第３１卷 第２期 ２０１７正 五邑大学学报（自然科学版） ＪＯＵＲＮＡＬ ＯＦ ｗＵＹＩ ＵＮＩＶＥＲＳＩＴＹ （Ｎａｔｕｒａｌ Ｓｃｉｅｎｃｅ Ｅｄｉｔｉｏｎ） ｖ０ｌ ３１ Ｎｏ ２ Ｍａｙ ２０１７ ５月 文章编号ｉ １００６．７３０２（２０１７）０２．００２０．０７ 基于单目立体视觉的Ｎ ＡＯ机器人的 目标定位与抓取 李鹤喜。张长亮 （五邑大学 计算机学院，广东 江门 ５２９０２０） 摘要：为了实现ＮＡＯ机器人对空间目标的定位与抓取，提出了一种单目立体视觉的导航方法． 首先利用机器人上部摄像机的平动获取两幅目标图像，等效于双目立体视觉，采用ＦＦＴ频域 互相关和累加求和快速算法，进行两幅目标图像的立体匹配，实现目标位置的快速检测；然后 根据测得的目标高度，运用视野中心算法和三角测量原理计算出目标距离，进行目标的跟踪逼 近，当机器人到达目标邻近区域时使用下部摄像机进行目标检测并进行姿态调整，直到距离误 差落在目标中心许可的圆形区域内，进行目标抓取，实际测试表明采用这种视觉导航方法的 ＮＡｏ机器人抓取成功率在９０％以上 关键词：立体匹配；互相关；目标定位；目标抓取 中图分类号：ＴＰ２４２ ６ 文献标志码：Ａ Ｏｂｊｅｃｔ Ｌｏｃａｔｉｎｇ ａｎｄ Ｇｒａｓｐｉｎｇ ｏｆ ＮＡＯ Ｒｏｂｏｔ Ｂａｓｅｄ ｏｎ Ｍｏｎｏｃｕｌａｒ Ｓｔｅｒｅｏｖｉｓｉｏｎ ＬＩ Ｈｅ－ｘｉ，ＺＨＡＮＧ Ｃｈａｎｇ－ｌｉａｎｇ （Ｓｃｈｏｏｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ，Ｗｕｙｉ ｕｎｉｖｅｒｓｉｔｙ，Ｊｉａｎｇｍｅｎ ５２９０２０，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ａ ｍｏｎｏｃｕｌａｒ ｓｔｅｒｅｏｖｉｓｉｏｎ——ｂａｓｅｄ ｎａｖｉｇａｔｉｏｎ ｔｅｃｈｎｉｑｕｅ ｉｓ ｐｒｅｓｅｎｔｅｄ ｉｎ ｏｒｄｅｒ ｔｏ ｉｍｐｌｅｍｅｎｔ ｔｈｅ ｏｂｊｅｃｔ ｌｏｃａｔｉｎｇ ａｎｄ ｇｒａｓｐｉｎｇ ｏｆ ＮＡＯ ｒｏｂｏｔ．Ｆｉｒｓｔ，ｔｗｏ ｉｍａｇｅｓ ｏｆ ａｎ ｏｂｊｅｃｔ ａｒｅ ａｃｑｕｉｒｅｄ ｕｓｉｎｇ ａｎ ｕｐｐｅｒ ｃａｍｅｒａ ｏｎ ｒｏｂｏｔ ｈｅａｄ ｔｈｒｏｕｇｈ ｔｒａｎｓｌａｔｉｏｎａｌ ｍｏｔｉｏｎ ｏｆ ＮＡＯ ｒｏｂｏｔ，ｗｈｉｃｈ ｉｓ ｅｑｕｉｖａｌｅｎｔ ｔｏ ａ ｂｉｎｏｃｕｌａｒ ｖｉｓｉｏｎ，ａｎｄ ＦＦＴ－ｂａｓｅｄ ｃｒｏｓｓ ｃｏｒｒｅｌａｔｉｏｎ ｉｎ ｆｒｅｑｕｅｎｃｙ ｄｏｍａｉｎ ａｎｄ ｆａｓｔ ｉｎｔｅｇｒａｌ ｓｕｍ ａｒｉｔｈｍｅｔｉｃ ａｒｅ ｕｓｅｄ ｆｏｒ ｔｈｅ ｓｔｅｒｅｏ—ｍａｔｃｈｉｎｇ ｏｆ ｔｗｏ ｉｍａｇｅｓ ｔｏ ａｃｈｉｅｖｅ ｒａｐｉｄ ｍｅａｓｕｒｅｍｅｎｔ ｏｆ ｏｂｊｅｃｔ ｐｏｓｉｔｉｏｎ，ｔｈｅｎ ａｃｃｏｒｄｉｎｇ ｔｏ ｔｈｅ ｍｅａｓｕｒｅｄ ｏｂｊｅｃｔ ｈｅｉｇｈｔ ＮＡＯ ｒｏｂｏｔ ａｐｐｒｏａｃｈｅｓ ｔｈｅ ｏｂｊｅｃｔ ｕｓｉｎｇ ｔｈｅ ｖｉｓｉｏｎ—ｆｉｅｌｄ—ｃｅｎｔｅｒ ｍｅｔｈｏｄ ａｎｄ ｔｒｉａｎｇｕｌａｒ ｓｕｒｖｅｙｉｎｇ，ｗｈｅｎ ｔｈｅ ｒｏｂｏｔ ａｒｒｉｖｅ ｉｎ ｔｈｅ ａｄｊａｃｅｎｔ ａｒｅａ ｏｆ ｏｂｊｅｃｔ，ｔｈｅ ｌｏｗｅｒ ｃａｍｅｒａ ｏｎ ＮＡＯ ｈｅａｄ ｉｓ ａｐｐｌｉｅｄ ｔｏ ｄｅｔｅｒｍｉｎｅ ｔｈｅ ｏｂｊｅｃｔ ｐｏｓｉｔｉｏｎ ａｎｄ ｒｏｂｏｔ ｐｏｓｔｕｒｅ ｉｓ ａｄｊｕｓｔｅｄ ｕｎｔｉｌ ｔｈｅ ｄｉｓｔａｎｃｅ ｅｒｒｏｒ ｆｅｌｌ ｉｎ ａ ｔｏｌｅｒａｎｔ ｃｉｒｃｕｌａｒ ａｒｅａ ｓｕｒｒｏｕｎｄｉｎｇ ｔｈｅ ｏｂｊｅｃｔ ｃｅｎｔｅｒ，ｆｉｎａｌｌｙ ｔｈｅ ＮＡＯ ｒｏｂｏｔ ｗｉｌｌ ｇｒａｓｐ ｔｈｅ ｏｂｊｅｃｔ．Ｔｈｅ ｔｅｓｔ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ｇｒａｓｐｉｎｇ ＳＨＣＣｅＳＳ ｒａｔｅ ｏｆ ＮＡＯ ｒｏｂｏｔ ｉｓ ｏｖｅｒ ９０％ｕｓｉｎｇ ｐｒｏｐｏｓｅｄ ｖｉｓｉｏｎ ｎａｖｉｇａｔｉｏｎ． Ｋｅｙ ｗｏｒｄｓ：ｓｔｅｒｅｏ ｍａｔｃｈｉｎｇ；ｃｒｏｓｓ ｃｏｒｒｅｌａｔｉｏｎ；ｏｂｊｅｃｔ ｌｏｃａｔｉｎｇ；ｏｂｊｅｃｔ ｇｒａｓｐｉｎｇ 近年来智能人形机器人的研究与应用逐渐兴起，特别是让人形机器人配上视觉已是一种必然趋 收稿日期：２０ｌ７－０２－０８ 基金项目：广东省自然科学基金资助项目（２０１６Ａ０３０３１ ３００３） 作者简介：李鹤喜（１９６１一），男，辽宁昌图人，副教授，博士，主要研究方向为机器视觉与智能机器人 第３１卷第２期 李鹤喜等：基于单目立体视觉的ＮＡＯ机器人的目标定位与抓取 ２１ 势…．ＮＡ０机器人是一款用于科研、竞赛、娱乐的双足类人形机器人，有２５个自由度和３６个传感 器，其中头部有上下两个视觉传感器，用于视觉导航．传统上，对ＮＡＯ机器人视觉导航的研究与应 用主要是集中在地面捡球与踢球竞技上［２－５］，对于位于空间任何位置的目标（非地面目标）的定位、 追踪、抓取等操作缺乏有效的方法，一些研究将空间目标贴上标记以便识别 ］，显然这种方法在实 际应用中很不方便．