基于顏色空間映射的自適應足球機器人視覺系統*

段 勇，李 程，徐心和

(1．沈陽工業大學信息科學與工程學院，沈陽110870;2．東北大學信息科學與工程學院，沈陽110004)

機器人足球是一個集機器人技術、機械工程、圖像處理、模式識別、傳感器技術以及人工智能等多學科于一體的研究平臺［1－2］?；谠撗芯科脚_，各種人工智能和機器人學等領域的研究成果可以得到檢驗和比較，進而促進各學科的發展。足球機器人系統通過傳感器來采集外部環境信息，對其進行實時的處理，然后根據所得到的結果進行決策，最后執行相應的動作。由于視覺傳感器可以獲得豐富的環境信息，目前已成為移動機器人最重要的感知系統［3－4］。而在機器人足球比賽當中無論是場地、球門、角柱等固定目標，還是球，球員等可移動目標都具有可區分的顏色特征，因此視覺系統成為足球機器人最重要的感知系統［5－7］。足球機器人視覺系統的主要任務是根據實時采集的圖像來檢測具有顏色特征的目標并進一步感知球場中各類目標的空間信息，最后將結果提供給決策系統。目前，其基本做法是根據目標的顏色特征預先在顏色空間中建立閾值多面體或顏色查找表，在用其來分割具有顏色特征的目標。這種方法計算簡單，有較高的實時性，但其不足之處是受環境條件影響比較大。當光照條件變化時，目標表面顏色分別也會隨之變化。因此在一些情況下，基于固定顏色閾值的目標檢測方法很難滿足機器人足球比賽中顏色目標的識別要求。為了解決以上問題，一些學者采用基于目標形狀的檢測方法來克服比賽場地受光照的影響［8－9］。然而，機器人足球比賽需要綜合考慮視覺系統的快速性和魯棒性，因此基于形狀的目標分割方法很難滿足比賽實時性的要求。此外，由于比賽環境是動態變化的，往往會出現目標被部分遮擋的情況，因此形狀檢測有時不能準確檢測出目標。

為了滿足機器人足球比賽對視覺系統的要求，提高視覺系統的實時性、準確性和魯棒性，本文研究一種新的基于動態顏色閾值的目標檢測方法。該算法首先將機器人視覺系統所采集圖像的YCbCr三維顏色空間變換到一維空間(稱其為顏色映射空間)，然后在一維顏色映射空間采用動態閾值方法來分割目標。由于算法是基于一維閾值的分割方法，因此具有較高的實時性。同時，分割閾值可以根據待處理的圖像自適應地確定，而不需要現場進行顏色的采集，因此可以較好地克服光照條件對目標顏色的影響。本文主要研究在移動機器人視覺導航和中型組足球機器人中常用的前向視覺系統，研究的目標檢測方法也可以直接用于全景視覺系統，因此能夠在機器人足球比賽中得到廣泛的應用。

1 自主足球機器人視覺系統結構

足球機器人比賽是一項高速度的對抗比賽，對整個系統的實時性要求較高，因此我們設計一種分布式的結構體系，采用PC104嵌入式系統作為機器人的主處理器，采用專門的DSP圖像處理系統作為機器人的視覺系統。其中圖像采集和底層處理由DSP圖像處理系統完成，然后DSP系統通過串口將處理結果發送給嵌入式計算機系統，嵌入式系統做進一步處理得到目標的空間位置信息以及機器人自定位信息，并通過Socket方式和總控決策系統交換信息。由于圖像的數字化轉換、存儲、分析和處理等功能都由DSP系統完成，只向主機傳送少量處理結果數據，這就大大減輕了主機的負擔，可以提高整個系統的實時處理速度。

本文所使用的自行開發研制的自主足球機器人采用嵌入式系統作為機器人的核心處理器，選擇研華PCM－3370作為硬件平臺，它符合PC104嵌入式總線結構，同時具有開放型、模塊化、高可靠性等優點。在軟件方面，采用微軟Windows CE．NET。由C6711DSP主處理板、IDK背板、Unican HV－2616彩色單目CCD攝像機構成視覺硬件系統，DSP主板通過串口與嵌入式系統主板相連接進行數據傳遞。

