第13卷第4期 智能系统学报 Vol.13 No.4 2018年8月 CAAI Transactions on Intelligent Systems Aug.2018 D0:10.11992/tis.201709020 网络出版地址：http:/kns.cnki.net/kcms/detail/23.1538.TP.20180330.0931.004html 中国象棋机器人棋子定位与识别方法 郭晓峰2，王耀南2，周显恩2，尹阿婷2，赵辉平2，刘磊2 (1.湖南大学电气与信息工程学院，湖南长沙410082；2.机器人视觉感知与控制技术国家工程实验室，湖南 长沙410082) 摘要：针对中国象棋机器人系统中棋子定位与识别问题，提出了一种基于最小外接圆二次定位的定位方法和 一种旋转差分识别算法。首先，采用Hough圆检测进行粗定位获取棋子区域，并对棋子进行均值二值化处理。 随后，对二值化图像进行形态学处理，提取最大面积轮廓，并利用其最小外接圆实现棋子二次精准定位。最 后，对二次定位修正后的图像进行旋转差分识别。以直径为15mm的棋子为测试对象，利用我们研制的象棋机 器人采集图像进行测试，结果表明，棋子的定位精度为0.5mm,平均定位时间为2.6ms;在保证棋子识别正确率 在98%以上的情况下，单个棋子平均全流程运算时间为10ms,完全满足现有象棋机器人需求。 关键词：机器视觉：圆检测：字符识别：最小外接圆定位：旋转差分识别 中图分类号：TP242文献标志码：A文章编号：1673-4785(2018)04-0517-07 中文引用格式：郭晓峰，王耀南，周显恩，等.中国象棋机器人棋子定位与识别方法.智能系统学报，2018,13(4)：517-523. 英文引用格式：GUO Xiaofeng,.WANG Yaonan,ZHOU Xian'en,etal.Chess-piece localization and recognition method for Chinese chess robot JI.CAAI transactions on intelligent systems,2018,13(4):517-523. Chess-piece localization and recognition method for Chinese chess robot GUO Xiaofeng"2,WANG Yaonan'2,ZHOU Xian'en'2,YIN A'ting2,ZHAO Huiping,LIU Lei (1.College of Electrical and Information Engineering,Hunan University,Changsha 410082,China;2.National Engineering Laborat- ory for Robot Visual Perception and Control Technology,Changsha 410082,China) Abstract:To improve the localization and recognition of chess pieces by the Chinese chess robot system,in this paper, we propose a positioning method based on the secondary positioning of the minimum circumcircle and the use of a rotat- ing differential recognition algorithm.First,we use the Hough circle detection method to roughly position chess pieces and then subject them to mean-value binarization.Next,we morphologically process the binarized images to extract the maximum area contours and use their minimum circumcircle values to achieve secondary precise positioning of the chess pieces.Lastly,the rotating differential recognition algorithm recognizes the secondary positioning of the corrected images.Using the chess robot we previously developed and selecting chess pieces with a diameter of 15 mm as test ob- jects,we collected and tested the resulting images.The results show that the positioning accuracy of the chess pieces is within 0.5 mm,and the average positioning time is 2.6 ms.To ensure a 95%recognition accuracy of the chess pieces, the