[发明专利]基于彩色图像与深度图像的目标物体识别与定位的方法

说明书

本发明涉及一种基于彩色图像与深度图像的目标物体识别与定位的方法，其特征是，包括以下步骤：（1）机器人采用远距离HSV颜色识别确认目标区域，根据RGB彩色图像和深度图像得出距离目标区域的距离，机器人进行导航与路径规划移动至目标区域附近；（2）机器人到达目标区域附近时，通过SURF特征点检测，获得目标物体的RGB特征信息，将该RGB特征信息与预存的目标物体的RGB特征信息进行特征匹配，若符合已有物体模型，则对该目标物体进行定位；（3）由RGB彩色图像采集到成像平面，获得目标物体在成像平面中的二维坐标，由深度图像获得目标物体与摄像机的相对距离，从而获得目标物体的三维坐标。本发明能够快速判断物体类别和确定三维坐标。

技术领域

本发明涉及一种目标物体识别与定位的方法，尤其是一种基于彩色图像与深度图像的目标物体识别与定位的方法。

背景技术

随着人们对机器人功能要求的提高，移动机器人具有视觉功能，并和搭载在移动平台上的机械臂一起，“手眼”配合完成工作，已成为当前发展的趋势。而传统的视觉识别定位方法，使用单目或者双目视觉进行定位，容易受到光照变化的影响，且计算量较大。尤其是单目视觉，需要通过对同一物体不同角度拍摄图像比较来实现三维空间坐标的获取，计算较为复杂。因此，使用红外摄像机和接收机来获取物体深度图像，将大大提高效率。

深度摄像机定位目标物体的应用，普遍采用背景相减法或与帧差法等相结合来实现，如进行指定桌面物体的定位，可通过将摄像头固定于桌面上方，发现桌子上出现物体时，通过和原背景图片的对比，进行背景相减，得出目标物体的位置。但该方法适用于摄像头位置固定，机械臂固定的场合，一旦摄像头随着机器人位置进行移动，则将损失很大的定位精度。而当前的应用热点是移动机器人，将摄像机或者机械臂固定位置，也会大大影响机器人的灵活性。而机器人对于目标物体的识别，常用的有SIFT、ORB特征等方法。SIFT特征点检测最为细致，可较好的对目标物体的特征进行描述，但速度较慢，实时性差；而ORB特征检测的速度很快，实时性好，但对特征点的识别准确率低，容易发生误检测，特别是当目标物体周围有其他物体时，对识别的结果影响更大。SURF(Speed-Up Robust Features)算法较SIFT算法实时性得以提高，虽然低于ORB特征点检测的速度，但识别的准确率要优于ORB。然而SURF算法在面对目标物体周围有其他物体遮挡时，不能很好的区分出目标物体，造成特征点误检测。

发明内容

本发明的目的是克服现有技术中存在的不足，提供一种基于彩色图像与深度图像的目标物体识别与定位的方法，在远距离识别时提高机器人寻找目标物体的效率，在满足实时性要求的情况下较高准确率的识别特征点，可以快速判断物体类别，以及快速准确的实现三维坐标的确定。

按照本发明提供的技术方案，所述基于彩色图像与深度图像的目标物体识别与定位的方法，其特征是，包括以下步骤：

(1)机器人和摄像头一起运动，采用远距离HSV颜色识别确认目标区域并获得RGB彩色图像，采用深度摄像头获取深度图像；根据RGB彩色图像和深度图像得出距离目标区域的距离，机器人进行导航与路径规划移动至目标区域附近；

(2)机器人到达目标区域附近时，通过SURF特征点检测，获得目标物体的RGB特征信息，将该RGB特征信息与预存的目标物体的RGB特征信息进行特征匹配，若符合已有物体模型，则对该目标物体进行定位；

(3)由RGB彩色图像采集到成像平面，获得目标物体在成像平面中的二维坐标，由深度图像获得目标物体与摄像机的相对距离，从而获得目标物体的三维坐标。

进一步的，所述步骤(2)中，当目标物体被障碍物遮挡时，将目标物体的深度特征信息与SURF检测到的RGB特征信息相结合，获得目标物体的RGB-D特征信息，通过kNN(k-Nearest Neighbor)分类算法，和预存目标物体的RGB-D特征信息进行特征匹配。

进一步的，所述步骤(2)中，当特征匹配结构不符合已有物体模型时，机器人重新开始寻找目标区域。