0 引言
自动导航国外研究起步较早，相对成熟。1943年美国 诞生第一辆自动导航小车，1959年进一步改造，1985年自 动导航技术飞速发展。上世纪 60年代日本从美国引进该 技术，此后日本的自动导航技术快速发展。2009年，印度 成功将一名机器人运用在物流领域的自动化中［1］。国内相 关研究虽起步较晚，但技术趋于成熟。2015年，天猫在某 促销节日期间首次运用微型智能机器人搬运货物，以应对 大量订单。2016年，京东自主研发的智能机器人在自动化仓库中表现出优异的避障功能，微型智能车在指定的位置 之间搬运物品，大大减少了人力成本，快速高效［2］。
智能车的关键是图像边缘检测技术的准确性和实时 性［3］。王慧［4］运用图像细化方法识别出路径的中心线。李 进［5］对路径图像分割为上下两个区域，分别进行提取识 别。本文主要采用“图像采集和处理”同时交替识别处理 方式。获取图像后，首先运用线性变换方法对图像进行处 理，消除由光线等因素造成的图像干扰；然后再对图像增 强和边缘检测［6］。基于Sobel算子采用加权滤波，运算速度 高。Roberts算子具有定位精度高的特点［7］，在综合利用两 种算子的优点基础上提出一种融合算子，优化边缘检测算法，用图像处理结果验证算法的优越性。
1 视觉图像处理技术
机器视觉是利用摄像机作为“眼睛”获取路面信息，经 过图像处理后作为“神经递质”传送给控制器，类似于人类 的视觉系统。在工业应用中主要通过图像或视频数据让 计算机对周围的事物进行观察判断，或者说利用摄像机拍 到的视频原始数据在计算机内部进行处理和提取［8］，主要 应用于人工智能、模式识别等领域，它的关键技术就是图 像处理。现在图像处理技术已经发展到高分辨率、多灰度 层次，不再是简单的二值图像处理［9］。
2 路径图像数据分析与处理
2.1 路径识别方法
为获得更大的视角，摄像机呈 45°安装，识别的图像虽 有变形，但可通过相应的算法进行校正［10-11］。现实仓库中 的标识线都比较规则，采集到的图像也较规则。对图像先 进行二值化再进行阀值分割。要正确完成导航路径识别， 首先要对导航参数精确提取，核心就是对采集图像的处 理。标识线识别原理：在仓库中黑色标识线和白色瓷砖背 景路面的灰度值对比差异大，经图像处理后就能得到智能 车辆的行驶路径，在采集的图像中提取黑色标识线边缘， 得到标识线的中心线，根据此中心线的位置判断车体与跟 踪标识线的相对位置，从而进行跟踪控制［12］。本文研究了 路径图像的识别原理和方法，在识别每一帧路径图像时， 为提高识别的准确性和实时性，依次进行图1所示的处理。
图 1 路径识别流程
为了扩大微型智能车的视野范围，需要将摄像机与水 平线成 45°安装，如图 2所示。其中，摄像头的安装高度为 Z1，其视野角度与安装的高度 Z1和俯仰角都有关系。车身 长度 L1即智能车的前后轮间距。微型智能车利用摄像机 作为“眼睛”获取路面信息，实现从三维空间到二维平面的 转换。用数学理论解释，其转换过程必然存在一个变换矩 阵。在路径中标定特殊的位置，只要知道标定的位置就能 计算出智能车的相对位置。在水平面的理想状态下，实际 图像的坐标点和图像像素的坐标点满足以下关系式［13］：
暂无评论内容