三維立體視覺的提取

1、三維立體視覺信息的提取一、問題背景 TOC o 1-5 h z 實現(xiàn)方法1圖像的獲取與預處理1邊緣信息提取2邊緣檢測與輪廓連結(jié)3利用線條分類識別三維物體4從二維圖像中提取三維特征的局限性6一、問題背景機器視覺是機器人感知周圍環(huán)境的主要途徑之一。所謂機器人視覺即：使機器人具有視覺感知功能的系統(tǒng)。機器人視覺可以通過 視覺傳感器獲取環(huán)境的二維圖像，并通過視覺處理器進行分析和解釋，進而轉(zhuǎn)換為 符號，讓機器人能夠辨識物體，并確定其位置。為了判斷一個物體在空間的位置和 形狀，機器人往往需要獲取兩類信息，即明暗信息和距離信息。目前成熟的光電成 像技術都只能捕獲二維明暗信息，而不能獲得距離信息，所以直接通過這

2、種途徑獲 得的機器視覺也只能是二維的。隨著科學技術的發(fā)展，三維立體視覺的解決方案也如雨后春筍般涌出，其中就 包括雙目立體視覺（多鏡頭法），狹縫光投影法，時間差法等，但是如果能夠要通 過對二維圖像（準確地說是2.5維圖像，即含有透視關系的二維圖像）的特征進行 提取，并進而得到三維信息的話，無疑可以大幅度降低系統(tǒng)的復雜度。本文將論述一種從二維圖像中提取三維信息的方法。這種方法對二維圖像的邊 緣進行識別的處理，通過邊緣的連接模式判斷出視野中物體的三維特征。這種方式 輸出的輸出結(jié)果是一種與物體的三維結(jié)構(gòu)相對應的二維特征組，后續(xù)處理也較為方 便。一、實現(xiàn)方法圖像的獲取與預處理用于進行三維特征提取的圖像是

3、一幅常規(guī)的二維灰度圖，所以使用一個常規(guī)的 CCD或CMOS圖像傳感器即可滿足要求。圖像需要進行量化處理，即把圖像信息分 成許多像素點，這些亮點經(jīng)過A/D轉(zhuǎn)換后即可輸入計算機進行處理。大多數(shù)情況下，圖像傳感器獲得的圖像并不完美，其中難免會出現(xiàn)暗點或亮點。 圖像中的這些暗點和亮點統(tǒng)稱“噪點”。噪點不僅降低了圖像的分辨率，還會對后 期的特征提取等處理造成很大的干擾，甚至引起識別錯誤。此外由于外界光線強度 的變化，圖像的亮度分布也時刻在變化，為了給形態(tài)學處理的圖像提供統(tǒng)一的條件， 計算機在把獲得圖像進行形態(tài)學處理前，必須先對其進行預處理。降噪是一種常見的預處理形式，與其對應的算法成為濾波算法。常見的濾

4、波算 法分為線性濾波和非線性濾波，線性濾波又分為均值濾波和高斯濾波等。線性濾波 器的主要原理是二維卷積，也就是把某一像素點的亮度用周圍一定范圍的像素的亮 度的某種運算組合來表示，下式就表示了一個3x3的均值濾波器的算子：非線性濾波器（如中值濾波器）雖然沒有采用卷積運算，但它也類似的在原始 圖像中取出一個范圍，并對這個把處于這個范圍的中心的像素的亮度用這個范圍內(nèi)所有像素的亮度的某種關系表示。這些濾波器都能夠在很大程度上降低噪點的出現(xiàn) 頻率，為后期的形態(tài)學處理提供條件。亮度均衡化則是用來彌補獲取的圖像曝光錯誤的一種方式。眾所周知，圖像如 果曝光不足會導致信息不明確，而曝光過度則會導致細節(jié)丟失，這都

5、是形態(tài)學處理 時不愿意遇到的情況。亮度均衡化算法就是統(tǒng)計一幅圖像的灰度直方圖，并對其做 一定的變換，使其曝光正確。邊緣信息提取二維圖像的信息量非常大，直接處理的難度非常大，所以我們必須從一副圖像 中提取出部分有用的信息，再對這些信息進行處理。邊緣輪廓信息是圖像中非常重 要的一種信息，所以往往被作為形態(tài)學處理的第一步。所謂邊緣提取算法就是把一副灰度圖像轉(zhuǎn)化為二值圖像，灰度圖像中的輪廓在 二值圖像中用1表示，而非輪廓位置用0表示。邊緣提取算法的種類非常地多，機 器人技術基礎一書中提到的算法稱為Robert算子卷積法。Robert算子可以表示 為：把Robert算子與二維圖像卷積，可以得到圖像的梯度

