劉璧鉞，趙章焰

基于改進LSD和AP聚類的路徑邊緣識別策略

劉璧鉞，趙章焰

(武漢理工大學物流工程學院，湖北 武漢 430063)

起重機金屬結(jié)構(gòu)攀爬機器人的路徑邊緣識別策略分為3個步驟。①圖像預(yù)處理，利用改進的過顏色算子進行灰度化；②使用基于支持向量機(SVM)最優(yōu)分類線的方法確定梯度閾值，并增設(shè)主方向角約束，改進線段分割檢測(LSD)算法，得到直線段檢測圖像；③對直線段進行特征提取，構(gòu)建聚類數(shù)據(jù)集，基于數(shù)據(jù)集動態(tài)變化的特點，將基于先驗信息的判別模型與近鄰傳播(AP)聚類算法相結(jié)合，改進AP聚類算法，對直線段進行聚類，篩選出構(gòu)成路徑邊緣的直線段，并擬合得到最終的路徑邊緣線。實驗結(jié)果表明，相較AP聚類和其他聚類算法，改進AP聚類算法的篩選準確率最高；基于改進LSD和AP聚類的路徑邊緣識別策略的識別成功率為96%，且滿足精度和實時性要求。

邊緣識別；過顏色算子；LSD；SVM；特征提??；AP聚類

目前，國內(nèi)外對起重機的檢測主要依靠人力攀爬完成，風險大、效率低。因此，開發(fā)應(yīng)用于大型起重機械的攀爬機器人，可降低對起重機保養(yǎng)、維護、檢測的風險，提高工作效率。大型起重機的金屬結(jié)構(gòu)總體尺寸大，顏色單一，如圖1所示。

圖1 大型起重機械

攀爬機器人的路徑識別對象主要是起重機金屬結(jié)構(gòu)等結(jié)構(gòu)化路徑。目前常見的結(jié)構(gòu)化路徑識別研究包括公路車道線識別[1]、變電站巡檢機器人導(dǎo)引路徑識別[2]、AGV小車導(dǎo)引路徑識別[3-4]、智能汽車賽道識別[5]等。上述結(jié)構(gòu)化路徑具有顯著特點：背景顏色單一，路徑處于二維平面內(nèi)，環(huán)境干擾較少，路徑表面缺陷較少，路徑顏色和地面背景顏色差別較大，故其邊緣更易于識別。

相較于上述常見的位于二維平面上的結(jié)構(gòu)化路徑，金屬結(jié)構(gòu)路徑處于三維空間中，環(huán)境與背景更為復(fù)雜多變，路徑表面缺陷更多，導(dǎo)致路徑圖像中的干擾直線段更多，路徑邊緣提取更為困難。結(jié)合起重機金屬結(jié)構(gòu)路徑的特點，本文提出一種基于改進線段分割檢測(line segment detector, LSD)算法和近鄰傳播(affinity propagation, AP)聚類算法的路徑邊緣識別策略。整體流程如圖2所示。

圖2 識別策略流程圖

LSD算法的目標在于檢測圖像中局部、平直的輪廓，對于被遮擋或局部模糊的路徑邊緣線，經(jīng)常會被割裂為多條短直線。因此，需從LSD算法檢測得到的所有直線段中，剔除干擾直線段，篩選出構(gòu)成路徑邊緣的直線段。本文基于支持向量機(support vector machine, SVM)最優(yōu)分類線的方法確定梯度閾值，并增設(shè)梯度閾值和主方向角約束，改進LSD算法，降低檢測出的干擾直線段數(shù)量。

由于直線段檢測圖像始終隨路徑圖像動態(tài)變化，因此難以確定合適的直線段特征，使其在不同圖像中，均能穩(wěn)定且準確地區(qū)分路徑邊緣線和干擾直線段。常見的基于特征約束和機器學習的路徑邊緣識別方法[6-7]不適用于本研究。