mean full-process operation period for a single chess piece is 10 ms,which fully meets the requirements of the cur- rent chess robot. Keywords:machine vision;circle detection;character recognition;minimum circumcircle positioning:rotating differen- tial recognition 随着社会的不断发展和科技的不断进步，以 中国象棋机器人研究开始于21世纪初，2004 中国象棋机器人为代表的娱乐服务型机器人，逐 年上海交通大学黄立波等山利用开放式控制器， 渐成为机器人研究领域的热点之一。 成功开发了国内第一台中国象棋对弈机器人，同 收稿日期：2017-09-11.网络出版日期：2018-03-30. 期多种对弈机器人相继诞生。早期的中国象棋 基金项目：国家自然科学基金项目(61733004.61573134.61433016： 国家科技支撑计划项目(2015BAF13B00). 机器人棋子的定位与识别采用非视觉方式，如特 通信作者：郭晓峰.E-mail:guoxiaofeng@hnu.edu.cn. 制不同电阻值或光敏电阻的棋子与设计电子
DOI: 10.11992/tis.201709020 网络出版地址: http://kns.cnki.net/kcms/detail/23.1538.TP.20180330.0931.004.html 中国象棋机器人棋子定位与识别方法 郭晓峰1,2，王耀南1,2，周显恩1,2，尹阿婷1,2，赵辉平1,2，刘磊1,2 （1. 湖南大学 电气与信息工程学院，湖南 长沙 410082; 2. 机器人视觉感知与控制技术国家工程实验室，湖南 长沙 410082） 摘 要：针对中国象棋机器人系统中棋子定位与识别问题，提出了一种基于最小外接圆二次定位的定位方法和 一种旋转差分识别算法。首先，采用 Hough 圆检测进行粗定位获取棋子区域，并对棋子进行均值二值化处理。 随后，对二值化图像进行形态学处理，提取最大面积轮廓，并利用其最小外接圆实现棋子二次精准定位。最 后，对二次定位修正后的图像进行旋转差分识别。以直径为 15 mm 的棋子为测试对象，利用我们研制的象棋机 器人采集图像进行测试，结果表明，棋子的定位精度为 0.5 mm，平均定位时间为 2.6 ms；在保证棋子识别正确率 在 98% 以上的情况下，单个棋子平均全流程运算时间为 10 ms，完全满足现有象棋机器人需求。 关键词：机器视觉；圆检测；字符识别；最小外接圆定位；旋转差分识别 中图分类号：TP242 文献标志码：A 文章编号：1673−4785(2018)04−0517−07 中文引用格式：郭晓峰, 王耀南, 周显恩, 等. 中国象棋机器人棋子定位与识别方法[J]. 智能系统学报, 2018, 13(4): 517–523. 英文引用格式：GUO Xiaofeng, WANG Yaonan, ZHOU Xian’en, et al. Chess-piece localization and recognition method for Chinese chess robot[J]. CAAI transactions on intelligent systems, 2018, 13(4): 517–523. Chess-piece localization and recognition method for Chinese chess robot GUO Xiaofeng1,2 ，WANG Yaonan1,2 ，ZHOU Xian’en1,2 ，YIN A’ting1,2 ，ZHAO Huiping1,2 ，LIU Lei1,2 (1. College of Electrical and Information Engineering, Hunan University, Changsha 410082, China; 2. National Engineering Laboratory for Robot Visual Perception and Control Technology, Changsha 410082, China) Abstract: To improve the localization and recognition of chess pieces by the Chinese chess robot system, in this paper, we propose a positioning method based on the secondary positioning of the minimum circumcircle and the use of a rotating differential recognition algorithm. First, we use the Hough circle detection method to roughly position chess pieces and then subject them to mean-value binarization. Next, we morphologically process the binarized images to extract the maximum area contours and use their minimum circumcircle values to achieve secondary precise positioning of the chess pieces. Lastly, the rotating differential recognition algorithm recognizes the secondary positioning of the corrected images. Using the chess robot we previously developed and selecting chess pieces with a diameter of 15 mm as test objects, we collected and tested the resulting images. The results show that the positioning accuracy of the chess pieces is within 0.5 mm, and the average positioning time is 2.6 ms. To ensure a 95% recognition accuracy of the chess pieces, the mean full-process operation period for a single chess piece is 10 ms, which fully meets the requirements of the current chess robot. Keywords: machine vision; circle detection; character recognition; minimum circumcircle positioning; rotating differential recognition 随着社会的不断发展和科技的不断进步，以 中国象棋机器人为代表的娱乐服务型机器人，逐 渐成为机器人研究领域的热点之一。 中国象棋机器人研究开始于 21 世纪初，2004 年上海交通大学黄立波等[1]利用开放式控制器， 成功开发了国内第一台中国象棋对弈机器人，同 期多种对弈机器人相继诞生[2]。早期的中国象棋 机器人棋子的定位与识别采用非视觉方式，如特 制不同电阻值[3-4]或光敏电阻[5]的棋子与设计电子 收稿日期：2017−09−11. 网络出版日期：2018−03−30. 基金项目：国家自然科学基金项目 (61733004，61573134，61433016)； 国家科技支撑计划项目 (2015BAF13B00). 通信作者：郭晓峰. E-mail：guoxiaofeng@hnu.edu.cn. 第 13 卷第 4 期 智 能 系 统 学 报 Vol.13 No.4 2018 年 8 月 CAAI Transactions on Intelligent Systems Aug. 2018
·518· 智能系统学报 第13卷 棋盘的方式进行棋子的定位与识别，类似地还可 2 定位与识别算法 采用射频等方法。这些非视觉的识别法都有： 系统需特殊设计定制，适应性不强等缺点。随着 本文算法整体流程图如图2所示。 机器视觉技术的发展，棋子的定位与识别也逐渐 图像采集 棋子一次定位 棋子二次 学符 与预处理 采用机器视觉的方法。 精确定位 识别 在棋子定位问题上：大多依靠棋盘间接定位， 图2算法整体流程图 例如，许丰磊对棋盘内90个小区域进行轮廓跟 Fig.2 The whole flow chart of the algorithm 踪与提取，进而判断棋子位置：肖克先等8、杜俊 2.1 一次定位与预处理 俐等通过对棋盘十字交点处进行检测。以上 次定位与预处理整体流程如图3所示。 棋子定位方法均依靠棋盘直线检测或交点检测， 图像 圆检测 棋子 颜色 字符 无法做到脱离棋盘定位，且定位精度不高。 采集 一次粗定位)》 分割 识别 分割 在棋子识别问题上：棋子识别实质就是字符 棋子一次 识别，其研究相对比较成熟，但目前字符识别研 圆心坐标 究和应用最多的领域是汽车车牌的识别211。与 图3一次定位与预处理流程图 传统字符识别不同，象棋棋子识别具有旋转任意 Fig.3 first positioning and pretreatment flow chart 性，目前针对中国象棋棋子字符的识别研究不 首先对摆棋区域进行图像采集，本系统使用 多。冯元华和莫妙桃使用文字连通数、字符 普通家用网络摄像头，图像分辨率为：1280像素× 年轮统计等特征进行字符识别，但其需要预先对 720像素，测试所用棋子的直径为15mm。 棋子字符进行特征统计，步骤繁琐且正确率基本 在83%左右。随着计算机硬件和机器学习的发 1)圆检测一次粗定位 展，更多人尝试使用BP神经网络6、深度学习-圆 棋子定位问题就是圆检测问题。圆检测算法 等进行棋子识别。但机器学习或深度学习需要的 主要有：最小二乘法刘、多随机圆拟合度评估四 训练样本大，训练时间长，实时性不强，更换棋子 等拟合方法。这类方法圆检测准确度高，运算量 后同样需要重新训练，步骤复杂繁琐。 少，但其对噪声敏感，且不能一次检测多个圆。 针对上述棋子定位中存在的依靠棋盘定位、 还有Hough变换2等投票（聚类）方法。