本文针对目标空间定位与抓取问题提出了一种解决方法，主要思想是：利用 ＮＡＯ头部摄像机的横向平动形成立体视觉，采用ＦＦＴ频域互相关与累加求和快速算法进行立体匹 配，并通过立体视觉的测量原理计算得到目标特征点的空间高度，再根据高度利用视觉追踪算法快 速逼近目标．考虑到ＮＡＯ机器人行走时产生的偏转角度和距离误差，需要选择合适的控制策略来完 成目标的追踪与抓取．ＮＡ０机器人头部有两个上下成一定角度的摄像头，当距离较远时，采用上部 摄像头，应用视野中心法和透视三角原理实现远距离测距，当机器人走到目标附近时，采用下部摄 像头，并根据目标距离图像中心的位置来调整ＮＡＯ机器人到误差允许的范围，最后实现目标的抓 取操作． １ ＮＡＯ机器人头部摄像机内参数的标定 虑的是目标相对摄像机的位置关系，故这里只考虑图像坐标系（ ，ｖ）和摄像机坐标系（ ， ，ｚ ）的映射 ［ ］＝ ［喜昙辜］［茎］． ｃ 图１ 标定所用的平面靶标 ５４１ ６９７ ０ ｆ ． ０ ０００ ０ ３１４ ５４５ ｉ． ． ｆＡ＝ｌ ０．０００ ０ ５３６．２２８ ２ ２３３．５３１ ５ｌ Ｊ ０．００００ ０．０００ ０ １．０００ ０ Ｊ （２） ２ ＮＡＯ机器人的立体视觉匹配 设ＮＡＯ机器人在位置１获取的图像为 （“，１，），在垂直于目标深度方向平行移动距离Ｂ，到位 置２获取图像为 ＠，ｖ），按顺序约束，采用区域匹配算法进行两幅图像同名点的匹配计算．设右图 五邑大学学报（自然科学版） ２０１７正 像 （“，ｖ）上目标的特征点为（ ，ｖ２），选择包括 （“：，ｖ２）的匹配区域为ｇ：（ ，Ｖ），选择左图像ｆｉｉ（ｕ，Ｖ） 的搜索区域为ｇｌ ，ｖ），包含了（材 ，ｖ：）对应的同名点 为（ ，１， ），区域尽量达到水平方向的最大覆盖，如 图２． 设搜索的目标图像ｇ ，ｖ）的像素尺寸为 ×Ⅳ，匹配区域ｇ：（“，ｖ）的像素尺寸为ｍｘｎ，则 图２左右图像的区域匹配 ｇ２（ ，ｖ）在图像ｇｌ（ ，ｖ）中第（，， ）点两者的相似性可以用函数互相关来表征，考虑归一化处理后，其 离散形式的相关可以表达为 ∑∑ｇ。（，＋ ，Ｊ＋ｊ）ｇ：（ｆ， ） Ｒ（Ｉ， ）＝旦 —————一． （３） ∑ｇ （ｎｆ， ＋ Ｒ（１， ）就是传统的ＮＣＣ（Ｎｏｒｍａｌ Ｃｒｏｓｓ Ｃｏｒｒｅｌａｔｉｏｎ）归一化互相关系数表达式，在空间域内计算 Ｒ（Ｉ，Ｉ，）是非常消耗时间的，难以满足机器人视觉的实时性要求，一种改进方法是将其变换到频率域 利用ＦＦＴ快速傅里叶变换提高计算效率，Ｒ（Ｉ， ）的分子部分正是两函数相关的定义，按相关运算与 傅里叶变换的关系有 ｇ１（“， ）。