基于此，本文對每一幅直線段檢測圖像，提取合適的直線段特征，采用聚類算法，將特征相似的路徑邊緣線聚為一類并進行篩選。同時，基于聚類數(shù)據(jù)集動態(tài)變化的特點，將基于先驗信息的判別模型與AP聚類相結(jié)合，改進AP聚類算法[8-9]。該算法無需調(diào)節(jié)參數(shù)，聚類結(jié)果準確度高、實時性強，可實現(xiàn)自適應(yīng)聚類，適用于動態(tài)變化的聚類樣本。

1 圖像預(yù)處理

基于金屬路徑顯著的顏色特征，本文通過構(gòu)建RGB顏色空間下的過顏色算子對路徑圖像進行灰度化，過顏色算子用于凸顯具有明顯顏色特征的前景區(qū)域。通過確定需要凸顯的顏色特征，將其對應(yīng)的顏色分量記為主顏色分量，讓每個像素點的主顏色分量減去其他顏色分量，并保證主顏色分量的權(quán)值絕對值等于其他顏色分量的權(quán)值絕對值之和。記(，)為像素點(，)處的灰度值，傳統(tǒng)過顏色算子灰度化的公式為

其中，算子、算子和算子分別對應(yīng)于凸顯彩色圖像中的紅色、綠色和藍色區(qū)域。

本文在傳統(tǒng)過顏色算子的基礎(chǔ)上進行改進。不僅考慮路徑區(qū)域像素點的主顏色分量，還將其余2種顏色分量細化為更小的次顏色分量和最小的末顏色分量。根據(jù)3種顏色分量的相對大小關(guān)系，將主、末、次顏色分量的權(quán)值依次設(shè)為(>2)、–(–1)、–1。這樣不但保證了主顏色分量的權(quán)值絕對值等于其余顏色分量的權(quán)值絕對值之和，而且通過增大被減數(shù)的權(quán)值，增大較小的減數(shù)權(quán)值，降低較大的減數(shù)權(quán)值，進一步提升了路徑區(qū)域灰度值，增大了路徑區(qū)域和背景區(qū)域的灰度差異，從而增大了路徑邊緣處梯度值，有利于路徑邊緣線的檢測。改進過顏色算子灰度化的公式為

起重機金屬結(jié)構(gòu)路徑表面存在漆面脫落、金屬銹蝕、漆面污漬、光照陰影等表面缺陷區(qū)域，這些缺陷區(qū)域具有和路徑區(qū)域相同的主顏色分量，只是分量值較低，因此在灰度圖中表現(xiàn)為暗區(qū)域，其邊緣梯度會導(dǎo)致干擾直線段的誤檢測。適度增大值可有效提升暗區(qū)域的灰度值，削弱暗區(qū)域，降低其邊緣梯度值，如圖3所示。

對于削弱后的暗區(qū)域，其邊緣梯度遠遠小于路徑邊緣梯度，如圖3中的三維灰度圖所示。故通過增設(shè)梯度閾值約束，可消除由金屬路徑表面缺陷導(dǎo)致的干擾直線段。

2 路徑邊緣線識別

得到經(jīng)預(yù)處理的路徑灰度圖之后，需用邊緣檢測算法得到直線段檢測圖像。相比于傳統(tǒng)的Sobel，Log，Canny等邊緣檢測算法，LSD算法精度更高，處理速度更快且無需調(diào)節(jié)參數(shù)；同時，LSD算法可輸出每條直線段在像素坐標系下的斜率k、截距b、端點的像素坐標及長度參數(shù)，便于獲取用于聚類的直線段特征，如圖4所示。因此本文采用LSD算法檢測直線段。

然而，起重機金屬結(jié)構(gòu)錯綜復(fù)雜，背景區(qū)域往往會出現(xiàn)和路徑區(qū)域具有相同顏色特征的非路徑金屬結(jié)構(gòu)；同時，路徑表面存在各種表面缺陷。因此，由LSD算法得到的直線段檢測圖像會包含很多干擾直線段。本文需提出一種路徑邊緣線識別策略，準確篩選出構(gòu)成路徑邊緣的直線段。