这类方法 定位精度不高等问题，本文提出了一种基于最小 将样本点映射到参数空间，用累加器或者类聚的 外接圆二次定位棋子定位方法，能够快速高精度 方法来检测圆。这类方法对噪声不敏感，且可以 实现棋子定位。针对当前传统文字识别方法识别 一次检测多个圆，但其计算量大运算时间长。 率低，而基于机器学习的字符识别方法，存在训 本系统运行背景较复杂，有外界因素影响，因 练时间长、实时性不强的问题，本文提出了一种 此需要圆检测具有较强的鲁棒性，且需要一次性 旋转差分识别算法，实现棋子快速精准识别。 检测出多个圆形。系统对于棋子的定位精度和识 别准确度要求很高，但对于运行时间要求不高， 1 系统结构 因此综合以上考虑，本文使用Hough变换进行棋 我们自主搭建了象棋机器人的硬件平台，其 子一次粗定位。 结构示意图如图1所示。系统主要由URAM四 对采集到图像进行Hough变换的粗定位，定 轴机械臂及相连的摄像机、计算机、象棋棋盘和 位效果图如图4所示，并可得到粗定位圆心坐标。 辅助光源组成，该系统可实现两个功能：1)开局 阶段自动摆棋功能：2)人机对弈功能。该系统有 两个工作区域：摆棋区域和棋盘区域。本文以摆 棋区域内棋子的定位与识别进行研究。 摄像机白 8968696 平面光源 ©@ 吸盘 图4一次定位图像 摆棋区域 象棋棋盘机械臂 计算机 Fig.4 First positioning effect image 图1象棋机器人系统结构示意 2)棋子分割 Fig.1 Sketch map of chess robot system 随后根据该定位坐标基于区域的图像分割将
棋盘的方式进行棋子的定位与识别，类似地还可 采用射频[6]等方法。这些非视觉的识别法都有： 系统需特殊设计定制，适应性不强等缺点。随着 机器视觉技术的发展，棋子的定位与识别也逐渐 采用机器视觉的方法。 在棋子定位问题上：大多依靠棋盘间接定位， 例如，许丰磊[7]对棋盘内 90 个小区域进行轮廓跟 踪与提取，进而判断棋子位置；肖克先等[8-9] 、杜俊 俐等[10-11]通过对棋盘十字交点处进行检测。以上 棋子定位方法均依靠棋盘直线检测或交点检测， 无法做到脱离棋盘定位，且定位精度不高。 在棋子识别问题上：棋子识别实质就是字符 识别，其研究相对比较成熟，但目前字符识别研 究和应用最多的领域是汽车车牌的识别[12-13]。与 传统字符识别不同，象棋棋子识别具有旋转任意 性，目前针对中国象棋棋子字符的识别研究不 多。冯元华[14]和莫妙桃[15]使用文字连通数、字符 年轮统计等特征进行字符识别，但其需要预先对 棋子字符进行特征统计，步骤繁琐且正确率基本 在 83% 左右。随着计算机硬件和机器学习的发 展，更多人尝试使用 BP 神经网络[16] 、深度学习[17-18] 等进行棋子识别。但机器学习或深度学习需要的 训练样本大，训练时间长，实时性不强，更换棋子 后同样需要重新训练，步骤复杂繁琐。 针对上述棋子定位中存在的依靠棋盘定位、 定位精度不高等问题，本文提出了一种基于最小 外接圆二次定位棋子定位方法，能够快速高精度 实现棋子定位。针对当前传统文字识别方法识别 率低，而基于机器学习的字符识别方法，存在训 练时间长、实时性不强的问题，本文提出了一种 旋转差分识别算法，实现棋子快速精准识别。 1 系统结构 我们自主搭建了象棋机器人的硬件平台，其 结构示意图如图 1 所示。系统主要由 URAM 四 轴机械臂及相连的摄像机、计算机、象棋棋盘和 辅助光源组成，该系统可实现两个功能：1) 开局 阶段自动摆棋功能；2) 人机对弈功能。该系统有 两个工作区域：摆棋区域和棋盘区域。本文以摆 棋区域内棋子的定位与识别进行研究。 吸盘 平面光源 支架 象棋棋盘 机械臂 计算机 摄像机 摆棋区域 图 1 象棋机器人系统结构示意 Fig. 1 Sketch map of chess robot system 2 定位与识别算法 本文算法整体流程图如图 2 所示。 棋子一次定位 与预处理 棋子二次 精确定位 图像采集 字符 识别 图 2 算法整体流程图 Fig. 2 The whole flow chart of the algorithm 2.1 一次定位与预处理 一次定位与预处理整体流程如图 3 所示。 圆检测 （一次粗定位） 棋子 分割 图像 采集 棋子一次 圆心坐标 颜色 识别 字符 分割 图 3 一次定位与预处理流程图 Fig. 3 first positioning and pretreatment flow chart 首先对摆棋区域进行图像采集，本系统使用 普通家用网络摄像头，图像分辨率为：1 280 像素× 720 像素，测试所用棋子的直径为 15 mm。 1) 圆检测一次粗定位 棋子定位问题就是圆检测问题。圆检测算法 主要有：最小二乘法[19-20] 、多随机圆拟合度评估[21] 等拟合方法。这类方法圆检测准确度高，运算量 少，但其对噪声敏感，且不能一次检测多个圆。 还有 Hough 变换[22]等投票 (聚类) 方法。这类方法 将样本点映射到参数空间，用累加器或者类聚的 方法来检测圆。这类方法对噪声不敏感，且可以 一次检测多个圆，但其计算量大运算时间长。 本系统运行背景较复杂，有外界因素影响，因 此需要圆检测具有较强的鲁棒性，且需要一次性 检测出多个圆形。系统对于棋子的定位精度和识 别准确度要求很高，但对于运行时间要求不高， 因此综合以上考虑，本文使用 Hough 变换进行棋 子一次粗定位。 对采集到图像进行 Hough 变换的粗定位，定 位效果图如图 4 所示，并可得到粗定位圆心坐标。 图 4 一次定位图像 Fig. 4 First positioning effect image 2) 棋子分割 随后根据该定位坐标基于区域的图像分割将 ·518· 智 能 系 统 学 报 第 13 卷
