对于工业机器人来说,为了完成工件的抓取任务,需要根据建立的图像坐标与空间坐标的对应关系,将图像坐标转换到空间位置坐标。可以根据小孔成像原理,建立理想的相机线性成像模型,通过该线性成像模型获得图像坐标与空间坐标的对应关系。但是现实的相机成型模型并不是理性的线性成像模型,而是非线性成像模型,相机成像的实际像素点位置与理论成像的像素点位置存在偏差,这种偏差是由相机本身原因造成的图像畸变。为了在图像中精确定位目标工件,需要利用相机的内参数和畸变系数对存在畸变的图像进行校正,可通过相机标定求解这些参数。另外,相机参数还决定了图像像素点与空间三维坐标的对应关系[1]。本课题在相机标定过程中使用标靶，使用标靶的相机标定方法是在相机的视场内放置一个参照物(标靶),该参照物上被标记了一系列坐标已知的特征点,获得参照物的图像以后,建立图像坐标系、相机坐标系和世界坐标系,并提取这些特征点的图像坐标,建立特征点的图像坐标和空间三维坐标关系的方程,最后通过求解这些关系方程得到相机的内参数和外参数。使用的标靶又分为立体标靶和平面标靶,使用立体标靶的标定研究较早,标定精度较高,但是制作立体标靶比较麻烦,如 Faugeras 等[2]就是利用立体标靶对相机的线性模型进行标定研究;为了方便相机的标定,在立体标靶研究的基础上,又使用平面标靶对相机标定进行研究,如张正友等[3]通过使用棋盘格样式的平面标靶图像来实现相机标定。
定位图像中的目标工件,感兴趣的区域只有目标工件本身,可以通过图像分割技术将目标工件与背景区域分离。图像分割可以简单地描述为使用相关的准则从图像中提取或分割出感兴趣区域的过程。图像分割将目标物体与背景图像分离,分割出的目标区域可作为方便后续图像分析的中间描述符,对视觉系统具有重要意义[4]。图像分割按照图像的表现形式可分为灰度图像分割和彩色图像分割两大类,其中,对于灰度图像分割的研究较早,提出了多种图像分割方法并取得了较好的图像分割效果。针对灰度图像的不同性质,常用的灰度图像分割方法主要是基于像素值突变和区域像素相似进行的[5]。其中,基于像素值突变的分割方法其核心是图像的边缘检测,常用的边缘检测算子有 Roberts 算子[6]、Prewitt 算子[7]、Soble 算子[8]、拉普拉斯(Laplace)算子[9]和 Canny 算子[10]等。基于区域像素相似的图像分割方法基本思想就是将像素灰度值
差异不大的相连像素划分在一起,比较经典的方法包括阈值分割法、聚类分割法和区域分裂合并生成法等[11],阈值分割法的关键在于阈值的确定;聚类分割法利用模式识别中的聚类分析方法对图像中的像素进行分类,如何减少分类过程中噪声的干扰是该方法的关键;用区域分裂合并生成法进行图像分割时,考虑并使用了图像中位置关系的信息,但是如何确定生成准则和选择种子点是该方法的难点。近年来,利用彩色图像的视觉系统也在不断地增加,许多灰度图像分割方法被用来进行彩色图像划分也取得了不错的分割效果,针对彩色图像本身的特点,一些彩色图像分割方法陆续被提出,如“Color Clustering and Learning for Image Segmentation Based on Neural Networks”[12]。目前,各种图像分割算法基本上都是针对特定图像问题的,具有通用性的图像分割方法将是图像分割领域重点研究的问题。
从视觉图像中找出目标物体是视觉系统中目标识别所要完成的任务。作为识别的依据需要对识别目标进行描述,建立目标模型作为识别的参考标准,由于识别的目标多种多样,目前的识别模型往往是针对特定目标而建立的,如何建立通用的目标识别模型方法一直是视觉识别中的一个难点[13]。目前,常用的目标识别方法有基于结构的目标识别方法、基于“假设检验”的目标识别方法和基于统计的目标识别方法[14]。将复杂的目标看作由一个个简单的基本单元组成,将每个单元的特征连同各个单元之间的结构关系作为识别的依据,这是基于结构的目标识别[15]的思想。基于“假设检验”的目标识别方法[16]也可称为基于模型的识别方法,它利用已经建立好的目标模型,将自底向上和从上而下两策略相结合来较大程度地较少目标识别过程中低层处理和匹配的时间。基于统计的目标识别方法[17]是通过对图像中各种特征进行计算和统计,并组成特征向量,使用特征向量进行目标的识别。
利用工业机器人进行工件的抓取是工业生成和加工过程中最为基础和关键的步骤。摄像机与机器人的手部末端，构成手眼系统。根据摄像机与机器人的相互位置的不同，手眼系统分为 Eye-in-Hand 系统和 Eye-to-Hand 系统。如图所示1.2。
本课题专注于手眼系统。Eye-in-Hand 系统的摄像机安装在机器人手部末端（End-Effector），在机器人工作过程中随机器人一起运动。Eye-to-Hand 系统的摄像机安装在机器人本体外的固定位置，在机器人工作过程中不随机器人一起运动。所以摄像机坐标系相对于机器人的世界坐标系总是变化的。摄像机固定在机器人的末端，所以摄像机坐标系相对于机器人末端坐标系的关系是固定的。因此，对于Eye-in-Hand 系统，手眼标定时求取的是摄像机坐标系相对于机器人末端坐标系的关系。目前，一般采用的方法描述如下：在机器人末端处于不同位置和姿态下，对摄像机相对于靶标的外参数进行标定，根据摄像机相对于靶标的外参数和机器人末端的位置和姿态，计算获得摄像机相对于机器人末端的外参数。由于求解摄像机坐标系相对于机器人末端坐标系，即手眼关系解时，引起的非线性和不稳定性，如何实现对手眼关系的有意义解的方法成为一直机器人学研究关注的焦点之一。由于对求解的不同，因此也出现了许多手眼标定不同的方法。本课题主要运用的是Tsai 的手眼标定方法[18]，对旋转部分正交化再求平移部分。但存在的问题是，对旋转部分正交化，后再求平移部分，平移解不再满足手眼矩阵。
[1] 王富治.视觉检测的几个关键问题研究:(博士学位论文).成都:电子科技大学,2010.
[2] Faugeras O D,Toscani G.The calibration problem for stereo.IEEE Computer Society Conference on Computer Vision and Pattern Recognition,Florida,1986:15~20.
[3] Zhang Zhengyou.A Flexible New Technique for Camera Calibration.IEEE Transaction on Pattern Analysis and Machine Intelligence,2000,(22)11:1330~1334.
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
