智能系统：基于Kinect的机械臂目标抓取

第8卷第2期 智能系统学报 Vol.8 No.2 2013年4月 CAAI Transactions on Intelligent Systems Apr.2013 D0I:10.3969/i.issn.16734785.201212038 网络出版t地址：htp://www.cnki.net/kcma/detail/23.1538.TP.20130326.0906.002.html 基于Kinect的机械臂目标抓取 韩峥2，刘华平2，黄文炳2，孙富春2，高蒙 (1.石家庄铁道大学电气与电子工程学院，河北石家庄050043；2.清华大学智能技术与系统国家重点实验室，北 京100084) 摘要：为完成机械臂在非特定环境下的自主抓取，系统采用微软公司研发的Kinect对场景内的信息进行实时检 测.通过对Kinect采集的深度信息进行背景相减法和帧差法处理可以获得目标抓取点信息.利用基于工作空间的 RT算法对机械臂末端进行路径规划，并利用梯度投影法进行逆运动学轨迹优化，求解关节轨迹.机械臂按照关节 角运动时，可完成目标的抓取.通过设计一套实时桌面清理实验系统，验证了该方法的有效性。 关键词：Kinect:目标检测：RRT:逆运动学轨迹优规；机械臂 中图分类号：TP242文献标志码：A文章编号：16734785(2013)02014907 Kinect-based object grasping by manipulator HAN Zheng'2,LIU Huaping?,HUANG Wenbing?,SUN Fuchun2,GAO Meng' (1.College of Electrical and Electronic Engineering,Shijiazhuang Railway University,Shijiazhuang 050043,China;2.Key Laborato- ry of Intelligent Technology and Systems,Tsinghua University,Beijing 100084,China) Abstract:Kinect from Microsoft is often used in the robot system for target and real-time detection in unstructured environments.Background subtraction and frame difference algorithms based on the depth information collected by Kinect are used to obtain the information of the grasp point.A Rapidly-exploring Random Tree (RRT)algorithm based on the working space was used to carry out path plan of the end of manipulator,and gradient projection algo- rithm was used to do inverse kinematics trajectory optimization.The manipulator was able to accomplish object grasping tasks according to the joint angles.An experiment system was developed to verify the effectiveness of the proposed methods. Keywords:Kinect;target detection;RRT;inverse kinematics trajectory optimization;manipulator 机器人的自主抓取大多是基于视觉的控制，例 障得物的检测[6等.本文借鉴了Kinect在机器人系 如视觉定位和视觉伺服2].如今，自主抓取研究所 统中的应用，利用其能够同时提供二维图像及深度 面临的一个重要问题是所处的非结构化环境以及自 信息的特性，简化了目标检测的内容，并通过基于工 身模型的不精确性所带来的不确定性[)]，解决这种 作空间的RRT法和梯度投影法相结合，实现了机械 问题的关键就是发展机器人所需的传感和感知系 臂的轨迹优化，避免了机械臂末端执行器运动与关 统，使其能在未知的复杂环境下动作.微软公司研制 节运动分离的情况，从而最终实现了机械臂系统自 的Kinect视觉传感器能够同时提供二维图像及深 主完成目标抓取的功能。 度信息，并且价格低廉，故被广泛应用到机器人系统 的研究中.目前，国内外在这方面的研究都取得了一 1机器人系统的构建 些进展，如机器人的导航与定位4、目标的跟踪] 本文的机器人系统是由视觉传感器、机械臂系 统及主控计算机组成，其中机械臂系统又包括模块 收稿日期：20130104.，网络出版日期：201303-26 化机械臂和灵巧手2部分.整个系统的构建模型如 基金项目：国家自然科学基金资助项目(61075027) 图1所示 通信作者：韩峥.E-mail:hanzhengl212@126.com