2.1 LSD算法基本原理

LSD是一種直線分割檢測算法[10]。該算法基于每個像素點的梯度方向和梯度幅值，通過約束規(guī)則，對滿足約束的像素點進行區(qū)域生長，生成線支持區(qū)域，作為直線段檢測的候選對象。通過線支持區(qū)域的最小外接矩形，可判定該線支持區(qū)域是否為一個直線段。

(a)=3

(b)=4

(c) m=5

圖4 輸出直線段參數(shù)

2.2 改進LSD算法

傳統(tǒng)LSD算法中，滿足要求的線支持區(qū)域被檢測為直線段。因此，本文對線支持區(qū)域增設(shè)梯度閾值和主方向角約束，改進LSD算法[11-12]，有效降低傳統(tǒng)LSD算法檢測出的干擾直線段數(shù)量。

2.2.1 梯度閾值約束

圖像預(yù)處理后，削弱了常見金屬表面缺陷造成的暗區(qū)域，增大了暗區(qū)域邊緣與路徑邊緣的梯度差值。本文通過增設(shè)梯度閾值，消除上述暗區(qū)域邊緣造成的干擾直線段。像素點梯度值按照2×2的掩模計算，像素坐標系下，記像素點(，)處的灰度值為(,)，梯度值(,)，即

其中，

梯度閾值應(yīng)大于暗區(qū)域邊緣處像素點的梯度值，小于路徑邊緣處像素點的梯度值。梯度值小于的像素點被拒絕參與線支持區(qū)域的構(gòu)建，從而使輸出的直線段不包含暗區(qū)域邊緣干擾直線段。

通過將灰度圖像轉(zhuǎn)換為梯度圖像，可利用大津閾值法自適應(yīng)地確定每一幅梯度圖像的梯度閾值。但由于大津閾值法是一個基于圖像全局的閾值分割方法，確定時，考慮了梯度圖像中大多數(shù)梯度值為0的像素點，故得到的極小，無法保證大于暗區(qū)域邊緣處的梯度值。

因此，基于暗區(qū)域邊緣和路徑邊緣梯度值的巨大差異，本文提出一種基于二分類SVM最優(yōu)分類線的方法確定，使其能適用于所有圖像。共有400幅訓練集路徑圖像，在獲取訓練數(shù)據(jù)時，只需獲取每一幅圖像中，使暗區(qū)域造成的干擾直線段全部消失的最小梯度閾值U，使路徑邊緣線開始消失的最小梯度閾值H。通過得到分割和兩類數(shù)據(jù)的最優(yōu)分類線，確定。步驟如下：

步驟1.獲取訓練集數(shù)據(jù)。由于LSD算法可設(shè)置梯度閾值，故本文采用從小到大遍歷梯度閾值的方法，對LSD的梯度閾值參數(shù)由小到大進行取值，觀察直線段檢測圖像的結(jié)果，從而確定每一幅圖像對應(yīng)的U和H。

步驟2.添加標簽。所有U構(gòu)成集合U，將U內(nèi)所有數(shù)據(jù)的類別標簽設(shè)為–1；所有H構(gòu)成集合H，將H內(nèi)所有數(shù)據(jù)的類別標簽設(shè)為1。則訓練數(shù)據(jù)集={(1,1), (2,2),···,(800,800)}，=(1,2)，1為訓練集圖像標號，2為U和H包含的梯度閾值，∈{–1, 1}。

步驟3.用訓練SVM，得到能將U和H分開的最優(yōu)分類線。圖5中黑線為SVM確定的最優(yōu)分類線，圈出的數(shù)據(jù)點為支持向量。令為最優(yōu)分類線中點對應(yīng)的梯度閾值。

圖5 SVM分類圖像

={|為支持向量在訓練數(shù)據(jù)集中的下標}，將1=200代入式(4)，解得2== 45.84。

基于SVM最優(yōu)分類的思想，梯度閾值能實現(xiàn)對U與H兩類數(shù)據(jù)的最佳分割，并具有最大分類間隔。由此得到的可保證使暗區(qū)域干擾直線段全部消失的同時，不影響路徑邊緣線的檢測。