ｇ２（ ，Ｖ）：Ｆ ｛（ｉ（国 ，∞ ）（１２（ｃｏ ，∞ ））， （４） 就是先把ｇｌ（ ，ｖ）和ｇ：（甜， ）分别进行ＦＦＴ变换，得到Ｇ￣（ｃｏ ，∞ ）和Ｇ２（ｃｏ ，０９ ），在频率域计算Ｇ（ｃｏ ，国 ）与 Ｇ：（ｃｏ ，０３ ）共轭的乘积，然后再进行Ｆ 逆ＦＦＴ变换得到空间域的相关系数．Ｒ（Ｉ， ）归一化的分母部 分无法转到频率域处理，只能在空间域里进行单独计算，为此令Ｒ（Ｉ， ）的分母为 ｓ（ｉ， ）＝【∑∑ｇ ＋ｆ， ＋ ． 则由公式（３）得到 （５） ）＝ 由于式（６）的分母ｓ（ｉ，Ｊ）求和是随模板的移动动态 变化的，在模板到达的每个位置（ ， ），都需要计算这个 能量和，非常耗时．因此，能够快速计算这个能量和就可 以加快归一化处理的速度，提高匹配效率．这里利用 业． （６） Ｖｉｌｏａ的积分求和思想进行快速递推【８ｊ，下面分析式（６） 分母Ｓ（Ｉ，Ｊ）的快速递推求和方法． 如图３，当ｍ×ｎ的匹配模板ｇ２（ｚｆ，ｖ）在搜索图像ｇ。（ ，ｖ） 上沿 方向移动一个像素单位，该能量和 方向只有新一 列移入，旧一列移出，其他保持不变．因此对于第一行有： ｓ０，２）＝Ｓ（１，１）一Ｙ（１，１）＋】，（１，ｎ＋１） Ｓ（１，３）＝Ｓ（１，２）一ｙ（１，２）＋】厂（１，ｎ＋２） Ｓ（１， ）＝Ｓ（１，Ｊ—１）一Ｙ（１，Ｊ—１）＋Ｙ（１，ｎ＋Ｊ一１） （７） 第３１卷第２期 李鹤喜等：基于单目立体视觉的ＮＡＯ机器人的目标定位与抓取 ２３ 这里Ｙ（１， ）为第一行上按模板覆盖下面 列的灰度平方和，由下式决定： Ｊ，（１， ）＝ ， ）】 ． （８） 对于任意一行 ，可以得到 ＩＳ（Ｉ，Ｊ）＝ｓ（ｉ，Ｊ—１）一Ｙ（Ｉ，Ｊ一１）＋Ｊ，（，，ｎ＋Ｊ一１） ， 【ｇｌ（Ｉ＋ｋ－ｌ，Ｊ）］： ｋ＝ｌ ‘ Ｌ 与行类似，对于任意一列 ，可以得到 Ｉｓ（１，Ｊ）：ｓ（Ｉ—ｌ， ）一ｙ（Ｉ—ｌ，ｌ，）＋ （ ２＋ 一ｌ， ） １ （ＬＪ）： （Ｉ，Ｊ＋ｋ－１）］： Ｌ ｋ＝ｌ ‘ （１１） 在式（１０）的第一式中由，一ｌ代替，得 ｓ（Ｉ—ｌ，Ｊ）＝Ｓ（Ｉ～１，Ｊ一１）一Ｙ（Ｉ一１， 一１）＋Ｙ（ｉ－１，以＋Ｌ，一１）， 将式（１１）代人式（９）的第一式，得到到（，，Ｊ）＞＝２任意一点灰度平方和的递推公式为 Ｓ（Ｉ，Ｊ）＝ｓ（ｉ一１， —１）＋【Ｘ（ｍ＋，一１， ）一 （，一１， ）】＋ 【Ｙ（Ｉ—ｌ，ｎ＋ 一１）一Ｙ（１—１，Ｊ—１）】． ｌ ０ Ｏ ８ ０ ６ ０ ４ Ｏ ２ Ｏ （１２） 完成空间域的灰度快速求和后应用式（４）的频 域ＦＦＴ变换首先求得ｇ。