学习
【中图分类号】TP242 【文献标识码】A 【文章编号】1674-0688（2016）11-0043-03
室内移动机器人的定位和导航的研究一直是机器人领域的一大热点，伴随家庭服务机器人、仓储式机器人的推广应用，快速高效的室内移动机器人定位技术具有重要的研究意义。
目前，应用比较广的定位方法中利用码盘、加速度传感器等实现的被动式传感器定位方法的优点是成本低、可靠性高，但是不可避免地存在累积误差。主动式传感器定位方法中，路标定位是常用方法，该方法运用灵活、精度高，但是路标识别的效率是研究的难点。
1 二维码定位和识别技术概述
本文选取了贴于家居环境地板上的二维码[1]作为路标，每个路标处的二维码的码值即为该点的坐标值。该方法能够及时校正累计误差，确保定位精度。针对普遍存在于路标识别算法中效率低下的问题，我们提出了一种基于训练模型的几何特征提取的二维码快速识别方法。
2 二维码初定位方法改进
二维码作为路标使用时，通过图像处理对二维码进行定位和识别流程[2]的一般步骤是首先对二维码进行初定位，然后采用普遍应用的二维码识别技术[3]进行识别。本文通过改进初定位算法的速率来提升二维码识别和定位技术的时效性。
本文将二维码矩阵标签设计成矩阵阵列，向8个方向分别扩展了一个码的信息，增加了每个方向的容错能力。目前，普遍应用的传统的下采样灰度差分投影法[4]不能满足多码识别的应用要求。本文以二维码的探测块作为初定位的识别目标，提出了一种改进的几何特征评价算子，提高了初定位的识别速率。
2.1 图像分割
2.1.1 阈值分割算法对比
图像分割是进行几何特征提取的前提。本文通过对几种阈值分割方法进行实验分析，提出了适合本文应用的实时性高并且降低非二维码区域噪声的阈值分割算法。
大津法[5]的基本原理是选取最佳阈值T将像素分为2个部分，使这2个部分类间方差取最大值。大津法中灰度变化较大区域的图像灰度值对最佳阈值的决定权也较大，但是对于图像中灰度分布的区域特征及灰度分布不均这些因素没有设置评价函数进行克服。因此，大津法使用过程中对于灰度分布不均的现象会发生阈值分割失败。
简单统计法[6]的原理是将每一点对分割阈值的贡献权重用每一点邻域梯度值占梯度累加总和的比重来代替，进而计算出最终阈值。
综合表1的时间效率对分割效果对比，可以看出大津法运行速度快、效果稳定，但是自适应能力有待改善。简单统计法速度较慢，但是对单一码阈值选取效果好，可以在对速度要求不高的训练学习模型中作为阈值选取算法。
2.1.2 改进的基于阈值训练模型的自适应变阈值分割法
本文在传统算法的基础上给出了一种以大津法为主体，结合训练模型的自适应变阈值分割算法，而且由于训练信息的引入缩小了大津法阈值选取的初始区间，进一步提升了阈值选择的速率。本文论述改进的阈值分割算法中的训练模型。首先对图像分区，然后采用简单统计法对训练样本中的每个单个二维码进行阈值选取，获得单个二维码的码上最优阈值。按照分区统计每个区域最优阈值的最大值Tmax和最小值Tmin。
区间[Tmin-a×T255，Tmax+a×T255]中a的取值根据训练样本与系统真正运行时的实验图像的新旧差距决定。如果新旧差距大，则a值选取大；反之，a值选取小。根据本文的实验环境，新旧差距较小，设置a取0.2效果较好。
区间[Tmin-b×T255，Tmax+b×T255]中b值取值要求小于a值。对经过前一步筛选出来的阈值进行进一步的筛选。本区间用于为最优阈值的选取提供参考区间，去除掉根据训练信息判定的不可能作为阈值区间的候选阈值。本实验环境中b取0.1，得到了较好的实验效果。
改进的结合训练模型的阈值选取算法的总体流程如图1所示。首先在每个区域训练得到的初始区间[Tmin-a×T255，Tmax+a×T255]的指导下进行分区大津法阈值统计，获得该区域的最优阈值。然后将该最优阈值与训练获得的预选区间[Tmin-b×T255，Tmax+b×T255]进行比较，看最优阈值是否在该区间之内。如果在该区间之内，则认为该区域内二维码出现概率较高，并标记这样的区域为可能有码区域。在可能有码区域中遵从T3、T2、T1的优先顺序，选取该区域的最优阈值作为全局最优阈值，如果没有可能有码区域，直接选用T3区域的Tmin作为阈值对全图像进行分割。
