基于直線段匹配的移動機器人的障礙物檢測

然后，根據每組候選直線段對間內部像素點的灰度直方圖計算這兩條線段的相關性。因為屬于同一個物體的像素點的灰度直方圖有一個明顯的凸峰，所以把凸峰占整個直方圖面積的百分比作為計算候選直線段對相關性的第一個度量值定為inner_rela。

屬于物體中的像素點的灰度值與它所處背景的像素點的灰度值相差比較大。所以把計算候選直線段對相關性的第二個度量值定為

。T1為兩直線段間像素的灰度平均值，T2為兩直線段構成區(qū)域的背景灰度平均值。因為

，所以把exter_rela除以255(作歸一處理)，使得

。

總的相關性度量值=inner_rela×exter_rela。如果總的相關性度量值超過一定的閾值，則這一組候選直線段對屬于同一個物體的左右邊緣。

inner_rela的計算方法介紹如下：

Stepl：計算這兩條直線段之間的區(qū)域中的像素點的灰度分布直方圖。

Step2：直方圖存在一個明顯的凸峰，計算出凸峰的位置Peak，并取凸峰鄰域為[Peak-T，Peak+T]，本文取T=32。對灰度值處在凸峰鄰域[Peak-T，Peak+T]的像素點的個數進行累加，累加值Count存儲到變量中。

Step3：inner_rela=Count／(整個直方圖象素點的總數)。

最后，把配對成功的候選直線段對的相應端點進行連接，構造出的四邊形作為物體的抽象輪廓。因為這些四邊形之間會產生連接、包含、重疊等現象，所以取經過輪廓疊加產生的圖像做為最終目標圖像，從而在圖像中實現對物體的定位。

4實驗分析

本算法在室內進行了大量實驗后發(fā)現，對圖像中存在的棱柱狀、棱臺形狀物體以及圓柱狀、圓臺形狀物體能夠實現90％的檢測率；而對邊緣為曲線的物體以及其他不規(guī)則物體的檢測就根本不適用了。當評判匹配相關性的閾值設得偏大時漏檢的概率變大，偽檢的概率變小，反之亦然。

本文算法對于一副圖像的測試結果如圖4(a)～(e)所示，移動機器人平臺上的彩色CCD攝像頭拍攝的圖像包含了一個紙箱、一個疊加在紙箱上的黑色鋼管以及一個低矮的黃色木頭盒子。對彩色圖像運用顏色轉換程序，轉換成灰度圖(圖4(a))；在線段圖(圖4(d))中灰度值為128的線段是負線段，灰度值為0的線段是正線段；輸出的最終結果(圖(4)e)中直線配對每成功一次，相應的區(qū)域像素點的灰度值減去100。

本文提出的利用直線段匹配檢測障礙物的方法，不需要事先學習障礙物的2D圖像模式，避免了使用計算量大的光流法和立體視覺方法。試驗結果表明該方法能有效地實時檢測障礙物。

下一步還需要研究如何將圖像檢測出的障礙物信息與移動機器人的激光雷達數據相融合，以及加入距離信息來提高障礙物檢測的準確率和可靠性。