2 自適應閾值圖像分割

基于顏色的圖像分割涉及顏色空間模型的選擇問題，常見的顏色空間模型有:RGB，HIS，YUV(YCbCr)，CMYK 等［10－11］。由于 YCbCr顏色模型符合CCIR601推薦彩色空間標準，易于實現壓縮，方便傳輸和處理，目前已被廣泛應用到計算機視頻和圖像處理之中。YCbCr中Y描述亮度信息，CbCr表示色差，這使得象素特征對Y不是很敏感，而CbCr空間幾乎包括了所有顏色信息，因此YCbCr顏色模型非常適合于基于顏色的圖像分割［10，12］。足球機器人的比賽中包含的幾種典型目標顏色，其中球為橘紅色，角柱和球門為黃色或藍色，場地為綠色，這些顏色是機器人視覺系統進行目標檢測的特征。相對于RGB等顏色模型來說，YCbCr顏色模型的各分量的顏色空間中是連續的。通過實驗分析這幾種顏色在YCbCr顏色空間種具有較好的聚類性質，也就是說對于YCbCr格式的圖像通過選擇合適的閾值可以將不同顏色的目標較好地分割出來。

2．1 顏色空間變換

由于受到光線變化等因素的影響，固定的顏色閾值很難完成分割任務，為了能夠更好地分割目標，我們使用動態閾值分割方法。由于足球機器人比賽對圖像處理算法的實時性要求較高，因此這里不使用YCbCr的多維直方圖來選擇閾值多面體，而是將原始圖像中象素的YCbCr轉換成一維顏色映射空間中新的亮度值，然后根據顏色映射空間亮度值的一維直方圖來自適應地選擇閾值。這樣做的好處是一方面可以提高算法的快速性，以滿足比賽的要求;另一方面映射的一維亮度直方圖能呈現較為明顯的波峰、波谷特征，易于使用閾值的方法來分割目標。設 A={(Y，Cb，Cr)|Y，Cb，Cr∈［0，255］}為原始輸入圖像象素的顏色矢量集合，vj=(Yj，Cbj，Crj)T，j=1，2，…，M表示集合中某一象素的顏色矢量，則顏色空間映射可以表示為:pj=f(vj)，其中pj為顏色映射空間中對應的亮度值，f(·)為空間映射函數。

設空間映射函數如下所示:

使用顏色映射空間自適應閾值分割的優勢在于分割顏色目標時，可以確定哪個波峰是需要分割的顏色目標。而直接確定原始圖像的閾值方法，沒有辦法確定哪個波峰是需要分割的顏色目標。

至此，可以得到每一個目標顏色的距離中心矢量Ci，然后根據式(1)可以進一步獲得視覺系統采集的每一幀圖像一維顏色映射亮度圖像。圖1和圖2分別表示原始彩色圖像和它的一維顏色映射圖像，圖2中橘紅色的球為要分割的顏色目標，可見映射圖像能夠較好地突出了顏色目標。

圖1 原始圖像

圖2 一維顏色映射圖像

2．2 基于小波變換的直方圖預處理

在對一維顏色映射圖像進行動態閾值分割之前，需要對它的直方圖作一些相應的處理，其目的是更容易找到動態閾值，同時加快閾值搜索的速度。該操作包括兩個方面:一是使直方圖曲線變得更為平滑，這樣做可以避免曲線中出現過多的局部波峰和波谷，這顯然更利于找到全局的最優閾值;另一方面減少直方圖的亮度維數，這相當于減小閾值的搜索空間，可以提高計算動態閾值的速度和視覺處理的實時性。