·150 智能系统学报 第8卷 天花板 用于完成对目标的抓取工作.本系统选用的灵巧手 视觉传感器■ 为美国Barrett Technology公司生产的BH8.280灵 巧手.该灵巧手是一个可编程的多手指抓持器，功能 灵巧手 强大，结构紧凑，具有非常高的灵活性，可以抓取不 同形状、大小及姿态的目标物体 1.4主控计算机 模块化 机械臂X CAN通讯 主控计算机为一台普通P℃机，其主要功能是 对Kinect采集的数据进行处理，从而获得目标抓取 主控计算机 点的三维信息，之后对机械臂进行轨迹优化.由于主 控机还负责与机械臂和灵巧手进行通信，故轨迹优 图1系统模型 化完成后，主控机又将解算所得的关节角赋给机械 Fig.1 Model of the system 臂，并在机械臂达到相应位置后发指令给灵巧手，使 1.1 Kinect 其实施抓取动作， 系统中的视觉传感器为微软公司研发的Kinect 深度摄像机.Kinect主要由一个普通的低分辨率 2目标检测 RGB摄像机、一个红外发射器、一个红外摄像头以 2.1 Kinect标定 及一组麦克风阵列组成，如图2所示.普通RGB摄 摄像机标定是目标检测过程中的一部分，主要 像机能够以30帧/s的速率传送640×480分辨率的 是指确定摄像机参数的过程.目前已经有许多摄 RGB图像，而红外发射器和摄像机则是用来采集相 应的深度信息，通过内部芯片转换并传送320×240 像机标定的方法，本文所用的是张正友标定法1 分辨率的深度图像. 本文对Kinect进行标定时摄像机的模型采用 的是针孔模型，其定义如下21： 红外发射器 sm =A[RI t]M, 或者 Xc T12 T13 T14 Yc T2 T24 -0 0 T32 T34 1 彩色CMOS摄像头 红外摄像头 式中：(u,)是点投影在图像平面的坐标，A为摄像机 图2 Kinect深度摄像机 的内参矩阵，[RIt]为外参矩阵，（Xc,Yc,Zc)是点在 Fig.2 Kinect depth camera 摄像机坐标系下的坐标，镊像机坐标系中任意一点投 Kinect在系统中的位置如图1所示，位于天花 影到图像坐标系的公式如式(1)、(2)所示 板顶部，机械臂的斜上方.其位置的选择是通过比对 X。=(x-c)2e (1) 多次实验的结果确定的.实验表明Kinect置于此地 位置视野范围最广，且可以有效地避免遮挡.作为本 y。=y-g)2e (2) 套服务机器人的“眼睛”，Kinect的主要作用是进行 目标检测. 式中：Xc、Yc为彩色图像中某点的坐标，Zc为深度 1.2模块化机械臂 图像中相同像素点的深度值.然而Kinect生成的彩 系统中的模块化机械臂，是由德国Schunk公司开 色图像和深度图像并不是完全重合的，故在计算之 发并生产的Power Cube模块组合而成，共7个关节，有 前需要对彩色图像和深度图像进行匹配.实验表明， 一个冗余自由度，主要用于实施清理操作.采用冗余机 OpenNI自带的函数已经可以较好地解决深度图像 械臂的目的是为了克服非冗余自由度机械臂运动不灵 的校正问题，故本文通过OpenNI自带的函数完成 活的缺点，即在规定了末端位姿轨迹后，不能避免关节 Kinect彩色图像和深度图像的配准. 空间存在的奇异点、不能避障、不能避免关节极限、在 综上表述可以得到场景内任意点在摄像机坐标 某些情况下运学性能差等8) 系下的三维坐标.为了方便后文中机械臂轨迹规划 1.3灵巧手 的内容，需要将空间内各点的三维信息都转换在机 灵巧手是本套机器人系统的末端执行器，主要 械臂基坐标系下，因此，首先需要知道摄像机坐标系

第2期 韩峥，等：基于Kinect的机械臂目标抓取 ·151· 与机械臂基坐标系的关系1，如式(3)所示。 此时，对新的数据做处理即可获得更为精确的 P=[RIt]P=H HPg. (3) 目标轮廓，如图5所示. 式中：[RIt]表示整个旋转平移矩阵，mH表示张 正友标定法标出的Kinect外参矩阵，mH表示机 械臂末端坐标系到基坐标系的旋转平移矩阵.设空 间内任意一点P在机械臂基坐标系下的齐次坐标 (a)场景的背景日标出现后场何)日标出现后背 表示为PB=[XE YE ZE1],在摄像机坐标系下的齐 深度图 景的深度图 景相减的结果 次坐标表示为Pc=[Xc Yc Zc1],则点P在机械臂 基坐标系下的坐标表示为 (XB 2 d)背京的彩色图)目标检测初次日标检测精确 结果（框体部分）结果（内框部分） 图5目标轮廓提取 Fig.5 Object contour extraction 2.3抓取点确定 每当场景中出现新的目标时都会被Kinect检 测到.