基于分水岭和强度分层的机器人视觉认知方法

应用图像矩进行工件识别时，对于随机放置或重叠的工件，由于手眼相机拍摄的原始图像中不可避免地 *通讯作者。

Hutchinson [1]等将视觉伺服按照目标值输入法的不同，分为位置基准法和特征基准法。其中，特征基准法在图像空间直接进行反馈控制，利用提取的视觉信息获得被识别目标在图像空间上的特征量，与期望的图像特征量形成误差， 使用任务函数法控制机器人运动。

特征基准法因为不需要对图像进行解释， 故实时性好；不必计算目标对象和机器人末端执行器的位姿，故对机器人机构学模型的精确度具有很高的容忍度。Chaumette [2]等推导了最易提取的点、线和圆特征的雅克比矩阵。此后Chaumette 提出了将图像矩[3]应用到视觉伺服， 采用基于二阶矩的方向和两个不变量矩， 实现了对姿态的视觉伺服控制。

Lin [4]等结合先验知识定义了4 个最低矩不变量，实现了图像追踪。基于图像矩的视觉伺服，利用全局描述子与期望图像矩进行匹配，鲁棒性强[5]。近年来，有叶国强[6]等结合学习特征，毛优新等[7]结合神经网络将图像矩用于视觉伺服，在应用方面则有具有代表性的需要实现眼注视任务的喷雾机器人等[8]取得了实验验证。

为了将基于图像矩的视觉伺服技术广泛地应用于各种作业环境下，必须寻找一种适用于复杂环境的图像分割算法， 从而有效地计算图像矩。

为此， 本文针对堆叠工件图像特点， 给出了一种图像信息提取算法。

利用基于Canny 边缘检测为梯度函数的分水岭算法分割出目标的区域，然后利用强度分层算法，以切片的形式得到各个工件的二值图像。最后举例计算工件的相关特征矩，提取目标工件数量、位姿信息。该方法能够为堆叠目标下的图像矩提供参考，不同于单个的目标检测，能够提高视觉信息的获取效率。

2. 分水岭分割(Watershed Segmentation) S. Beucher [9]等最早提出将分水岭算法用于图像处理，因其在图像边缘检测中独到的思想，独立于其他的分割算法。分水岭算法可以得到单一像素宽度的连续的边界，能检测出图像中粘连物体的微弱边缘并形成连续封闭的分割边缘，特别适用于堆叠工件的图像分割。但是，传统的分水岭算法存在过分割问题， 严重干扰了目标工件的真实边缘提取。

高丽[10]等人提出在梯度图像低频部分标记局部极小值， 然后将标记的极小值叠加到原始梯度图像形成标记图像，由此设计了一种结合频域低通滤波和H-minima技术的改进分水岭算法。

虽然过分割现象得到明显抑制， 但存在边缘定位不准和弱边缘提取困难等问题， 不利于进行相似目标在堆叠情况下的边缘检测。为了解决这类问题，本文采用Canny 算子[11]进行边缘检测代替传统的梯度图像，并通过标记局部极大值来得到更好的前景标记。