如果將圖像的亮度看作自變量，則圖像的直方圖可以看作是亮度的函數，它可以用一維曲線來表示。因此我們使用一維小波變換技術來處理圖像的直方圖數據，它可以同時滿足平滑曲線和降低搜索維數的要求。此外，小波變換的計算過程可以看作是加權求和的過程，當小波基函數緊支集時，它有很快的運算速度。因此不會給視覺處理帶來額外的計算負擔。信號函數被小波變換后分別得到低頻系數和高頻系數，低頻系數為原信號的近似部分，高頻系統為細節部分。低頻系數和高頻系數的數量各為原信號的一半，兩者的數量和與原始維數相同。因此對直方圖曲線進行小波變換，其低頻部分為原直方圖的平滑逼近。將它作為新的直方圖可以去除過多的微小波動，并可以降低一半的維數。進一步對原直方圖進行多級小波變換，它的各級低頻系數可以表示不同平滑程度的近似。圖3顯示了圖2的原始直方圖和各級小波變換直方圖，可見直方圖被逐級平滑，同時圖像亮度維數也成倍減少。小波變換級數低時，數據量大，處理數據較慢;小波變換級數高時，數據量少，但高頻細節損失過多，可能影響特征的檢測。因此在兩者之間進行折中考慮，我們選擇對原始直方圖數據進行2級小波變換。

圖3 顏色映射空間亮度及其小波變換直方圖

2．3 自適應閾值分割

直方圖中的谷底可以作為圖像分割閾值［13］。通常直方圖含有多個波峰和波谷，通過前面的分析可知一維顏色映射圖像直方圖最左邊第一個波峰后的谷底就是所要找的閾值。下面討論動態閾值的搜索方法。首先定義波谷檢測算子如下［14］:

其中，j=0，…，N－1，H(·)為直方圖曲線函數，sL(i)為波谷檢測核函數，其定義為:

其中L為檢測核維數，k和λ為可調參數。所要檢測的波谷為檢測算子r(·)梯度下降方向的過零點，如圖4所示。圖中實線為圖3(c)中的二級小波變換直方圖曲線，圖中虛線表示檢測算子r(·)曲線，其中的圓點標識了檢測到的谷底。但這個波谷值并不是最終的顏色分割閾值，因為該點對應的二級小波變換直方圖的亮度值，需要將其還原到原始圖像的亮度值。由于每次小波變換后亮度維數是原來的一半，所以將檢測到的二級小波變換直方圖的波谷值乘2即可得到原始圖像的閾值。圖5為使用動態閾值對圖2的一維顏色映射圖像的目標分割結果，可見動態閾值可以較好地分割出目標。

圖4 直方圖閾值檢測

圖5 動態閾值目標分割結果

綜上所述，機器人視覺系統的動態閾值方法描述如下:①首先搜集不同光照條件下的目標顏色采樣，然后根據式(2)得到目標顏色的聚類中心。這個過程離線進行，在足球機器人比賽或其他應用場合中，直接利用目標顏色的聚類中心，而不需要再作現場的準備工作。②在機器人視覺系統工作時，將視覺系統采集的YCbCr格式的圖像數據轉換為一維顏色映射圖像。③對一維顏色映射圖像的直方圖曲線進行小波變換得到平滑的直方圖。④通過研究的閾值檢測方法，動態地確定目標顏色分割的閾值，并將它從小波變換直方圖還原到原始映射圖像直方圖，從而得到最終的動態閾值。⑤根據該閾值在映射圖像中搜索目標，并得到目標質心等相關信息。

3 實驗結果分析

根據以上研究的自適應視覺處理方法進行實驗分析，實驗使用自行開發的嵌入式智能移動機器人，實驗環境為室內機器人足球比賽場地，實驗內容是讓機器人跟蹤移動的橘紅色足球目標，實驗在不同光照條件下進行。在實驗中機器人視覺系統根據之前獲取的橘紅色球目標顏色聚類中心，將原始圖像轉換為一維顏色映射圖像，然后動態搜索閾值，最后通過閾值分割球目標并得到目標的質心坐標。實驗中如果在當前采集的圖像中沒有檢測到目標，可以通過轉到攝像機的云臺或自身旋轉來搜索目標。圖6顯示了機器人對球目標的跟蹤，說明機器人能夠檢測的目標并對其進行定位跟蹤。

圖6 移動機器人跟蹤球

為了測試算法的有效性，分別選擇不同光照條件下含球目標的測試圖像，其中訓練集內圖像200幅，此外選擇訓練集外圖像100，以研究算法的適應性和魯棒性。使用本文的自適應閾值分割方法分割球目標，并計算分割目標的質心位置。然后分別手工選擇球的精確質心位置，從而得到兩者質心位置的像素距離誤差，實驗結果如表1所示。