通過梯度閾值約束，路徑區(qū)域內(nèi)部因表面缺陷導(dǎo)致的干擾直線段被有效抑制，從而使檢測出的干擾直線段都位于路徑邊緣線外的背景區(qū)域，并作為先驗信息構(gòu)建判別模型，改進AP算法。

2.2.2 主方向角約束

本文將LSD算法中，線支持區(qū)域最小外接矩形的主慣性軸方向作為其對應(yīng)的直線段朝向。通過將主慣性軸方向角約束于指定角度范圍，可使LSD算法檢測出的直線段傾角均位于上述范圍，改進LSD算法?；诖耍ㄟ^將路徑邊緣線傾角所在范圍作為角度約束范圍，可剔除與路徑邊緣線傾角差異較大的干擾直線段，降低其數(shù)量。設(shè)右、左路徑邊緣傾角約束范圍為[1,2]、[3,4]。

通過將線支持區(qū)域看做一個實體，其內(nèi)每個像素點的梯度值作為像素點的質(zhì)量，整個實體的質(zhì)心作為最小外接矩形的中心點。記線支持區(qū)域為，其內(nèi)像素點的坐標為(x,)，梯度值為(x,y)，則矩形的中心點(c,c)為

矩形的主慣性軸方向為矩陣的最小特征值對應(yīng)的特征向量角度為

記特征值和2維列向量=(1，2)T，使

2.3 平面位置約束

由于構(gòu)成左路徑邊緣的直線段不會整體位于中軸線右側(cè)；構(gòu)成右路徑邊緣的直線段不會整體位于中軸線左側(cè)。因此，通過約束直線段端點的橫坐標，使所有<0的直線段均整體位于中軸線左側(cè)，>0的直線段均整體位于中軸線右側(cè)，剔除圖6(a)中的綠色干擾直線段2，得到圖6(b)。

圖6 平面位置約束檢測圖像

2.4 直線段聚類

經(jīng)梯度閾值、傾斜角和平面位置約束后，顯著減少了LSD算法檢測出的干擾直線段數(shù)量，干擾直線段均位于路徑邊緣線外側(cè)的背景區(qū)域，且和同側(cè)路徑邊緣線的斜率正負相同，并位于約束范圍內(nèi)，得到最終用于聚類的直線段檢測圖像，定義為聚類樣本圖像，如圖6(b)所示。

2.4.1 直線段特征提取

結(jié)合LSD算法輸出的直線段參數(shù)，對于每一幅聚類樣本圖像，將位于中軸線左、右兩側(cè)的直線段各作為一個聚類樣本集，分別提取特征并進行聚類操作，依次識別出左、右路徑邊緣線。提取的特征應(yīng)滿足：路徑邊緣線之間的特征差異較小，路徑邊緣線和干擾直線段之間的特征差異較大。特征提取如圖7所示，對于聚類樣本圖像中的所有直線段，將每條直線段延長至與圖像邊緣相交，使每條直線段都對應(yīng)一個直角三角形。直角三角形的兩直角邊L與W，點到直線的距離d以及直角三角形的面積S，都可作為直線段的聚類特征。由于上述4個特征之間具有相關(guān)性。本文從4個特征之中選取S和L這2個特征作為最終的直線段聚類特征，將4維特征向量降為2維特征向量，方便聚類的同時仍保留了區(qū)分能力。

圖7 特征提取模型

2.4.2 AP聚類

AP聚類[13]是2007年在Science上提出的一種聚類算法，其特點為：無需指定聚類個數(shù)和聚類中心，將所有數(shù)據(jù)點視為潛在聚類中心，對數(shù)據(jù)的初始值、異常值不敏感。該特點適用于本文動態(tài)變化的數(shù)據(jù)集。

AP算法的基本思想是將全部數(shù)據(jù)看作網(wǎng)絡(luò)節(jié)點，將所有節(jié)點視為潛在聚類中心，通過計算節(jié)點間的相似度，構(gòu)成相似度矩陣，再通過節(jié)點間的消息傳遞，找到最合適的聚類中心[14]。