然而，要最终确定目标抓取点的信息还有一项 图3部分标定模版图片 重要的工作，即消除物体移动过程中的干扰和放置 Fig.3 Parts of the calibration template 物体时人手的影响.经过简单的分析和实验验证，本 文决定采用帧差法消除这些因素对目标的干扰， 本系统中定时器的采样频率是100帧/ms,为了 消除物体移动和人手的影响，每隔28取一帧图像，即 图4 标定过程代表性结果 每20幅图像中取1幅图像与前一幅提取的图像进行 Fig.4 Representative results of the calibration process 减法运算，如果2幅图像中点的深度值变化小于某一 2.2目标提取 阈值，则说明目标物体已经被放置到场景中的某处， 目前，常用来进行目标检测的方法主要有3种， 由此便消除了其他因素的影响.计算公式为： 包括背景相减法、光流计算法和帧差法，本文采用的 △D(z)=|Dk(z)-D(z)I, 是基于深度信息的背景相减法。 H(飞)= 「1，△Dk(z)≤6； 与传统的背景相减法相同，基于深度信息的背 l0,△D(z)>8. 景相减法也是首先在没有目标出现的场景中提取背 景模型，只不过提取的背景模型是图像中各个点的 轨迹优化 深度信息.计算公式为 轨迹优化问题分为连续路径问题和点到点问 S.(2)=IN(z)-Bx(z)1, 题.连续路径问题又被称为逆运动学轨迹优化问题. c()=1,S()≥d: (4) 对于连续路径问题，传统的方法有梯度投影法和加 l0,S(z)<6. 权最小范数法.对于点到点问题，传统的基于关节空 式中：B,(:)为背景图像上第k个点的深度值， 间的RRT法形式简单、规划效果好，然而却忽略了 W(z)为当前帧上第k个点的深度值，6为设定的阈 末端执行器的运动轨迹.本文采用基于工作空间的 值，当G(k)=1时，表明该点为目标物体上的点. RRT法，在末端执行器的自由空间构建RRT树，并 值得注意的是，由于Kinect位于系统的上方， 对RRT的每一步扩张运用梯度投影进行逆运动学 故算法得到的结果会包含目标的顶部信息及部分侧 轨迹优化，获得相应的关节运动. 面信息.因此，还需对所得结果进行处理，以获得较 3.1梯度投影法 为精确的目标轮廓.因为物体的顶部各点具有大致 冗余机械臂逆运动学轨迹优化最关键的一步是 相同的深度值，且其深度值必定大于其侧面的深度. 求解速度水平运动方程： 由此，可通过提取符合式(4)条件的所有点中最大 求=J八q)q: 的深度值，并将其余点的深度值与深度最大值做差 式中： 值计算，当差的绝对值在某一阈值范围内时，表明此 9=9,+q6=J*X+(I-JtJ)p. (5) 点为目标顶部的点

·152 智能系统学报 第8卷 梯度投影法是由Liegeoi!4]首先提出的一种基 能否完成工作任务的一个关键， 于广义逆的算法.将目标函数的梯度向量乘以系数 假设机械臂的手爪模型及目标物体如图7所 k作为v,这样式(5)就变成： 示，借鉴Bertram和Kuffner8]提出的方法，建立确 9=9,+96=J*X+k(I-J*J)7H(q). 定机械臂运动轨迹终端状态函数，从而选择适合的 由于机械臂每个关节都有一定的活动范围，故 终端状态 取避关节极限作为算法的目标函数5： 假设最适合机械臂的终端状态是函数 H(g)=∑号，(9：题-)2 p(qsa）=a1|vH1-1I+ 台7（q:m-q:)(q:-q:min) 2|H2-11+a3|H11. 3.2基于工作空间的RRT算法 的极小值，即minp(qga). RRT(rapidly-exploring random trees)是首先由 式中：a1、、a3为权重因子，向量v代表最佳 Lavalle和Kuffner7提出的一种随机规划算法. 手抓方向，图7中特征点0一般是指目标的重心 RRT方法具有形式简单、计算快速、概率完全等优 点，H1、H2是机械臂末端执行器上的点。 点.传统的RRT算法是基于关节空间的，但基于关 节空间的RRT法无法预知机械臂末端执行器运动 轨迹，造成末端执行器运动与关节运动分离，不利于 任务的完成.故采用基于工作空间的RRT算法，更 合理地将轨迹规划和逆运动学解算结合起来. 基于工作空间RRT算法的基本原理如下：初 始位姿x为树的第1个节点.在每一迭代步中，随 图7终端状态函数 机生成状态点xad,参照p找到离xaa最近的一点 Fig.7 Terminal state function xear;然后从xear和xad中找到节点xw,原则是xeW 极小函数p(qsd)意味着尽量使向量H,和H2 到xm的距离比xa到x的距离更近.之后，判断 与y平行，同时还要充分靠近点0的最佳状态，即 xm是否在障碍区域内，若不在，则把它纳人T中，形 p(q),如图7虚线所示. 成新的树：若在，则继续寻找新的节点.重复迭代直 事实上，要求p(gm）=0是很苛刻的，所以一 到T中有一点x达到目标区域Qa·RRT的节点扩 般只要求p(ql)<e,e为某大于零的参数，由 展图如图6所示. p(q)所确定的区域称为目标区域.