2.2 基于训练信息的几何特征提取初定位算法
二维码的探测块中心是一个黑色正方形连通域，具有规则易于提取的几何特征。本文在对图像进行连通域分析的基础上，选用几何复杂度算子对连通域进行评判，进而定位二维码的探测块图形。
2.2.1 几何特征提取
首先对图像分割得到的二值图像进行游程编码[7]，然后对团块进行连通域分析，简称BLOB分析。本文采取的BLOB算法是将目标像素聚合成连通的团块，并返回团块的面积、重心位置等信息。当团块面积S满足区间 [Smin，Sman]时被标记为候选连通域和分别表示探测块的面积的上下限，是通过训练模型得到的探测块图形的先验信息。
对于前面获得的候选连通域可以用8邻域链码提取轮廓的边长。8邻域链码法就是用8个代码分别代表一个像素邻域内的8个像素，并用这8个代码組成的链码表示平面内连续的线条图像的编码方法[8]。以前述的BLOB连通域分析筛获得的重心点为搜索起点对连通域进行链码，得到链码信息。并近似认为边界上水平和垂直方向移动一个像素记为步长1，斜对角方向的一个像素移动设置为1.5。这样由链码就可以获得连通域边界的周长。
本文利用复杂度算子作为特征评价函数对不同形状的连通域进行区分。本论文选用的复杂度算子如公式（1），其含义是连通域周长的平方除以连通域的面积。
C=■（1）
本文中的目標探测块为一个正方形，根据正方形周长和面积的关系，C取值为16。因为阈值分割可能会使得目标不是严格的正方形，复杂度算子的计算值可能会有误差，所以选用通过训练模型得到的复杂度算子的取值区间作为评价函数的评价区间。
2.2.2 几何特征训练模型
几何特征训练模型通过对待识别二维码标签的识别，获得其探测块中心正方形的面积和复杂度评价算子的取值，然后相应地扩展为一个评价区间，对候选连通域进行筛选。几何特征模型需要的学习参数都可以通过预先对二维码路标的训练学习获得。
3 实验结果与分析
本节采用下采样灰度差分投影法和改进后的算法进行实验，对比算法的时间效率和稳定性。随机选取250张实验图像进行算法时间统计，给出改进算法中各部分耗时的统计信息，见表2。
表3是传统算法与改进之后算法探测块初定位部分时间效率对比。可以看出改进之后的算法在运行速度较之传统算法实现了2～3倍的提升，同时错检率低于1%，能够稳定地为移动机器人提供地面坐标信息。
4 小结
本文根据二维码探测块的几何特征设计了基于训练信息的几何特征评价算子，能够快速地识别探测块的位置。目标分割过程中，在对大量阈值分割算法实验分析的基础上，提出了一种基于训练模型的自适应变阈值目标分割方法，克服了传统阈值算法的弊端，兼顾了系统稳定性、快速性和准确性的均衡。基于训练模型的几何特征识别定位算法的运行速度较之传统算法实现了2～3倍的提升，为二维码的快速定位和识别问题提出了一种崭新的解决方法。
参 考 文 献
[1]Kato H，Tan K T.Pervasive 2D barcodes for camera phone applications[J].Pervasive Computing IEEE，2007，6（4）：76-85.
[2]屈卫锋.低质量QR二维码快速识别与软件设计研究[D].咸阳：西北农林科技大学，2016.
[3]胡秋玉.QRcode识别算法的研究与改进[D].成都：西南石油大学，2014.
[4]刘家昕，刘家朋，赵宇明.基于边缘增强的二维码区域快速检测定位算法[J].Computer Engineering，2012，38（12）.
[5]王璇，张帆，程京.基于改进最大类间方差法的灰度图像分割[J].微计算机信息，2010，26（35）：206-207.
[6]王成顺.表面缺陷检测GPU并行图像处理技术[D].合肥：合肥工业大学，2012.
[7]於正强.实时的图像连通域分析算法设计与实现[D].杭州：浙江大学，2014.
[8]王竞雪，宋伟东，赵丽科，等.改进的Freeman链码在边缘跟踪及直线提取中的应用研究[J].信号处理，2014，30（4）：422-430.
[责任编辑：钟声贤]