第4期 郭晓峰，等：中国象棋机器人棋子定位与识别方法 ·519· 棋子前后景分离和棋子分割。 阈值进行分割： 3)颜色识别 I(x.y)= 255,I(x,y)<KT 将RGB模型图片转换为HSV模型，随后对 0,其他 (1) HSV模型中的各个值进行统计，寻找红、黑颜色 式中K为比例系数。通过实验确定K取075时， 的特征。 字符分割效果较好。 经过实验后得到：本文所使用棋子，红色 2.2 棋子二次精确定位 H(H:hue)值范围为170~180：黑色H值范围为 系统工作环境较为复杂，干扰多，且所用棋子 103~106,利用红色和黑色颜色的色调不同取值， 较小（仅为15mm),成像分辨率低。因此粗定位 就可将红色和黑色的棋子图像进行识别。 效果，部分棋子定位效果较差如图6所示。需要 4)字符分割 对棋子进行定位修正以确保定位精准。 由棋子图像的灰度直方图：由图5可知，棋子 图像的灰度分布具有很大离散性，即棋子背景灰 度值较集中为一种灰度值，黑色或红色字符集中 为另一灰度值，且两者相差较大。 图6定位效果 Fig.6 Positioning effect 本文提出的一种基于字符最小外接圆的定位 修正方法的流程图如图7所示。 字 寻找字符 寻找轮廓 修正 图片 最大轮廓 外接圆 圆心 图7二次定位流程图 Fig.7 The flow chart of second positioning 图5棋子图片直方图 二次定位算法步骤： Fig.5 The histogram of chess image 1)图片载入及预处理。由一次粗定位得到原 因此采用均值阈值分割进行二值化处理，首 始字符图如图8(a),及粗定位圆心如图8中红色 先计算图像像素灰度均值：T之后根据均值选定 圆点表示。预处理得二值化字符如图8b)。 2 (a)原字符图 b)二值化图 (c)形态梯度(d)最大轮廓(e)最小外接圆（①修正后图片 图8二次定位中间过程图 Fig.8 Process image of second positioning
棋子前后景分离和棋子分割。 3) 颜色识别 将 RGB 模型图片转换为 HSV 模型，随后对 HSV 模型中的各个值进行统计，寻找红、黑颜色 的特征。 经过实验后得到：本文所使用棋子，红 色 H(H：hue) 值范围为 170～180；黑色 H 值范围为 103～106，利用红色和黑色颜色的色调不同取值， 就可将红色和黑色的棋子图像进行识别。 4) 字符分割 由棋子图像的灰度直方图：由图 5 可知，棋子 图像的灰度分布具有很大离散性，即棋子背景灰 度值较集中为一种灰度值，黑色或红色字符集中 为另一灰度值，且两者相差较大。 图 5 棋子图片直方图 Fig. 5 The histogram of chess image 因此采用均值阈值分割进行二值化处理，首 先计算图像像素灰度均值：T 之后根据均值选定 阈值进行分割： I(x, y) = { 255, I(x, y) < KT 0, 其他 (1) 式中 K 为比例系数。通过实验确定 K 取 0.75 时， 字符分割效果较好。 2.2 棋子二次精确定位 系统工作环境较为复杂，干扰多，且所用棋子 较小 (仅为 15 mm)，成像分辨率低。因此粗定位 效果，部分棋子定位效果较差如图 6 所示。需要 对棋子进行定位修正以确保定位精准。 图 6 定位效果 Fig. 6 Positioning effect 本文提出的一种基于字符最小外接圆的定位 修正方法的流程图如图 7 所示。 ᄧឪႃげ ᰬ๓䒚 ᄧឪ䒚 โᣑల ႃげ ప❳ Ԛ లᓯ 图 7 二次定位流程图 Fig. 7 The flow chart of second positioning 二次定位算法步骤： 1) 图片载入及预处理。由一次粗定位得到原 始字符图如图 8(a)，及粗定位圆心如图 8 中红色 圆点表示。预处理得二值化字符如图 8(b)。 (a) 原字符图 (b) 二值化图 (c) 形态梯度 (d) 最大轮廓 (e) 最小外接圆 (f) 修正后图片 图 8 二次定位中间过程图 Fig. 8 Process image of second positioning 第 4 期 郭晓峰，等：中国象棋机器人棋子定位与识别方法 ·519·
·520· 智能系统学报 第13卷 2)寻找最大轮廓。对二值化字符进行形态梯 度运算如图8（©）。对形态梯度图进行轮廓提取， 依次遍历所有轮廓并计算轮廓面积，保留面积最 大的轮廓，如图8(d)所示。 3)寻找轮廓外接圆。由于圆具有稳定性和唯 (a)原图 b)二值化 (c)最小差分图 一性，因此寻找字符最大轮廓的最小外接圆如图 图10识别效果 8(e,外接圆圆心如图中绿色圆点所示。 Fig.10 Recognition effect image 4)修正圆心。由最小外接圆，重新截取字符 图片如图8（①，保证字符位于图像中心位置，为后 3实验结果与分析 续识别工作做准备。同时由两次圆心坐标对比可 本系统硬件平台如图11所示，摄像机为普通 得定位误差，并对粗定位圆心坐标进行修正，从 家用网络摄像头，分辨率为：1280像素×720像 而得到棋子精确的圆心坐标。 素。象棋棋子直径为：15mm。