基于立体视觉的水下识别与跟踪应用

立体视觉和SLAM的相关介绍已经在之前进行了详细介绍，本节主要针对基于立体视觉的识别与跟踪进行阐述。

机器视觉经常被用于定位物体和提取位置坐标。利用特征检测确定二维图像中物体的位置包括使用该物体的输入图像来识别其在场景图像中的特征，然后利用数学方法，如随机抽样一致性，将提取的特征与场景图像中的特征进行比较，得到最适合的仿射投影矩阵，根据仿射投影给出物体的方向。另一种确定物体位置和方向的方法是基于模型的物体识别，它将物体的模型与场景的3D数据匹配。基于模型的物体识别的先决条件是产生距离图像的装置。立体视觉系统通过比较从两个有利位置拍摄的图像来提取场景的3D数据。机器人在找到物体的坐标系统中的位置给出最终需要的信息。近年来，随着机器人技术的迅猛发展，移动机器人的主要任务是在杂乱的环境中完成相应的作业。这在目标检测和抓取点识别方面提出了新的挑战，最先进的物体识别技术都需要使用距离和二维图像数据。

FilipŠuligoj等人开发的系统利用基于立体视觉的系统，从机器人工具上的标记和对象上的标记中提取空间三点的3D坐标。这使得安装非常灵活，不需要提前预设机器人的位置。应用程序工作的唯一条件是立体视觉指向两个标记，机器人上的标记被校准为中心点。当使用固定摄像机时，工作空间大小的限制来自立体视觉系统的视差范围，视差范围限制了摄像机能够提取位置坐标的距离。立体视觉系统所使用的软件具有视差范围限制，可以产生距离为0.45～1 m的距离数据，立体分辨率设置为1 080×768像素和240 mm基线。使用多智能体协作模型，通过额外的机器人来承载立体视觉系统，提高了工作空间的深度和精度。Purkovic＇等人展示了使用多智能体概念的额外好处［250］，使得在共享环境中一起工作的两个六自由度机器人的运动优化成为可能。

为了保证机器人跟踪目标并发送目标位置反馈，Abdulla等人研制了具有个自由度的立体视觉平台［251］，设计了基于模糊逻辑系统的摄像机控制器，并根据实验目的实现了模糊逻辑，实现模拟人的头部在运动中的运动。跟踪控制算法使用由大黄蜂摄像机提供的立体视觉系统，采用了MATLAB计算机视觉工具。这项工作的目的是使机器人能够像人类一样以类似的方式移动头部，将视觉集中在移动的物体上。基于图像处理技术进行目标识别和坐标估计。将模糊逻辑技术应用于移动头的控制，以便将类似人类的运动带入机器人。在这项工作中开发的方法可以扩展到任何其他可移动的机器人头部平台。

Katherine A Skinner等人在水下考古学方面提出了一种三维识别与分类的算法［252］，作为岩石分类的另一个度量，深度信息提供了沿着海底结构的重要附加线索。图5-34a显示了一个墙段的深度剖面，形成墙的较大的岩石突出地面。然而，绝对深度不能直接使用，因为地面的高度在大面积上变化，所以Skinner等人利用深度的梯度，如图5-35b所示，可以明显看出墙段与接地平面的区别，因此在横跨该段的平均深度梯度上设置一个阈值，将该段分类为结构上有意义的岩石。该方面的研究结果为水下环境下考古结构的自动提取提供了理论依据，为水下考古学家进一步分析提供了地质参考轮廓，同时也可以为其他方面的水下识别与地形考察等作业提供理论依据。(www.xing528.com)

Satish Kumar等人针对大型水下场景，考虑到光照经常变化，通过找到一组稳定的特征实现三维点的估计。为了实现该算法，使用了OpenCV库中开发的尺度不变特征变换（scale-invariant feature transform，SIFT），图像由一组SIFT特征表示。由于SIFT对图像平移、缩放、局部光照变化等具有不变性，对从SIFT中得到的关键点进行比较，利用匹配点计算相机之间的极几何，外极几何用于进一步丢弃假匹配。基于特征的方法在图像中寻找在视点、光照和遮挡的变化下鲁棒的特征，所使用的特征可以是边缘元素、拐角、线段、梯度等。

图5-34　水下墙段三维建模［253］

为了执行检查和避障任务，Lin等人在AUV上装备立体视觉系统［253］。从立体视觉系统获得的深度图像从支持路径策略的观点来看是至关重要的。通常，视场方法影响避障和检查的响应。此外，采用宽视角来增加检测到的环境细节的量，能见度通常受限于低照度和浊度水平，因此近程识别能力是必要的，Lin等人基于多个检测点与可视性分配提出了一种深度测量技术。

基于立体视觉的识别与跟踪技术现阶段并不太成熟，在水下的应用就更少，未来为了实现水下机器人自主作业，在该方面的研究能够起到至关重要的作用。