節(jié)點間傳遞的消息分為吸引度和歸屬度。吸引度(,)反映點適合作為點的聚類中心的吸引程度；歸屬度(,)反映點選擇點作為其聚類中心的歸屬程度。(,)與(,)越強，點作為聚類中心的能力越大。AP聚類分為4個步驟：

步驟1. 初始化吸引度和歸屬度矩陣為0矩陣，并計算相似度矩陣，確定參考度，本文取相似度矩陣元素的中位數(shù)；

步驟2. 計算吸引度和歸屬度，即

步驟3.更新吸引度和歸屬度。為阻尼系數(shù)，用于調(diào)節(jié)收斂速度和迭代穩(wěn)定性，本文取=0.7，即

步驟4.若迭代次數(shù)超過設(shè)定值或者聚類中心在若干次迭代后保持不變，則停止計算。取(,)與(,)之和最大的作為聚類中心，并依據(jù)聚類中心對數(shù)據(jù)點進行分類；否則返回步驟2循環(huán)。

2.4.3 改進AP聚類

由于數(shù)據(jù)存在誤差，AP聚類得到的路徑邊緣線所在類別可能包含干擾直線段，或未包含全部路徑邊緣直線段。為了對路徑邊緣線進行更為精確的聚類，本文在AP聚類的基礎(chǔ)上，結(jié)合基于先驗信息的判別模型，改進AP聚類算法[15-16]。

為提高判別效率，只提取特征作為判別依據(jù)。記聚類數(shù)據(jù)集={1,2,···,,···,}，=(S,L)為直線段對應(yīng)的特征向量，AP聚類后的個類別為{1,2, ···,C, ···,C｝。計算每個類別C中特征的平均值，記為ave-v，類別C的聚類中心記為core-v。本文可獲得的先驗信息如圖8所示。

圖8 先驗信息

確定core-path后，設(shè)置路徑邊緣線識別半徑，用于添加未識別的路徑邊緣線或剔除干擾直線段。距core-path對應(yīng)的路徑邊緣線距離為0.035且平行的2條直線圍成的梯形面積記為tra，取=0.5·tra，則識別半徑，即

其中，，，分別為對應(yīng)的路徑邊緣直線段的斜率、特征和特征。

結(jié)合先驗信息的判別模型流程如下：

步驟1.基于先驗信息1、2，經(jīng)AP聚類得到path，其聚類中心core-path對應(yīng)特征core-path，其他類別的聚類中心core-v對應(yīng)特征core-v；

步驟2.計算∣core-path－core-v∣是否小于，對于小于的core-v，將其聚類中心core-v對應(yīng)的類別C合并到path中，得到′path，′path的聚類中心記為等效聚類中心core-path，其值為原來的core-path與合并進來的其他core-v的均值，core-path對應(yīng)特征core-path；

步驟3.計算path內(nèi)其他數(shù)據(jù)點的特征與core-path的距離。若小于，則該數(shù)據(jù)點對應(yīng)的直線段被判別為路徑邊緣線；若大于，被判別為干擾直線段，并從path中剔除，得到最終識別出的路徑邊緣線所在類別path-final。

判別過程如圖9所示，對應(yīng)上述3個步驟。

判別模型將C劃入path，并在合并得到′path后，剔除干擾直線段，最終確定出路徑邊緣線類別path-final。由于該判別模型選用類別的聚類中心作為判別依據(jù)，故對由數(shù)據(jù)誤差造成的異常點不敏感，可靠性更好；并且參數(shù)能隨樣本自適應(yīng)變化，能自主實現(xiàn)對不同樣本的精確篩選。

利用LSD算法輸出的直線段信息，獲得′path-final中直線段的端點坐標，作為路徑邊緣線的擬合點，擬合得到的直線作為路徑邊緣線。

圖9 判別流程圖

3 實驗與分析

本文采用Matlab R2017b平臺進行算法仿真測試。路徑圖像分別取自國內(nèi)3個港口的起重機械以及本學院的港口起重機裝備實驗平臺，共包含500張樣本圖片，圖片大小分為640×480和480×640兩種。