计算机CPU为in- 2.3字符识别 tel core i5一4200M,主频2.5GHz,通过软件开 棋子识别本质上就是字符识别，但不同于传 发平台Visual Studio2012和Open CV2.4.9编写 C++程序，对棋子进行了定位与识别算法验证。 统的字符识别，在摆放过程中棋子可能旋转任意 摄像机 角度，而造成字符倾斜，而传统基于像素的模板 算机 匹配识别不具有旋转不变性。如何克服圆形棋子 机械臂 的旋转特性是中国象棋棋子识别的难点。本文提 摆棋区域 出了一种旋转差分识别算法，其具体流程图如图9 所示。 字符图片 铺助光源 棋盘区域 载入模板 模板旋转a 图11中国象棋机器人系统硬件平台 字符与模板 Fig.11 Hardware platform of Chinese chess robot system 像素差分 3.1棋子定位实验 利用本系统采集4张摆棋区域的图像，每张 N 360°旋转完里 图片中包含32个棋子，共128个棋子。随后对每 y 张棋子圆心进行人工标定，将检测定位坐标和标 保留最小差分像素差 定坐标对比，得到定位误差，如表1所示。 B(e1,2,…,7) 表1定位结果 Table 1 Location result 所有模板匹配完毕 N 字符 一次定位 二次定位误差修最终定位定位时 拉 误差/像素 误差/像素正率/%误差mm 间/ms 红兵 3.3 1.1 0.24 2.41 min(B,B2n…,B,) 66.7 红馬 3.7 1.1 70.3 0.24 3.03 图9旋转差分识别算法流程 红車 3.0 1.5 50.0 0.33 2.51 Fig.9 Flow chart of recognition algorithm 红相 1.6 0.5 68.8 0.11 2.96 载入已制备模板图，将待识别图与其做像素 红炮 2.8 0.5 85.7 0.11 3.31 红仕 3.4 1.0 70.6 0.22 1.62 差分如图10所示，并保留差分值。随后，将模板 红帥 3.9 0.6 84.7 0.13 2.55 旋转a°后重复上述操作，直至360°旋转完毕为 黑卒 3.2 1.1 65.6 0.24 2.60 止。统计各个旋转角度的像素差分值，保留其中 黑馬 3.3 1.1 66.7 0.24 3.11 的最小值，记为B(n为模板序号，为1,2，，7) 黑車 2.6 1.5 42.3 0.33 2.50 然后再和第2个模板进行上述操作。依次和 黑象 3.1 0.9 71.0 0.20 2.91 所有7个模板进行上述操作后，则最小的Bn对应 黑炮 2.3 0.6 74.0 0.13 3.21 的字符，即为待识别棋子的识别结果，随即可得 黑士 33 42.4 0.42 1.44 其对应的棋盘的位置。识别效果如图10所示。 黑将 1.5 0.5 66.7 0.11 2.62
2) 寻找最大轮廓。对二值化字符进行形态梯 度运算如图 8(c)。对形态梯度图进行轮廓提取， 依次遍历所有轮廓并计算轮廓面积，保留面积最 大的轮廓，如图 8(d) 所示。 3) 寻找轮廓外接圆。由于圆具有稳定性和唯 一性，因此寻找字符最大轮廓的最小外接圆如图 8(e)，外接圆圆心如图中绿色圆点所示。 4) 修正圆心。由最小外接圆，重新截取字符 图片如图 8(f)，保证字符位于图像中心位置，为后 续识别工作做准备。同时由两次圆心坐标对比可 得定位误差，并对粗定位圆心坐标进行修正，从 而得到棋子精确的圆心坐标。 2.3 字符识别 棋子识别本质上就是字符识别，但不同于传 统的字符识别，在摆放过程中棋子可能旋转任意 角度，而造成字符倾斜，而传统基于像素的模板 匹配识别不具有旋转不变性。如何克服圆形棋子 的旋转特性是中国象棋棋子识别的难点。本文提 出了一种旋转差分识别算法，其具体流程图如图 9 所示。 模板旋转a 字符图片 360°旋转完毕 Y 字符与模板 像素差分 Y 载入模板 N N 保留最小差分像素差 Bn (n=1,2,…,7) 所有模板匹配完毕 min(B1 ,B2 ,…,B7 ) 图 9 旋转差分识别算法流程 Fig. 9 Flow chart of recognition algorithm ··· 载入已制备模板图，将待识别图与其做像素 差分如图 10 所示，并保留差分值。随后，将模板 旋转 a°后重复上述操作，直至 360°旋转完毕为 止。统计各个旋转角度的像素差分值，保留其中 的最小值，记为 Bn (n 为模板序号，为 1, 2, ,7)。 然后再和第 2 个模板进行上述操作。依次和 所有 7 个模板进行上述操作后，则最小的 Bn 对应 的字符，即为待识别棋子的识别结果，随即可得 其对应的棋盘的位置。识别效果如图 10 所示。 (a) ࣋ప (b) θըࡂ) c) ᰬᄻጚܲప 图 10 识别效果 Fig. 10 Recognition effect image 3 实验结果与分析 本系统硬件平台如图 11 所示，摄像机为普通 家用网络摄像头，分辨率为：1 280 像素×720 像 素。象棋棋子直径为：15 mm。计算机 CPU 为 intel core i5—4 200 M，主频 2.5 GHz，通过软件开 发平台 Visual Studio 2012 和 Open CV2.4.9 编写 C + +程序，对棋子进行了定位与识别算法验证。 䃍ッᱦ ᥰᱦ ᱦᷜ㛮 ᥲ᷷ࡦഋ 䒱اٴߕ᷷ ⎼Ⰴࡦഋ 图 11 中国象棋机器人系统硬件平台 Fig. 11 Hardware platform of Chinese chess robot system 3.1 棋子定位实验 利用本系统采集 4 张摆棋区域的图像，每张 图片中包含 32 个棋子，共 128 个棋子。