有較大變化，從而導致利用序列圖像所獲取的目標位置信息誤差較大。與之相比本文提出的定位方法可更精確地得到目標的空間位置和運動參數。這為移動機器人的路徑規劃、伺服跟蹤等提供了更可靠的依據。