3.1 圖像預(yù)處理

用改進過顏色算子灰度化，設(shè)置主分量系數(shù)=4，并和傳統(tǒng)過顏色算子進行對比，測試示例如圖10所示。可以看到，用改進過顏色算子灰度化后，路徑區(qū)域和背景區(qū)域的灰度值差異較大，路徑邊緣明顯，且由表面缺陷導(dǎo)致的暗區(qū)域被有效削弱，灰度化效果顯著優(yōu)于傳統(tǒng)過顏色算子。

3.2 改進LSD算法測試

基于SVM的最優(yōu)分類線，得到梯度閾值= 45.84。在本文實驗環(huán)境下，對500幅路徑樣本圖像進行分析，得到路徑邊緣線斜率的絕對值始終位于[2,4]之間，且路徑邊緣線傾角的變化幅度不超過15°，故將[2,4]設(shè)置為LSD算法的角度約束范圍。測試示例如圖11所示。

圖10 圖像預(yù)處理

圖11 改進LSD檢測圖

可以看到，經(jīng)梯度閾值、主方向角、平面位置約束后，路徑表面由暗區(qū)域?qū)е碌母蓴_直線段被有效清除，檢測出來的直線段斜率||∈[2,4]。500幅樣本圖像中，僅有8幅圖像的路徑區(qū)域干擾直線段未被全部清除，成功率為98.4%，可見基于SVM的梯度閾值選取結(jié)果較為可靠。若需改變角度約束范圍，在保證路徑邊緣線斜率始終位于約束范圍之內(nèi)的前提下，可更改LSD算法的角度約束范圍。

3.3 路徑邊緣線聚類測試

聚類樣本圖像如圖11(c)所示。本文列舉7個變化的數(shù)據(jù)集，使用改進AP聚類算法篩選路徑邊緣直線段，測試示例如圖12所示。圖中紅色虛線框為最終識別出的路徑邊緣線類別′path-final，其包含的數(shù)據(jù)點為最終篩選出的路徑邊緣直線段對應(yīng)的數(shù)據(jù)點，在樣本數(shù)據(jù)表中標紅表示，聚類中心數(shù)據(jù)點的標號注明星號。為方便顯示聚類結(jié)果，將特征放大100倍。

本例中，Cpath的聚類中心Icore-path對應(yīng)直線段1，識別半徑ρ=2349。改進AP算法得到的C′path-final與AP算法得到的Cpath相同，因此兩種算法對路徑邊緣線的篩選結(jié)果相同(a) 樣例1本例中，Cpath的聚類中心Icore-path對應(yīng)直線段1，識別半徑ρ=2504，改進AP算法得到的C′path-final與AP算法得到的Cpath相同，因此兩者對路徑邊緣線的篩選結(jié)果相同(b) 樣例2 本例中，Icore-path對應(yīng)直線段14，識別半徑ρ=2582。C′path-final剔除了Cpath中標號13的干擾直線段，因此改進AP聚類優(yōu)化了AP聚類的篩選結(jié)果(c) 樣例3本例中，Icore-path對應(yīng)直線段2，識別半徑ρ=2981。Cpath首先合并了以直線段6為聚類中心的類別，然后依據(jù)等效聚類中心剔除了標號1的干擾直線段，得到C′path-final。故改進AP聚類優(yōu)化了AP聚類的篩選結(jié)果(d) 樣例4

由圖12可知，面對數(shù)據(jù)個數(shù)、數(shù)據(jù)大小、數(shù)據(jù)分布及數(shù)據(jù)密度都不同的聚類數(shù)據(jù)樣本，改進AP聚類算法均能自主判斷最佳聚類個數(shù)和聚類中心，從而準確篩選出所有構(gòu)成路徑邊緣的直線段，無需手動調(diào)節(jié)參數(shù)，能夠?qū)崿F(xiàn)對動態(tài)聚類數(shù)據(jù)集的自適應(yīng)聚類操作。