随后对每 张棋子圆心进行人工标定，将检测定位坐标和标 定坐标对比，得到定位误差，如表 1 所示。 表 1 定位结果 Table 1 Location result 字符 一次定位 误差/像素 二次定位 误差/像素 误差修 正率/% 最终定位 误差/mm 定位时 间/ms 红兵 3.3 1.1 66.7 0.24 2.41 红馬 3.7 1.1 70.3 0.24 3.03 红車 3.0 1.5 50.0 0.33 2.51 红相 1.6 0.5 68.8 0.11 2.96 红炮 2.8 0.5 85.7 0.11 3.31 红仕 3.4 1.0 70.6 0.22 1.62 红帥 3.9 0.6 84.7 0.13 2.55 黑卒 3.2 1.1 65.6 0.24 2.60 黑馬 3.3 1.1 66.7 0.24 3.11 黑車 2.6 1.5 42.3 0.33 2.50 黑象 3.1 0.9 71.0 0.20 2.91 黑炮 2.3 0.6 74.0 0.13 3.21 黑士 3.3 1.9 42.4 0.42 1.44 黑将 1.5 0.5 66.7 0.11 2.62 ·520· 智 能 系 统 学 报 第 13 卷
第4期 郭晓峰，等：中国象棋机器人棋子定位与识别方法 ·521· 两次定位误差为欧氏距离D,单位为像素 由表2可以得到棋子识别率和运算时间与差 (pixel)。定义误差修正率： 分旋转角度a的关系图，如图12和图13所示。 Rer-comection Dis-D2nd (2) 100 该参数可以反映定位精度的提升程度。由 0 式(2)可知，定位精度提升均在40%以上，大部分 建 在60%或70%以上，最高可达80%。 70 本系统使用棋子直径为15mm,通过比例换 60 算，可以得到最终实际定位误差。实验结果表 50 明：棋子定位精度均在0.50mm以上，最高定位精 051015202530354045 al) 度达到0.11mm,定位精准。棋子的平均定位时 图12识别准确率 间为2.61ms,定位快速，满足象棋机器人快速精 Fig.12 Recognition accuracy 准定位的要求。 各个字符定位精度存在差异：”将”、“帥” “炮”等的定位精度较高达到0.1mm级别；而 70 0 “士”、“車”的定位精度较低，仅为0.5mm左右。 50 因为相比于“将”、“帥”等左右结构分布的文字， 4 建议区间 3 “士”、“車”等为一体的竖长结构，造成其最大轮 20 廓外接圆稳定性不足，定位存在较大偏差。 10 定位时间存在差异，“士”、“仕”定位时间短达 0 5 1015202530354045 al) 到1.5ms左右；而“馬”、“炮”等字符定位时间长 为3.0ms左右，这是因为：“士”、“仕”等字符的笔 图13运算时间 画较少的文字，“馬”、“炮”等较多，进行轮廓提取 Fig.13 Operation time 后字符轮廓数量多，轮廓遍历时遍历的次数多， 对图12、13进行分析，从识别率来看，当旋转 而造成定位时间长。 角度在1°~21°变化时，系统均保持较高的准确 3.2棋子识别实验 率，达到98%。当角度超过21以后，准确率开始 本文采用旋转差分识别算法，因此棋子识别 下降并且下降速率越来越快。 率和差分时模板每次旋转角度α密切相关，且算 从运算时间来看，角度为1时处理一个棋子 法的运算时间也与其直接相关，α越小，即识别率 平均耗时75.6ms。但随着角度不断增大，运算时 越高但运算效率越差。如何平衡识别率和运算效 间迅速减小，为5时，运算时间已减小到187ms。 率，是该算法要解决的关键问题。 采集20副图像共640个棋子进行测试，在0°~ 随后减小速率不断放缓。 45°区间内分别设定了不同的差分旋转角度a°进 综合识别率和运算时间分析，该系统差分识 行11次实验，如表2所示。注：运算时间为单个 别算法的旋转角度选择10°~15较为适宜。在此 棋子的全流程平均运算时间，包括定位与识别。 角度范围内，棋子识别率较高为98%左右，全流 表2识别结果 程运算时间为10ms左右，满足象棋机器人系统 Table 2 Recognition result 的要求。 差分旋 正确数/错误数/识别率/ 运算时间/ 选定旋转差分角a=13°，对20幅图片中各个 转角al) 个 个 % ms 字符识别情况分别统计如表3所示。其中错误识 1 632 8 98.8 75.6 632 8 98.8 18.7 别为：“炮”错误识别为“相”；“馬”和“兵”之间错误 10 632 8 98.8 10.6 识别；“車”和“卒”之间错误识别。字符之间相互 15 632 8 98.8 8.1 21 632 98.8 6.8 错误识别的原因和如何进一步提升算法的识别准 8 22 630 98.4 6.8 确率是下一步研究的重点。 25 620 20 96.9 5.8 3.3实验结果对比 30 585 91.4 5.0 35 540 100 84.4 4.7 将本文在旋转差分角度设定在13°情况下的 % 480 160 75.0 4.4 实验数据与文献[17]的实验数据进行对比，得到 45 385 255 60.2 4.1 结果如表4所示