6、圖。實際應用中，Robert算 子邊緣定位準，但是對噪聲敏感。適用于邊緣明顯且噪聲較少的圖像分割。Roberts 邊緣檢測算子是一種利用局部差分算子尋找邊緣的算子,Robert算子圖像處理后結(jié) 果邊緣不是很平滑。由于Robert算子通常會在圖像邊緣附近的區(qū)域內(nèi)產(chǎn)生較寬的 響應，故采用上述算子檢測的邊緣圖像常需做細化處理，邊緣定位的精度不是很高。 圖2所示為利用Robert算子提取出的圖1邊緣的圖像（使用MATLAB處理）。圖1：圖像傳感器拍攝到的原始圖像圖2：用ROBERT算子提取邊緣的結(jié)果邊緣檢測與輪廓連結(jié)邊緣檢測方法的基本思想是先檢測圖像的邊緣點，再按照一定的策略連接成輪廓，從而構(gòu)成分割區(qū)

7、域。邊緣檢測主要采用各種算子來發(fā)現(xiàn)、強化圖像中那些可能 存在邊緣的像素點。邊緣檢測算子除了有Roberts算子外，還有Sobel算子和Prewitt 算子、高斯偏導濾波器以及Canny邊緣檢測器等。這里采用了一種簡單的梯度邊緣檢測算法。首先利用Y(亮度分量)構(gòu)建256級 灰度圖像，再通過設定一閾值將該圖像化成只有0和1的二值圖像，然后根據(jù)一個 點與其周圍點的關系來判斷它是否在物體輪廓上。如下圖：O kP(i ,P(i +1,P(i , j+1)P(i +1, j+1)判斷輪廓點方法示意圖f(i,j) - f(i+1,j+1)圖像中有一個點P(i,j),灰度為f(i,j),與它相鄰的3個點分別為

8、P(i,j+1)、 P(i+1,j)、P(i+1,j+1)，灰度分別是 f(i,j+1) f(i+1,j) f(i+1,j+1)。這些點 的灰度非0即1，則該四個點的灰度梯度為f(i+1,j) - f(i,j+1)D(i,j)=當Di,j) = 0時，認為P點為非輪廓點，而當D(i,j) = 0時，認為P點為輪 廓點。計算機對圖像中的每一點均按此算法予以處理后，便可知哪些點在輪廓上， 哪些點不在輪廓上。把判斷出在輪廓上的點連結(jié)起來，即成為物體的輪廓。輪廓連結(jié)的一種方法如下圖所示:在數(shù)字圖像上每一像素可以和它周圍的8個像素發(fā)生聯(lián)系，如果中心點判定是 輪廓點，而8個點中有一個被判定也是輪廓點，那么

9、就把這兩個連結(jié)起來。接著再 去判斷被連結(jié)的那個點和它周圍8個點的關系，如此類推，便可將整個輪廓連結(jié)起 來。下圖為該種算法的Matlab仿真圖：(a)待分割原圖由)邊緣檢測效果圖利用線條分類識別三維物體提取出二維圖像的輪廓信息，還不足以分析出其中的三維特征，我們必須對輪廓 信息進行進一步的模式化處理。從輪廓中提取特征。為此，可以將線條進行分類一種方法是將線條分成以下五種類型，我們把輪廓的連接點分為如圖3所示的5種 類型：圖3:五種輪廓連接點類型一幅二維圖像的三維特征往往使用輪廓連接點的拓撲圖表示，然后再把圖4中的輪廓連接點歸類到這五種類型下，結(jié)果如圖4所示:圖4:輪廓圖中連接點的分類 最后，我們在根據(jù)各個輪廓節(jié)點之間的連接關系，把圖 個拓撲的形式：4中所示的節(jié)點歸納成一圖5:輪廓連接點拓撲圖計算機中可以儲存有多種物體的拓撲圖模板，計算出這個拓撲圖后，程序只需 把這幅拓撲圖與內(nèi)存中的各種拓撲進行比較，即可得知這是一個立方體的物體。二、從二維圖像中提取三維特征的局限性雖然從二維圖像中提取圖像的三維特征的算法對設備的要求低，處理的數(shù)據(jù)量 相對較小，輸出地結(jié)果也比較規(guī)整。但是這種算法也有其局限性。首先，這種機器視覺智能識別由各種邊緣組成的較有規(guī)則的物體，而對于一些 圓滑的物體，如球等的識別效果就很不理想了。其次，這種機器視覺依賴于特定的透視角度，如果機器人的視角發(fā)生變化，處 理得