為了客觀的表示聚類效果，本文定義路徑邊緣線正檢率和干擾直線段誤檢率。

將本文聚類算法與其他常見的無需指定聚類個數(shù)的聚類算法進行比較，見表1。

表1 聚類算法對比(%)

由表1可以看出，改進AP聚類算法的和均優(yōu)于其他聚類算法，篩選效果最好，且運行時間滿足實時性要求。

3.4 路徑邊緣線擬合

篩選出所有構(gòu)成路徑邊緣的直線段后，將其端點作為路徑邊緣線的擬合點，擬合得到最終的路徑邊緣線，如圖13所示。

3.5 評價與分析

基于擬合出的路徑邊緣線特征(sim，sim，sim)與真實路徑邊緣線特征(real，real，real)，定義方位誤差、傾斜角誤差，即

大型起重機械的漆面顏色大部分為紅色，橘色或黃色，少部分為藍色，幾乎沒有綠色。因此樣本的主顏色分量有R和B這2種。本文對比了不同主顏色分量和天氣條件下的識別成功率，若≤3%且≤1°，則識別成功，其成功率見表2。

(a) 原圖 (b)篩選結(jié)果 (c) 擬合結(jié)果

表2 識別成功率

由于晴天光照和天空背景的影響，晴天和主顏色分量為B時，識別成功率略低一些。主顏色分量為B的樣本圖像有79幅，主顏色分量為R的樣本圖像有421幅。本文按樣本數(shù)量百分比加權(quán)平均，得到陰天的整體識別成功率為97.21%，晴天的整體識別成功率為95.56%，成功率較高。

選取所有識別成功的樣本圖像，計算識別精度見表3，整體精度較高。

表3 識別精確度

實驗在主頻2.2 GHz、內(nèi)存4 GB的硬件配置下進行，處理速度為7 fps，能夠滿足爬行速度為0.03~0.05 m/s的攀爬機器人路徑識別實時性要求。

4 結(jié)束語

本文結(jié)合起重機金屬結(jié)構(gòu)路徑的特點，創(chuàng)新性地提出一種基于改進LSD和AP聚類的路徑邊緣識別策略。利用LSD算法輸出的直線段參數(shù)提取直線段特征，提出適用于動態(tài)樣本的改進AP聚類算法，優(yōu)化檢測結(jié)果。通過大量實驗證明，本文的路徑邊緣線識別策略在滿足精度和實時性的前提下，對起重機金屬結(jié)構(gòu)路徑邊緣直線段的檢測成功率為96%。不足之處為本文的路徑邊緣識別策略主要針對機器人攀爬行走過程中的路徑識別，機器人的轉(zhuǎn)向和避障依靠多傳感器協(xié)同完成。在今后的研究中可嘗試僅依靠機器視覺完成機器人轉(zhuǎn)向、避障等所有動作。

[1] 郭克友, 王藝偉, 郭曉麗. LDA與LSD相結(jié)合的車道線分類檢測算法[J]. 計算機工程與應(yīng)用, 2017, 53(24): 219-225.

[2] 朱永豐, 曹聞, 朱述龍, 等. 基于LSD的巡檢機器人航線偏角檢測[J]. 信息工程大學學報, 2016, 17(1): 112-116.

[3] 茅正沖, 陳強. 基于PCA-LDA與SVM的AGV多分支路徑識別與跟蹤[J]. 激光與光電子學進展, 2018, 55(9): 148-155.

[4] 武星, 沈偉良, 樓佩煌, 等. 視覺導(dǎo)引AGV魯棒特征識別與精確路徑跟蹤研究[J]. 農(nóng)業(yè)機械學報, 2016, 47(7): 48-56.

[5] 范云飛, 孫興波, 敬凱. 智能汽車賽道圖像識別技術(shù)的研究[J]. 控制工程, 2017, 24(9): 1805-1810.

