足球機器人的色標設計及其辨識算法

足球機器人的色標設計及其辨識算法

集控式足球機器人系統由視覺子系統、決策子系統、無線通信子系統和機器人小機器人系統組成。從控制理論的角度來看，這四個子系統構成了一個封閉的反反饋系統。在足球機器人比賽中，視覺系統通過懸掛在比賽現場上方的攝像頭不斷獲取比賽現場的信息，并通過圖像收集卡將獲得的模擬圖像數字化并存儲在計算機上。計算機處理的最終目的是獲得場地上車輛的方位角、球和車的坐標位置。這里包括圖像預處理、場地測量、數據恢復、圖像更正、圖像處理、，色度設計和識別算法。此外，還包括許多問題，如圖像預處理、地面測量、圖像建模、圖像更正、，色度規(guī)劃和識別算法。因此，顏色設計的質量不僅會影響其識別的精度，還會影響識別算法的設計及其復雜性。好的色度預算方案需要設計簡單，檢測算法的復雜性相對較低，檢測精度高。在這項工作中，我們重點討論了色彩設計和識別算法。1顏色標記設計和識別算法1.1不同顏色的辨識方法足球機器人視覺子系統最終要通過辨識小車的隊標和隊員標志來獲得小車的位姿信息,即小車的位置和方向角.目前所采用的色標設計如圖1所示.圖1(a)和(b)色標設計都是關于機器人中心對稱的,可通過辨識隊標和隊員標志的中心來獲得小車的中心.小車的方向角從隊標中心指向隊員標志中心的射線逆時針旋轉45°得到.該辨識算法比較簡單,系統實時性較高.但由于不同的顏色受環(huán)境的影響不同,色塊向周圍擴散的程度不同,兩個色標塊交界的區(qū)域有混色現象,這些因素都會導致很多的干擾問題.圖1(c)色標設計的辨識算法相對更為簡單,由隊標中心指向隊員標志中心的射線方向即為小車的正方向.但這種色標設計同樣存在上述問題,更易發(fā)生粘連現象.圖1(d)是通過辨識隊標的中心形狀來確定機器人的中心和角度.由于該設計中沒有隊員標志,故而各隊標的形狀或大小各不相同,以區(qū)分車號.由于只使用一種顏色,避免了同時使用多種顏色所帶來的混色,粘連等干擾問題,但由于尺寸的限制,而且色塊還必須具有表征方向信息的特殊形狀,所以色塊之間的形狀差異并不是很大,從而對角度的辨識算法提出了很高的要求,比較難以實現.圖1(e)隊標的設計具有明顯的方向性,辨識時可以得到一條明顯的隊標指向的矢量線,小車的中心可由隊標中心的位置確定,而小車的方向角和車號由隊員標志輔助決定.由于這種設計也是完全由單一色標來獲取辨識結果的,所以它具有圖1(d)色標設計的全部優(yōu)點.另外它采用隊員標志來輔助確定正方向和車號,不需要通過形狀來決定,因而避免了復雜的形狀辨識算法.1.2色標中心對稱計算截選出小車在場地中的4個特殊位置進行分析.圖2(a)是小車的隊標垂直于場地的x軸,判斷的方法通過調用圖像采集卡的庫函數得到小車中心點的位置,即色標的中心點,過色標中心建立x軸,采用統計學原理分別求出上下兩部分的中心點,并根據兩點求出色標矢量線的斜率k,從而判斷色標是否處于圖2(a)圖所示的位置.當然,當色標處于圖2(b)圖位置時亦滿足上述條件,區(qū)分圖2(a)、(b)的方法是判斷OA段或OB段位于x軸上還是y軸上,若OA段位于y軸上,即y軸方向上的色標長度大于x軸方向上的色標長度,則色標位于圖2(a)位置,反之,則色標位于圖2(b)位置.θ=arctan∑yA1/nA1?∑yB1/nB1∑xA1/nA1?∑xB1/nB1.θ=arctan∑yA1/nA1-∑yB1/nB1∑xA1/nA1-∑xB1/nB1.當色標處于圖2(b)位置,過色標中心建立y軸,采用統計學原理分別求出左右兩部分的中心點,并根據兩點求出色標矢量線的斜率k,當斜率滿足-0.175<k<0.175時θ=arctan∑yA2/nA2?∑yB2/nB2∑xA2/nA2?∑xB2/nB2.θ=arctan∑yA2/nA2-∑yB2/nB2∑xA2/nA2-∑xB2/nB2.當色標不滿足圖2(a)、(b)位置時,根據計算得出的斜率大小判斷色標的傾向,若斜率>0,則傾向如(d),若斜率<0,則色標傾向圖2(c)、(d).圖2(c)位置是色標矢量線與x軸成±45°的特殊位置,此時A1區(qū)和B1區(qū)大小相等,OA=OB,關于色標中心對稱.當滿足|OA-OB|≤3誤差范圍之內,用如下公式計算:θ=arctan∑yA3/nA3?∑yB3/nB3∑xA3/nA3?∑xB3/nB3.θ=arctan∑yA3/nA3-∑yB3/nB3∑xA3/nA3-∑xB3/nB3.當色標傾向由圖2(c)過渡到圖2(b)位置時,OA不斷增大直到最大值,OB不斷減小到最小值;當處于(b)位置時,OA取得最大值,OB取得最小值,Lmax=OAmax-OBmin,此時利用A1、B1中心點得到的矢量線和理想矢量線誤差角達到最大值26.33°,故建立一種補償算法模型如下:θ=arctan∑yA3/nA3?∑yB3/nB3∑xA3/nA3?∑xB3/nB3+(OA?OB)×26.33ΔLmax.θ=arctan∑yA3/nA3-∑yB3/nB3∑xA3/nA3-∑xB3/nB3+(ΟA-ΟB)×26.33ΔLmax.其中(OA-OB)*(26.33/Lmax)為補償角度,此模型同樣適合色標由圖2(c)向圖2(a)過渡時計算角度,因為此時OA不斷減小,OB不斷增大,(OA-OB)為負,θ向-90°趨近.同理,當色標傾向位于圖2(d)圖誤差范圍之內即|OA—OB|≤3,或由圖2(d)向圖2(b)和(a)過渡時,其計算公式分別如下:θ=arctan∑yA4/nA4?∑yB4/nB4∑xA4/nA4?∑xB4/nB4?θ=arctan∑yA4/nA4?∑yB4/nB4∑xA4/nA4?∑xB4/nB4+(OB?OA)×26.33ΔLmax.θ=arctan∑yA4/nA4-∑yB4/nB4∑xA4/nA4-∑xB4/nB4?θ=arctan∑yA4/nA4-∑yB4/nB4∑xA4/nA4-∑xB4/nB4+(ΟB-ΟA)×26.33ΔLmax.以上算法中,∑x、∑y表示某一區(qū)域內所有象素點x、y值總和,n表示某一區(qū)域內象素點的個數.用流程圖表示此算法如圖3所示.實驗證明,該算法相對簡單,能夠較好的辨識色標,在保證一定精確度的條件下,大大簡化了程序,從而提高了系統的實時性.2研究相關知識足球機器人視覺系統融合了計算機視覺