（“，ｖ）和ｇ （“，ｖ）未归一化处理 的互相关，然后按式（６）除以Ｓ（Ｉ，Ｊ）便得到归一化 的互相关系数Ｒ（Ｉ，Ｊ）．与传统ＮＣＣ匹配方法相比， 本法计算效率高，一个匹配点的检测＜３００ Ｉｌｌｓ，满足 机器人视觉的实时性要求．一个典型的匹配点相关 系数Ｒ（１，Ｊ）的计算实例如图４所示．取Ｒ（Ｉ，Ｊ）达到最 大值的点作为与特征点（ ，，ｖ，）匹配的点（ ，ｖ ），即 （”ｌ，Ｖ１）＝ａｒｇｍａｘ （，，Ｊ）ｅ（１，Ｉ）－（Ｍ，Ⅳ） （，，ｌ，）｝． 图４ 匹配点检测的相关系数尺的分布图 ３ 目标红球的定位与抓取试验 这里以ＮＡＯ机器人定位与抓取空间中任意高度的红球作为实例，选择红球的中心为识别特征 点，试验按以下步骤进行： １）目标图像的检测 进行红球目标定位，首先要在ＮＡＯ机器人摄像头拍摄的整幅场景图像中检测出目标红球．一般 在室内环境条件下，基于颜色的空间分割易受光照的影响，这里采用ＹｕＶ颜色空间［引，因为它受光 照的影响小．目标的Ｙｕｖ颜色空问图像如图５，通过对ＹＵＶ图像的颜色滤波处理，就能快速检测 出红球． ａ原图像 ｂ．ＹＵｖ图像 ｃ Ｙ通道图像 ｄ ｕ通道图像 ｅ Ｖ通道图像 图５ 目标的ＹＵＶ颜色空间的图像 ２４ 五邑大学学报（自然科学版） ２０１７年 ２）目标特征点的确定 根据试验确定红色的ＹｕＶ各通道的阈值，得 到二值图像，先按ｃａｎｎｙ算子进行边缘检测，再进 行霍夫圆检测［１ｏｌ，得到红球的圆心坐标，作为目标 特征点．如图６所示． ａ二值图像 ｂ．Ｃａｎｎｙ边缘检测 ｃ．霍夫圆检测 ３）利用立体视觉获取红球高度 图６ 目标红球特征点的检测 取红球目标上的同心特征点。利用ＮＡＯ上部摄像机水平移动Ｂ距离，产生左右两幅图像，（ 。，ｖ。） 和（ ！．ｖ！）为红球目标上采用立体匹配技术确定的一对匹配点，则根据式（Ｉ）得到两个方程组： ｘ一．Ｂ ＋甜０ Ｕｌ ａｘ ＋ ０ ２＝ａ 一Ｚｃ ： ＋ｖ。 Ｙ ｃ＋Ｖ２：ａ Ｖ￣ Ｚ ｏ）解之得到空间目标上特征点在摄像机坐标系下的坐标为（ｔ， ， ），其中ｔ：—Ｂ（ｕｌＵ －—Ｂａ （ｖ ，－Ｖｏ）：—， ， “ｌ一“２ －Ｌ ｌ一 ２ ： ． 就是目标红球到ＮＡＯ头顶摄像机中心的高度ｈ（即ｈ＝Ｙｃ）．在已知ｈ的情形下，就 Ｕ１——１１２ 可以利用ＮＡＯ机器人头部上下两个摄像机采用单目视觉方式，快速逼近目标． ４）逼近控制策略 下面讨论在在高度ｈ确定后，ＮＡＯ机器人的目标逼近控制策略．