[6] 徐國晟, 張偉偉, 吳訓成, 等. 基于卷積神經(jīng)網(wǎng)絡(luò)的車道線語義分割算法[J]. 電子測量與儀器學報, 2018, 32(7): 89-94.

[7] 賈會群, 魏仲慧, 何昕, 等. 基于神經(jīng)網(wǎng)絡(luò)與最小二乘法的車道線檢測算法研究[J]. 汽車工程, 2018, 40(3): 363-368.

[8] 馮興杰, 王文超. 一種基于MapReduce的半監(jiān)督近鄰傳播算法[J]. 計算機應(yīng)用研究, 2018, 35(7): 2011-2014.

[9] 徐明亮, 王士同, 杭文龍. 一種基于同類約束的半監(jiān)督近鄰反射傳播聚類方法[J]. 自動化學報, 2016, 42(2): 255-269.

[10] GIOI R G V, JAKUBOWICZ J, MOREL J M, et al. LSD: A fast line segment detector with a false detection control [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2010, 32(4): 722-732.

[11] 王宇, 王碩, 譚民. 基于LSD的具有特定特征的三維物體輪廓提取算法[J]. 系統(tǒng)科學與數(shù)學, 2016, 36(9): 1410-1416.

[12] 李濤, 陳黎, 聶暉. 基于改進線段分割檢測的電線桿遮擋檢測算法[J]. 計算機工程, 2017, 43(9): 250-255.

[13] FREY B J, DUECK D. Clustering by passing messages between data points [J]. Science, 2007, 315(5814): 972-976.

[14] GIVONI I E, CHUNG C, FREY B J. Hierarchical affinity propagation [C]//Proceedings of the Twenty-Seventh Conference on Uncertainty in Artificial Intelligence. VA: AUAI Press, 2012: 238-246.

[15] WANG L M, WANG N B, HAN X M, et al. Semi-supervised hierarchical optimization-based affinity propagation algorithm and its applications [J]. International Journal of Computers and Applications, 2018, 40(3): 1-10.

[16] WANG L M, TAO X, HAN X M, et al. Semi-supervised affinity propagation based on density peaks [J]. Tehnicki Vjesnik-Technical Gazette, 2016, 23(6): 1787-1794.

Path Edge Recognition Strategy Based on Improved LSD and AP Clustering

LIU Bi-yue, ZHAO Zhang-yan

(School of Logistics Engineering, Wuhan University of Technology, Wuhan Hubei 430063, China)

The path edge recognition strategy of the crane metal structure climbing robot is divided into three steps. Firstly, image pre-processing which means using the improved over-color operator for grayscale. Secondly, the gradient threshold is determined by the method based on the optimal classification line of the support vector machine, in addition, main direction angle constraint is added to improve line segment detector (LSD) algorithm, and obtain the straight line detection image for clustering. Thirdly, the clustering data set is constructed by the feature extraction of straight line segments. Based on the dynamism of the data set feature of, the improved AP clustering algorithm is established by combining the prior information based discriminant model with the affinity propagation (AP) clustering algorithm to cluster the line segments and screen out the line segments constituting the edge of the path, and obtain the final path edge line by fitting. The experimental results show that compared with the traditional AP clustering and other clustering algorithms, the improved AP clustering algorithm has the highest screening accuracy for path edge lines.The recognition success rate of path edge recognition strategy based on improved LSD and AP clustering is 96% which meets the accuracy and real-time requirements.

edge recognition; over-color operator; LSD; SVM; feature extraction; AP clustering

TP 391

10.11996/JG.j.2095-302X.2019050915

A

2095-302X(2019)05-0915-10

2019-04-25；

2019-07-08

國家重點研發(fā)計劃項目(2017YFC0805703，2016YFF0203100)

劉璧鉞(1993-)，男，河南南陽人，碩士研究生。主要研究方向為圖像識別、機器視覺、機器人導(dǎo)航等。E-mail：13797000199@163.com

趙章焰(1963-)，男，湖北武漢人，教授，博士，博士生導(dǎo)師。主要研究方向為機械安全性評估、攝影測量。E-mail：13871001982@163.com