在RRT的节 点扩展时，只要有节点落在目标区域内即认为机械 臂找到了路径.若对寻找到的路径求解关节轨迹无 解，主控机将对机械臂重新进行轨迹优化，如果仍未 找到合理的关节轨迹，系统将提示目标点不可达. X初始节点 逆运动学求解 4实验 (梯度投影法) 为了验证前文的研究内容，本文设计了一套实 验系统，场景如图8所示 图6RRT节点扩展 Fig.6 Node expansion of RRT 由于算法是在工作空间下进行的，因此RRT每 灵巧手 次迭代得到的都是末端执行器的路径.而模型需要 求解关节轨迹，因此还要进行逆运动轨迹优化，方法 采用3.1介绍的梯度投影法.值得说明的是，这样的 求解虽然提高了算法的复杂性，但实验表明机械臂 在进行操作时仍具有较好的实时性. 七白由度机械臂 机械臂在实际的任务操作过程中，其末端执行 器不仅要能达到指定的目标区域，还要以“恰当”的 图8实验场景 Fig.8 Experimental scene 姿态到达，所谓恰当，就是要机械臂的末端执行器的 4.1 实验相关说明 姿态能够较好地完成操作任务.比如完成抓取水杯 1)实验任务.以桌面为机械臂的操作空间，对 的任务，如何确定适合的机械臂终端状态是机器人

第2期 韩峥，等：基于Kinect的机械臂目标抓取 ·153· 出现在其上的目标进行自主抓取，并将其投掷到垃 点的实际坐标为(-0.592，-0.254,0.649)，通过Ki- 圾桶内，以完成桌面清理的任务。 nect进行目标检测的误差在1cm内. 2)目标物的选取.对于机械臂的目标抓取，不 同形状的物体，争取不同的抓捕策略，然而由于这项 技术目前尚未取得很好的研究成果，故本实验系统 选取的目标为形态均匀、大小不同的物体. 3)抓取点的确定.本文中的抓取点是指机械 臂实施抓取时，其末端执行器的中心点应达到的目 标物上的某点.目标的信息是通过Kinect进行目标 检测确定的.如图1所示，Kinect被倒置于天花板顶 部，故其获得的目标信息为目标顶面信息.然而，受 图10系统主界面 到机械臂末端姿态的限制以及出于对抓取稳定性的 Fig.10 Main interface 考虑，将目标的抓取点设在目标物左侧面的中心.由 于目标顶面的轮廓信息可由目标检测获得且目标为 0.60 0.65 形状均匀的物体，故抓取点的三维坐标很容易得出. 50.55 0.60 4.2 实验流程 0.50 0.55 系统的工作流程如图9所示.其中轨迹优划包 -0.28 -0.32-0.60.64.63030 .30 .25 括2部分：一是以机械臂零位或垃圾清理完成后的 x/m 0.300产s040 (a)RRT树 (b)木端轨迹 位置为初始位置，抓取点为目标点进行轨迹优划；二 1.0r 是以抓取点为初始位置，投掷点为目标点进行轨迹 0.5· 开始 oy 2 Kinect获取场 轨迹规划 -0.5f。。。 景内各点数据 运动学逆解算 23 1 背景相减法 tis x/m 关节角赋值给机械臂 (c)各关节轨迹 (d)木端坐标分量轨迹 深度值差>4 机械臂达到抓取点 图11抓取过程轨迹优化结果 初步提取日标轮廓 械臂 Fig.11 The trajectory optimization results of the grasp 各关 process 特确日标轮廓 帧差法 灵巧手闭合 0.70r 1.0 巧 2帧图像各 各于运动速度 05 点深度值是否 是否为0 变化不大 4840.g 清理日标至垃圾桶内 0.486 %-0.250.4881 %05-0.80,6n04 Yr 确定目标最终信总 (a)RRT树 (b)末端轨迹 新且 算出 Y 1.0 确定抓取位置 新的关节角 0.5 机械臂归零 0 -0.5 图9系统流程 -1.0 0.5 Fig.9 The flow chart of the system 1.0 .51.01.5 x/m 优划. (c)各关节轨迹 (d)木端坐标分量轨迹 4.3实验结果 图10~12为本实验系统进行实验验证的相关过 图12投掷过程轨迹优化结果 Fig.12 The trajectory optimization results of the throw 程.如图10所示，本次实验的目标为一饼干盒，检测 process 所得抓取点坐标为(-0.587，-0.260,0.642)，投掷 图11、12为对该目标实施清理任务所进行的2 点坐标为(-0.700,0.550,0.250).经测量目标抓取 次轨迹优化的仿真结果.仿真结果表明，末端执行器