ＮＡＯ机器人头部有上下两个摄 像头，其夹角为固定的３９ ７。，如图７所示．在ＮＡＯ机器人跟踪逼近时，离红球较远时采用上摄像 头，较近时采用下摄像头． 厂～图７ ＮＡＯ机器人头部摄像机参数图 图８ 单目测距原理图 因机器人的视角 在距离较远时，采用视野中心法来测量ＮＡＯ机器人与红球之间的距离．首先， 有限，只能看到有限的视野空间．所以必须通过上下左右摆动摄像头来寻找红球， 当视野中检测到 红球的时候，通过单目成像原理，如图８所示，计算出红球的偏转角度０． ２２８ ２， 由于ＮＡＯ摄像机使用的是固定焦距，通过标定已得到的ａｘ＝５４１．６９７ ０， ａ ＝５３６．（Ｕｏ，Ｖｏ）＝３１４．５４５ １，２３３．５３１ ５．所以臼角的计算公式可表达为臼＝ａｒｃｔａｎ（ ］． 调整ＮＡＯ机器人的头部，让摄像机的光轴坐标（通过摄像机标定出来的）（甜。，Ｖｏ）对准红球的 球心坐标，调整时设置图像横轴和纵轴像素误差之和为２０个像素，因为考虑到机器人每次的最小 偏转角度，所以误差之和不宜过小，否则将无法确定红球的最终偏转角度．方向调节时由ＮＡＯ机器 第３１卷第２期 李鹤喜等：基于单目 体视觉的ＮＡＯ机器人的目标定位与抓取 ２５ 人自身传感器获得机器人头部的左右偏转角度为 和上下偏转角度为 ，让机器人身体偏转 角 度，头部偏转一 角度，町使ＮＡＯ机器人整个身体对准红球．为了让ＮＡＯ机器人走到红球前，须 测出两者之问的距离．这里利用前面立体视觉测得的目标高度和头部偏转角来计算，测距原理如图 ９．Ｏ为红球距离地而的高度，Ⅳ为ＮＡＯ机器人摄像机到地面的高度，ｈ（即 ）为ＮＡＯ机器人 摄像机光轴中心距离红球的高度， 为ＮＡＯ机器人头部摄像机上下的偏转角度，则ＮＡＯ机器人与 红球的距离ｄ的汁算公式为：ｄ＝ｈ×ｔａｎ（ｐ１．在距离较近时， 采用下面的摄像头来定位红球，在高度ｈ确定的情况下，ＮＡＯ 机器人准备抓取红球前，调整ＮＡＯ的头部上下左右旋转的角 度都为０。，并保持不变，拍下目标图像，钡０得红球中心点坐标 为（ ， ），如图１０所示． 图９测距原理图 最后通过设定误差半径的方式确定（ 。， ）到指定坐标（“！，ｖ：）的误差范围，如图１１，ｒ为误差半 径，通过让ＮＡＯ机器人不断走动来使红球的中心坐标达到允许的误差范围．即（ 一／１２） ＋ 一ｖ２）： ，． ． 经试验验证，，｜取小于５０个像素的时候，可以抓取目标红球． 、＼ ） ／、 。 ａ舍Ｉｌ标的原图像 ｆｂ检测的目标中心 ｖ ．