基于RoboMaster机甲大师赛的计算机视觉应用开发.pdf

基于RoboMaster机甲大师赛的计算机视觉应用开发 本文基于RoboMaster机甲大师赛，探讨计算机视觉领域下的多种技术的开发和应用。通过研究计算机视觉的应用，提高机器人的视觉功能，实现机器人在赛场的识别追踪、目标检测、预判和精准打击等功能。文章主要分为三个部分：装甲板自动瞄准系统、BP神经网络的应用和目标解算与预判。 一、装甲板自动瞄准系统 装甲板自动瞄准系统是RoboMaster视觉中最基础的功能，自动瞄准装甲板大幅度提高打击效率。机器人身上的装甲板是主要承受伤害的区域，有两根平行的灯条，中间是数字或者兵种图标。因此，需要从众多的灯条中准确地筛选出真正的装甲板，以确定最佳目标进行瞄准打击。 对从摄像头获取的图像做预处理操作，好的二值化处理可以真实地还原灯条的轮廓，减少灯条的筛选错误。然后，对ROI区域进行处理，可以减少跳变，提高图像处理的速度和数据的连续性。将获得的灯条放入数组中逐个进行配对，图像中的灯条相对于真实的灯条可能会有一些变形，通过合成装甲板的角度与灯条角度之差，删除误差较大的装甲板，并通过RGB判断灯条颜色是否为应该识别颜色，最后通过BP模型判断得到的装甲板中间是否为数字或者兵种图标，得到正确的装甲板。 二、BP神经网络的应用 BP神经网络是一种多层前馈神经网络，该网络的主要特点是信号前向传递，误差反向传播。我们采用了BP神经网络来分类各种数字和图标。研究表明，隐含层的节点数表示该网络的数据处理能力。为了保证程序的运算速度，这里BP模型的隐藏层只有一层，样本的分辨率是20×20，隐藏层的结点为64。输出层为7类，分别是数字1(英雄)、2(工程)、3(步兵)、4(步兵)、8(前哨站)、 9(基地)、7(哨兵)。在循环过程中会不断扩大特征效果，所以隐藏层激活函数使用了tanh函数。 三、目标解算与预判 目标解算与预判是计算机视觉应用的重要部分。我们使用针孔相机模型来构建从二维到三维的坐标变换关系。针孔相机模型描述了三维空间中的点的坐标与其在理想针孔相机的图像平面上的投影之间的数学关系，将相机光圈视为一个点，根据小孔成像原理来形成投影。我们用到了3个坐标系：图像物理坐标系、图像像素坐标系、相机坐标系。根据小孔成像原理，我们可以得到相机坐标与图像物理坐标之间的关系。 本文提出了一种基于RoboMaster机甲大师赛的计算机视觉应用开发方法，通过应用数字图像处理、机器学习等理论知识，建立全新逻辑框架和项目体系，并通过比赛来验证实践成果的设想。