基于直線(xiàn)段匹配的移動(dòng)機器人的障礙物檢測

然后，根據每組候選直線(xiàn)段對間內部像素點(diǎn)的灰度直方圖計算這兩條線(xiàn)段的相關(guān)性。因為屬于同一個(gè)物體的像素點(diǎn)的灰度直方圖有一個(gè)明顯的凸峰，所以把凸峰占整個(gè)直方圖面積的百分比作為計算候選直線(xiàn)段對相關(guān)性的第一個(gè)度量值定為inner_rela。

屬于物體中的像素點(diǎn)的灰度值與它所處背景的像素點(diǎn)的灰度值相差比較大。所以把計算候選直線(xiàn)段對相關(guān)性的第二個(gè)度量值定為

。T1為兩直線(xiàn)段間像素的灰度平均值，T2為兩直線(xiàn)段構成區域的背景灰度平均值。因為

，所以把exter_rela除以255(作歸一處理)，使得

。

總的相關(guān)性度量值=inner_rela×exter_rela。如果總的相關(guān)性度量值超過(guò)一定的閾值，則這一組候選直線(xiàn)段對屬于同一個(gè)物體的左右邊緣。

inner_rela的計算方法介紹如下：

Stepl：計算這兩條直線(xiàn)段之間的區域中的像素點(diǎn)的灰度分布直方圖。

Step2：直方圖存在一個(gè)明顯的凸峰，計算出凸峰的位置Peak，并取凸峰鄰域為[Peak-T，Peak+T]，本文取T=32。對灰度值處在凸峰鄰域[Peak-T，Peak+T]的像素點(diǎn)的個(gè)數進(jìn)行累加，累加值Count存儲到變量中。

Step3：inner_rela=Count／(整個(gè)直方圖象素點(diǎn)的總數)。

最后，把配對成功的候選直線(xiàn)段對的相應端點(diǎn)進(jìn)行連接，構造出的四邊形作為物體的抽象輪廓。因為這些四邊形之間會(huì )產(chǎn)生連接、包含、重疊等現象，所以取經(jīng)過(guò)輪廓疊加產(chǎn)生的圖像做為最終目標圖像，從而在圖像中實(shí)現對物體的定位。

4實(shí)驗分析

本算法在室內進(jìn)行了大量實(shí)驗后發(fā)現，對圖像中存在的棱柱狀、棱臺形狀物體以及圓柱狀、圓臺形狀物體能夠實(shí)現90％的檢測率；而對邊緣為曲線(xiàn)的物體以及其他不規則物體的檢測就根本不適用了。當評判匹配相關(guān)性的閾值設得偏大時(shí)漏檢的概率變大，偽檢的概率變小，反之亦然。

本文算法對于一副圖像的測試結果如圖4(a)～(e)所示，移動(dòng)機器人平臺上的彩色CCD攝像頭拍攝的圖像包含了一個(gè)紙箱、一個(gè)疊加在紙箱上的黑色鋼管以及一個(gè)低矮的黃色木頭盒子。對彩色圖像運用顏色轉換程序，轉換成灰度圖(圖4(a))；在線(xiàn)段圖(圖4(d))中灰度值為128的線(xiàn)段是負線(xiàn)段，灰度值為0的線(xiàn)段是正線(xiàn)段；輸出的最終結果(圖(4)e)中直線(xiàn)配對每成功一次，相應的區域像素點(diǎn)的灰度值減去100。

本文提出的利用直線(xiàn)段匹配檢測障礙物的方法，不需要事先學(xué)習障礙物的2D圖像模式，避免了使用計算量大的光流法和立體視覺(jué)方法。試驗結果表明該方法能有效地實(shí)時(shí)檢測障礙物。

下一步還需要研究如何將圖像檢測出的障礙物信息與移動(dòng)機器人的激光雷達數據相融合，以及加入距離信息來(lái)提高障礙物檢測的準確率和可靠性。