图１Ｏ抓取前目标图片及检测出的中心 图１１ 目标中心落入的误差圆 ５）抓球动作的设计 确定目标红球在误差圆内，通过预先编程设计的机器人视觉伺服程序，完成手臂及手指的动作 控制，通过控制ＮＡＯ长臂的伸出摆动，短臂的回转下落、手指的抓握等系列动作，完成红球的抓 取操作．图１２所示为ＮＡＯ机器人到达目标区后，目标中心在误差圆内的抓取动作截图． ｅ手指抓球 罄 ｆ小臂抬起 ｇ．大臂摆起ｈ回归原位 图１２ ＮＡＯ机器人抓球动作图 ６）目标抓取试验结果 试验的目标红球采用两种高度２６５ ｍｌｎ和２９０ ｍｉｌｌ，距离设定为两个区段：１ ０００～２ ０００ ｍｍ和 ２６ 五邑大学学报（自然科学版） ２０１７年 ２ ０００～３ ０００ １ＴｌＩｎ，然后利用前面讨论的技术由ＮＡＯ机器人完全自主地在两种高度和不同距离范围 内，分别进行红球的定位与抓取试验５０次，试验结果列于表ｌ，其抓取的成功率可达９０％以上，一 般在ＮＡＯ机器人手臂可达的范围，ＮＡＯ机器人可以完成任意位置的红球目标的抓取． 表１ 两种高度不同距离的红球定位与抓取的试验结果 ４ 结论 通过ＮＡＯ机器人头部摄像机的横向平动实现的单目立体视觉，可以检测目标特征点在空间的 任何位置，其中的立体匹配采用了ＦＦＴ频域变换和快速积分求和算法计算互相关系数，和传统的区 域ＮＣＣ方法比较，更能有效地提高立体匹配的效率，满足机器人视觉的实时性要求．在机器人逼近 目标策略上，使用远近两种视觉控制策略，定位准确性较高，对红球目标试验结果表明，目标抓取 的成功率可以达到９０％以上． 参考文献 【１］ＣＬＡＵＤ１０ Ｇ，ＳＰＩＮＤＬＥＲ Ｆ，ＣＨＡＵＭＥＴＴＥ Ｆ Ｖｉｓｉｏｎ．ｂａｓｅｄ ｍａｎｉｐｕｌａｔｉｏｎ ｗｉｔｈ ｔｈｅ ｈｕｍａｎｏｉｄ ｒｏｂｏｔ Ｒｏｍｅｏ 【Ｃ］／／ＩＥＥＥ－ＲＡＳ １６ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｈｕｍａｎｏｉｄ Ｒｏｂｏｔｉｃｓ，Ｃａｎｃｕｎ，Ｍｅｘｉｃｏ：ＩＥＥＥ，２０１６：２８６．２９３． ［２】ＴＡＭＵＲＡ Ｋ，ＮＯＺＡＫＩ Ｔ，ＫＡＷＡＭＵＲＡ Ａ．Ｖｉｓｕａｌ ｓｅｒｖｏ ｓｙｓｔｅｍ ｆｏｒ ｂａｌｌ ｄｒｉｂｂｌｉｎｇ ｂｙ ｕｓｉｎｇ ｂｉｐｅｄａｌ ｒｏｂｏｔ ‘￣Ｎａｏ”［Ｃ］／／４１ｓｔ Ａｎｎｕａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｆｔｈｅ ＩＥＥＥ Ｉｎｄｕｓｔｒｉａｌ Ｅｌｅｃｔｒｏｎｉｃｓ Ｓｏｃｉｅｔｙ，【Ｓ．１．】：ＩＥＥＥ，２０１５：３４６１．３４６６ ［３】ＭＩＲＡＮＤＡ Ｓ，ＲＥＩＳ Ｌ Ｐ，ＳＯＵＳＡ Ａ．