·154· 智能系统学报 第8卷 2次终节点的位置坐标分别为(-0.568，-0.231， 了多次实验.实验结果表明，当有新的目标进入场景 0.663)、(-0.732,0.533,0.281),与抓取点的误差 时，如果机械臂处于准备状态（零位），就会立即对 在5cm内. 目标垃圾实施清理工作；如果机械臂处于清理过程 本次实验共清理了3个目标，包括薯片盒1个、 中，就会在完成当前任务后，第一时间实施新的清理 饼干盒1个和罐头瓶1个，如图13所示.图14中， 任务；如果若清理工作完成后没有新目标的出现， (a)、(b)、(c)分别为清理3个不同目标时的图片. 机械臂会归零，处于准备状态，直到目标出现为止 以图14(a)为例，图片分别为机械臂初始状态、在实 由于RRT为随机规划算法，故不能保证目标在同一 验场景中放入第1个目标、机械臂向目标移动、机械 位置时机械臂的运行轨迹完全相同，但由于本套系 臂达到抓取点、机械臂对目标进行抓取、机械臂向投 统主要功能在于目标抓取，实验表明本文所用方法 掷点（垃圾桶上方某位置）移动，同时第2个目标被 已经可以很好地满足要求，且机械臂在运行过程中 放人场景中、机械臂到达投掷点、机械臂进行第1次 轨迹较为流畅、平滑，图15即为机械臂在工作过程 投掷的情景.至此，一次清理任务完成.之后，机械臂 中其末端轨迹 从当前位置向新的目标点移动，继续执行桌面清理 1.4 任务. 罐头瓶 05 薯片盒 饼干盒 /m0 -006040.2002 x/m (a)完成一次清理 1.4r 图13清理任务的目标物 Fig.13 The goal of cleaning tasks 1.0 0.6 0.5 y/m 06-0.40.200.2 0 (b)完成多次清理 图15机械臂的未端轨迹 (a)清理第1个目标 Fig.15 End point trajectory of the manipulator 5结束语 本文主要通过对Kinect深度摄像机获取的信 (b)清理第2个目标 息进行处理来确定目标抓取点信息，并利用基于工 作空间的RRT算法对机械臂进行路径规划，与此同 时用梯度投影法对RRT规划出的每一段路径进行 逆运动学求解.通过构建一套基于Kinect的桌面清 (c)清理第3个目标 理系统对本文的研究内容进行了验证，实验结果表 图14连续清理任务 明基于Kinect的机械臂可以较理想地完成自主的 Fig.14 Continuous cleaning tasks 目标抓取任务 参考文献： 4.4实验分析 为了验证该系统的可行性与稳定性，本文进行 [1]方勇纯.机器人视觉伺服研究综述[J小.智能系统学报

第2期 韩峥，等：基于Kinect的机械臂目标抓取 ·155· 2008,3(2):109-114. 天大学出版社，2009：394400. FANG Yongchun.Summary of robot visual servo research [13]尚倩，阮秋琦，李小利.双目立体视觉的目标识别与定 [J].CAAI Transactions on Intelligent Systems,2008,3 位[J].智能系统学报，2011,6(4)：303-311. (2):109-114. SHANG Qian,RUAN Qiugi,LI Xiaoli.Target identifica- [2]王麟琨，徐德，谭民.机器人视觉伺服研究进展[J].机 tion and location of binocular stereo vision[J].CAAI 器人，2004,26(3)：277-282. Transactions on Intelligent Systems,2011,6(4):303- WANG Linkun,XU De,TAN Min.Progress of robot visual 311. servo research[J].Robot,2004,26(3):277-282. [14]LIEGEOIS A.Automatic supervisory control of configura- [3]李亮.机械手对目标物体的抓取[D].成都：西华大学， tion and behavior of multibody mechanisms [C]//IEEE 2008:11. Trans Sys Man Cybernet.[S.1.],1977:868-871 LI Liang.Manipulator crawl on the target object D]. [15 ]ZGHAL H,DUBEY R V,EULER J A.Efficient gradient Sichuan:Xihua University,2008:11. projection optimization for manipulators with multiple de- [4]GANGANATH N,LEUNG H.Mobile robot localization u- grees of redundancy[C]//Proe IEEE Int Con Robor and sing odometry and Kinect sensor[C]//2010 IEEE Interna- Automat.Cincinnati,USA,1990,2:1006-1011. tional Conference on Emerging Signal Processing Applica- [16]LAVALLE S M,KUFFNER J.Randomized kinodynamic tions (ESPA).NJ,USA,2010:91-94. planning[C]//Proceedings of the 1999 IEEE International [5]庄佳园，徐玉如，万磊，等.