表1 測試結果及誤差

此外，基于以上視覺處理方法，對比賽中常見球門和角柱目標進行分割實驗，由于這兩種目標在環境中位置固定，且具有一定高度，因此識別難度比球目標較低。實驗中同樣選擇200組訓練圖像和100組測試圖像，分別得到對角柱的分割中心平均誤差為4．3和6．8個像素，對球門分割中心平均誤差為3．8和6．4個像素?？梢娧芯糠椒▽Ρ荣惌h境中其他顏色的目標均有較好的分割結果。由于機器人和顏色目標都具有較大的尺寸，而且在實際的足球機器人比賽中對目標的位置精度并不要求十分精確，因此視覺處理結果可以滿足比賽對精度的要求。足球機器人的控制周期為40 ms，嵌入式分布視覺系統可在控制周期內完成所有視覺處理，因此可以滿足系統對實時性的要求。

4 結論

視覺系統是足球機器人最主要的感知系統，因此視覺系統的信息處理能力是決定自主機器人智能程度的關鍵。本文采用分布式多處理器體系結構，使整個系統更具開放性和實時性。在此基礎上提出了基于動態閾值的自適應目標分割算法，該算法對由于光照條件改變引起的顏色變化不敏感，因此不需要在比賽時現場采集目標顏色。最后通過實驗證明視覺系統具有較高的實時性、準確性、穩定性和可靠性，可以適應機器人足球比賽要求。

［1］ Zabawi N H B，Omar K．Robot Soccer Vision:An Overview for New Learner［C］//Proc．of the 2011 International Conference on Pattern Analysis and Intelligent Robotics，2011，125－130．

［2］ Yong Duan，Qiang Liu，Xinhe Xu．Application of Reinforcement Learning in Robot Soccer［J］．Engineering Applications of Artificial Intelligence，2007，20(7):936－950．

［3］ 李雁斌，曹作良，劉常杰，等．基于粒子濾波的全方位視覺傳感器實現移動機器人導航［J］．傳感技術學報，2009，22(5):745－750．

［4］ 李林輝，趙一兵，張明恒，等．一種用于智能車環境探測的立體視覺傳感器［J］．傳感技術學報，2009，22(9):1247－1251．

［5］ Jonker P，Caarls J，Bokhove W．Fast and Accurate Robot Vision for Vision Based Motion［J］．Lecture Notes in Computer Science，2001，2019:149－158．

［6］ Jamzad M，Sadjad B S，Mirrokni V S，et al．A Fast Vision System for Middle Size Robots in RoboCup［J］．Lecture Notes in Computer Science，2002，2377:71－80．

［7］ Murilo F M，Flavio Tonidandel，Reinaldo A C．A Fast Model-based Vision System for A Robot Soccer Team［J］．Lecture Notes in Computer Science，2006，4293:704－714．

［8］ Coath G，Musumeci P．Adaptive Arc Fitting for Ball Detection in RoboCup［C］//Proc．of APRS Workshop on Digital Image Analysing，2003，63－68．

［9］ Claudia Gonner，Martin Rous，Karl-Friedrich Kraiss．Real-Time A-daptive Colour Segmentation for the RoboCup Middle Size League［J］．Lecture Notes in Artificial Intelligence，2004，3276:402－409．

［10］ Cheng H D，Jiang X H，Sun Y，et al．Color Image Segmentation:Advances and Prospects［J］．Pattern Recognition，2001，34(12):2259－2281．

［11］ Rafael C G，Richard E W，Steven L E．數字圖像處理(Matlab版)［M］．北京:電子工業出版社，2008．

［12］崔寶俠，喬繼斌．基于Cr，Cb色彩空間的森林火焰圖像分割方法［J］．沈陽工業大學學報(自然科學版)，2009，31(1):89－92．

［13］崔寶俠，王宏，段勇．基于改進的二維Otsu法及PSO的火災圖像分割［J］．沈陽工業大學學報(自然科學版)，2010，32(1):75－78．

［14］ Amoroso C，Ardizzone E，Morreale V，et al．A New Technique for Color Image Segmentation［C］//The IEEE International Conference on Image Analysis and Processing，1999，352－357．