Ｉｍｐａｃｔ ｏｆ ｃｏｌｏｒ ｓｐｅｃｔｒｕｍ ｒｅｄｕｃｔｉｏｎ ｉｎ ｏｂｊｅｃｔ ｄｅｔｅｃｔｉｏｎ ｏｎ ｔｈｅ ＲｏｂｏＣｕｐ Ｓｔａｎｄａｒｄ Ｐｌａｔｆｏｒｍ Ｌｅａｇｕｅ［Ｃ］／／８ｔｈ Ｉｂｅｒｉａｎ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｙｓｔｅｍｓ ａｎｄ Ｔｅｃｈｎｏｌｏｇｉｅｓ（ＣＩＳＴＩ）【ｓ ｌ】 ＩＥＥＥ，２０１３：１．６． ［４】ＺＨＡＯ Ｓｈｕｙｉｎｇ，ＷＡＮＧ Ｘｉａｏｔａｏ，ＳＵ Ｈａｎ，ｅｔ ａｌ Ｔａｒｇｅｔ ｒｅｃｏｇｎｉｔｉｏｎ ａｎｄ ｌｏｃａｌｉｚａｔｉｏｎ ｏｆ ｉｎｔｅｒｎａｔｉｏｎａｌ ｓｔａｎｄａｒｄ ｐｌａｔｆｏｒｍ ｈｕｍａｎｏｉｄ ｒｏｂｏｔ［Ｃ］／／２４ｔｈ Ｃｈｉｎｅｓｅ Ｃｏｎｔｒｏｌ ａｎｄ Ｄｅｃｉｓｉｏｎ Ｃｏｎｆｅｒｅｎｃｅ（ＣＣＤＣ）．Ｔａｉｙｕａｎ：Ｉｓ ｎ】，２０ １２： １９３０ ｌ９３４ 【５］ＧＵＡＮ Ｊｉｎｇｗｅｉ，ＭＥＮＧ Ｑ Ｈ Ｓｔｕｄｙ ｏｎ ｄｉｓｔａｎｃｅ ｍｅａｓｕｒｅｍｅｎｔ ｆｏｒ ＮＡＯ ｈｕｍａｎｏｉｄ ｒｏｂｏｔ『Ｃ］／／ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｒｏｂｏｔｉｃｓ ａｎｄ Ｂｉｏｍｉｍｅｔｉｃｓ（ＲＯＢＩＯ），［Ｓ １．】：ＩＥＥＥ，２０１２：２８３．２８６ ［６］袁丽，田国会，李国栋ＮＡＯ机器人的视觉伺服物品抓取操作［Ｊ】山东大学学报（工学版），２０１４４４（３）： ，５８．６２ 【７］ＺＨＡＮＧ Ｚｈｅｎｇｙｏｕ．Ａ ｆｌｅｘｉｂｌｅ ｎｅｗ ｔｅｃｈｎｉｑｕｅ ｆｏｒ ｃａｍｅｒａ ｃａｌｉｂｒａｔｉｏｎ［Ｊ１．ＩＥＥＥ Ｔｒａｎｓ Ｐａｔｔｅｒｎ ａｎａｌｙｓｉｓ ａｎｄ ｍａｃｈｉｎｅ ｉｎｔｅｌｌｉｇｅｎｃｅ，２０００，２２（１１）：ｌ ３３０－１ ３３４． 【８】ＶＩＬＯＡ Ｐ，ＪＯＮＥＳ Ｍ．Ｒｏｂｕｓｔ ｒｅａｌ—ｔｉｍｅ ｏｂｊｅｃｔ ｄｅｔｅｃｔｉｏｎ【Ｊ】ｌ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ，２００４， ５７（２）：１ ３７—１ ５４． ［９】王昕，孙莹莹，杜旭基于ＹＵＶ颜色空间的图像去雾算法［Ｊ】吉林大学学报（信息科学版），２０１５，３３（６）： ６５８．６６１ 【１Ｏ］高煜妤，王春芳．基于欧氏距离图的随机Ｈｏｕｇｈ变换椭圆检测方法【ＪＪ现代电子技术，２０１６３９（２］）：６１．６４ ，【责任编辑：韦 韬】