[发明专利]一种基于Feature-Shift和预测的视觉伺服控制方法

说明书

本发明公开了一种基于Feature‑Shift和预测的视觉伺服控制方法，包括：S1、以工件落到传送带的时刻所采集的图像作为第一帧，调用Feature‑Shift方法检测目标特征；S2、判断初始化是否成功，如果不成功则返回步骤S1，成功则进行步骤S3；S3、计算当前帧的K个特征的重心位置，预测目标状态；S4、读取下一帧的图像，调用Feature‑Shift方法检测目标特征，寻找初始帧的K个特征的匹配；S5、用找到匹配的若干特征，计算得到校正后的目标状态，作为该帧图像上目标的实际定位来驱动机械臂跟踪目标；S6、若执行工件目标抓取，则跟踪结束，否则，继续进行跟踪。本发明着力解决因工件发生偏转、远近大小变化、光照变化等情况下，目标检测存在误差进一步影响定位精度的问题。

技术领域

本发明涉及伺服控技术领域，具体涉及一种基于Feature-Shift和预测的视觉伺服控制方法。

背景技术

基于机器视觉的分拣系统是指在获知工件类型以及工件传送位置的前提下，通过图像传感器对工件进行图像采集，根据预设分析程序，引导机械臂对其进行分拣。现阶段国内外学者正对基于机器视觉的自动分拣系统进行更深一步的研究，针对分拣速度、精确度、抗干扰度等方向对分拣系统做进一步完善。

按照自动分拣系统的工作流程将其依次分为三个组成部分：目标跟踪子系统、目标识别子系统、视觉伺服机构。其中目标跟踪子系统负责在图像上定位工件目标；目标识别子系统负责对定位的工件进行识别分类；视觉伺服技术则是最后驱动执行机构(机械臂)根据工件定位信息和分类信息对工件进行分拣操作。系统涉及的机器视觉技术主要是目标跟踪技术和目标识别技术。

对于自动分拣系统，首要任务是定位工件。直接使用目标检测技术从每帧图像上检测工件目标的方法(当然也属于目标跟踪的一类方法)，虽然容易操作和理解，但适用面窄，而且每帧图像都进行检测的计算量比较大。因此，实践中更多使用针对连续多帧图像的目标跟踪方法。这类方法充分利用目标运动信息，进行目标导向的图像分析，例如Mean-Shift方法，从而提高目标跟踪计算效率和精确度，也适用于多目标的跟踪(便于后续目标识别)。

根据需要跟踪的目标自身信息的不同以及跟踪环境的不同，目标跟踪的方法大致可以分为五类：基于对比度分析的方法、基于匹配的方法、预测跟踪的方法、运动检测的方法以及其他方法。

基于对比度分析的方法是在每一帧图像中根据目标图像与目标背景的差异来锁定目标，其根据参照点的不同，一般有边缘跟踪、形心跟踪和质心跟踪，此类算法适合背景图像较为简单的目标跟踪，属于基于目标检测的跟踪方法。

基于匹配的方法是在相邻两帧图像中根据特征的匹配从而确定目标图像，特征匹配一般因特征提取方法与特征的选择不同而分为多种方法。一般选择的特征有：外形轮廓、几何形状、特征点以及子空间特征。近几年来，经常被用到的特征提取算法有：SURF算法、KLT(Kanade-Lucas-Tomasi)算法、SIFT算法和Harris算法。而有些目标的特征经常是随目标运动而变化的，为此一般用直方图统计的方法对目标特征进行描述，常用到的有边缘方向直方图和彩色直方图。

预测跟踪的方法，相比于传统的特征匹配方法，其具有一定的预测性。即跟踪目标在运动时，可以通过该方法比较准确的预测目标下一时刻到达的位置。这类方法目前比较流行，主要可以分为两类，即贝叶斯滤波跟踪方法和基于核的跟踪方法。对于前者，主要包括卡尔曼滤波(Kalman Filter，KF)方法及其变形。KF能够预估目标运动的位置，从而特征匹配只需在预估位置进行特征提取，减少了一定的工作量与检测时间。至于核方法，其直接对跟踪目标的相似概率密度函数进行连续估计，具有代表性的是Mean-shift方法。Mean-shift跟踪算法将数据点按其矢量方向收敛于一个概率密度极值点，能够稳定的定位目标位置，但是对于运动较快的目标会失效，之后又有多核跟踪算法与最优核平移算法等对其进行完善。