基于机器视觉的智能导览机器人控制系统设计

根据图4，系统通过hough变换检测两条直线的位置，测出图像的两条边缘线离两端的像素大小，再根据实际地面距离进行标定，便可获知机器人所在位置。

4．2 模板匹配算法

模板匹配技术是图像目标识别技术中一个重要的研究方向，具有算法简单、计算量小以及识别率高等特点，目前在目标识别领域得到广泛应用。它是用一个较小的图像，将模板与源图像相比较，确定在源图像中是否存在与该模板相同或相似的区域，若该区域存在，可确定其位置并提取该区域。它常采用模板与源图像对应区域的误差平方和作为测度。

设f(x，y)为MxN的源图像，g(s，t)为SxT(s≤M，T≤N)的模板图像，则误差平方和测度定义为：



当A为常数时，则可用2B相匹配，当D(x，y)取得最大值时，便认为模板与图像相匹配。通常假设A为常数时会产生误差。严重时将无法正确匹配，因此可用归一化互相关作为误差平方和测度，定义为：



4．3 模板匹配改进算法

但是按模板匹配算法求匹配计算工作量非常大，考虑到相关是卷积的一种特定形式以及 Matlab计算功能的强大，采用FFT方法，在频域中计算后再进行逆变换即可求出。图像和定位模板图像旋转180°的傅里叶变换后作点乘运算，再求其逆 FFT变换并返回空间域值也就相当于相关运算。在求取空间域值的最大值后，再根据最大值选取合适的阈值，便可确定目标点的位置。实验中在模板匹配成功后，可将目标和背景颜色二值化，并用红色“十”字符号标记，不断更新数据信息。将停靠点设定在自己期望的像素位置(如图像的中心位置偏下)，然后自动调整机器人位置，设计成如图5形式，可知机器人需要向右行驶。

图6为视觉导航算法流程。

5 实验结果与结论

基于以上设计，对进行机器人运动控制和路径规划进行实验。实验分别采用Matlab语言进行图像仿真，能够自动选择合适的阈值分割，并得到较好的边缘检测，然而在实验中有时会因为光照强度或其他因素影响，在进行阈值分割时不能达到理想效果，在 VC环境下能够控制机器人运动，模板匹配取得较好效果，后续将着重在Visual C++6．0环境进行图像处理方法研究。这样可以更好控制机器人运动。总之，该系统设计可使机器人能够在复杂多变的环境下准确识别图像信息，并做出正确决策，完成所需动作，从而实现既定目标。