基于雷达图像的水面无人艇 Conference on Robotics and Automation.Detroit,USA, 目标检测技术[J].哈尔滨工程大学学报，2012,33 1999:473479. (2):129-135. [17]LAVALLE S M,KUFFNER J J.RRT-Connect:an effi- ZHUANG Jiayuan,XU Yuru,WAN Lei,et al.Target de- cient approach to single-query path planning C]//Pro- tection of an unmanned surface vehicle based on a radar im- ceedings of the 2000 IEEE International Conference on Ro- age[J].Joumal of Harbin Engineering University,2012, botics and Automation.San Francisco,USA,2000:998- 33(2):129-135. 1001. 6]RAKPRAYOON P,RUCHANURUCKS M,ADACOUNDOU [18]BERTRAM D,KUFFNER J,DILLMANN R,et al.An L.Kinect-based obstacle detection for manipulator[C]/ integrated approach to inverse kinematics and path plan- 2011 IEEE/SICE International Symposium on System Inte- ning for redundant manipulators[C]//Proc IEEE Interna- gration (SII).NJ,USA:2011:68-73. tional Conference on Robotics and Automation ICRA). [7]李红波，丁林建，冉光勇.基于Kinect深度图像的人体识 0 rlando,USA,2006:1874-1879. 别分析[J].数字通信，2012(4)：2126. 作者简介： LI Hongbo,DING Linjian,RAN Guangyong.Human iden- 韩峥，女，1986年生，硕士研究生， tification analysis of the depth of the image based on Kinect 主要研究方向为智能控制及机器人 [J].Digital Communications,2012(4):21-26. [8]陆振.冗余自由度机器人原理及应用[M].北京：机械 工业出版社，2006：1. [9]李跃，汪亚明，黄文清，等.基于OpenCV的摄像机标定 方法研究[J].浙江大学学报，2010,27(3)：417421. LI Yue,WANG Yaming,HUANG Wenqing,et al.Camera 刘华平，男，1976年生，副教授，主 calibration technique based on OpenCV[J].Journal of Zhe- 要研究方向为智能控制及机器人、计算 jiang University,2010,27(03):417-421. 机视觉等。 [10]ZHANG Zhengyou.Flexible camera calibration viewing a plane from unknown orientations[C]//Proc International Conference on Computer Vision (ICCV'99).Corfu, Greece,1999,1:666673. [11]高文娟，李健.基于OpenCV的摄像机标定问题研究 黄文炳，男，1989年生，博士研究生， [J].计算机与数字工程，2008,36(12)：128-130. 主要研究方向为智能控制及机器人. GAO Wenjuan,LI Jian.Research on camera calibration technique based on OpenCV[J].Computer and Digital Engineering,2008,36(12):128-130. [12]刘容桢，于仕琪.OpenCV教程[M].北京：北京航空航