两次定位误差为欧氏距离 D，单位为像素 (pixel)。定义误差修正率： Rer·correction = D1st − D2nd D1st (2) 该参数可以反映定位精度的提升程度。由 式 (2) 可知，定位精度提升均在 40% 以上，大部分 在 60% 或 70% 以上，最高可达 80%。 本系统使用棋子直径为 15 mm，通过比例换 算，可以得到最终实际定位误差。实验结果表 明：棋子定位精度均在 0.50 mm 以上，最高定位精 度达到 0.11 mm，定位精准。棋子的平均定位时 间为 2.61 ms，定位快速，满足象棋机器人快速精 准定位的要求。 各个字符定位精度存在差异：” 将”、“帥”、 “炮”等的定位精度较高达到 0.1 mm 级别；而 “士”、“車”的定位精度较低，仅为 0.5 mm 左右。 因为相比于“将”、“帥”等左右结构分布的文字， “士”、“車”等为一体的竖长结构，造成其最大轮 廓外接圆稳定性不足，定位存在较大偏差。 定位时间存在差异，“士”、“仕”定位时间短达 到 1.5 ms 左右；而“馬”、“炮”等字符定位时间长 为 3.0 ms 左右，这是因为：“士”、“仕”等字符的笔 画较少的文字，“馬”、“炮”等较多，进行轮廓提取 后字符轮廓数量多，轮廓遍历时遍历的次数多， 而造成定位时间长。 3.2 棋子识别实验 本文采用旋转差分识别算法，因此棋子识别 率和差分时模板每次旋转角度 a 密切相关，且算 法的运算时间也与其直接相关，a 越小，即识别率 越高但运算效率越差。如何平衡识别率和运算效 率，是该算法要解决的关键问题。 采集 20 副图像共 640 个棋子进行测试，在 0°～ 45°区间内分别设定了不同的差分旋转角度 a°进 行 11 次实验，如表 2 所示。注：运算时间为单个 棋子的全流程平均运算时间，包括定位与识别。 表 2 识别结果 Table 2 Recognition result 差分旋 转角 a/(°) 正确数/ 个 错误数/ 个 识别率/ % 运算时间/ ms 1 632 8 98.8 75.6 5 632 8 98.8 18.7 10 632 8 98.8 10.6 15 632 8 98.8 8.1 21 632 8 98.8 6.8 22 630 10 98.4 6.8 25 620 20 96.9 5.8 30 585 55 91.4 5.0 35 540 100 84.4 4.7 40 480 160 75.0 4.4 45 385 255 60.2 4.1 由表 2 可以得到棋子识别率和运算时间与差 分旋转角度 a 的关系图，如图 12 和图 13 所示。 100 90 80 70 60 50 0 5 10 15 20 25 30 35 40 45 a/(°) 准确率/% 建议区间 图 12 识别准确率 Fig. 12 Recognition accuracy 80 70 60 50 40 30 20 10 0 5 10 15 20 25 30 35 40 45 a/(°) 建议区间 运行时间/ms 图 13 运算时间 Fig. 13 Operation time 对图 12、13 进行分析，从识别率来看，当旋转 角度在 1°～21°变化时，系统均保持较高的准确 率，达到 98%。当角度超过 21°以后，准确率开始 下降并且下降速率越来越快。 从运算时间来看，角度为 1°时处理一个棋子 平均耗时 75.6 ms。但随着角度不断增大，运算时 间迅速减小，为 5°时，运算时间已减小到 18.7 ms。 随后减小速率不断放缓。 综合识别率和运算时间分析，该系统差分识 别算法的旋转角度选择 10°～15°较为适宜。在此 角度范围内，棋子识别率较高为 98% 左右，全流 程运算时间为 10 ms 左右，满足象棋机器人系统 的要求。 选定旋转差分角 a=13°，对 20 幅图片中各个 字符识别情况分别统计如表 3 所示。其中错误识 别为：“炮”错误识别为“相”；“馬”和“兵”之间错误 识别；“車”和“卒”之间错误识别。字符之间相互 错误识别的原因和如何进一步提升算法的识别准 确率是下一步研究的重点。 3.3 实验结果对比 将本文在旋转差分角度设定在 13°情况下的 实验数据与文献[17]的实验数据进行对比，得到 结果如表 4 所示。 第 4 期 郭晓峰，等：中国象棋机器人棋子定位与识别方法 ·521·
·522· 智能系统学报 第13卷 表3旋转差分角为13时的识别结果 标要求。 Table 3 Recognition results when the angle is 13 degrees 目前该算法在个别字符定位误差和识别准确 字符正确数/个 错误数/个 总数/个 识别率/% 度、棋子定位时间、棋子全流程运算时间等方面 钟 20 0 20 100 存在进一步优化空间，这将是下一步研究的 0 0 20 100 重点。 象 40 0 40 100 相 40 0 40 100 参考文献： 炮 38 2 40 95.0 炮 40 []黄立波，夏庭锴，王春香，等，实时环境下的对弈机器人 0 40 100 土 40 控制系统设计与分析J.机械，2004,31(6)：50-52 40 0 100 仕 40 0 HUANG Libo,XIA Tingkai,WANG Chunxiang,et al. 40 100 馬 Design and analysis of the chinese-chess robot in real time 79 80 98.8 車 environment[J].Machinery,2004,31(6):50-52 3 80 96.3 兵 99 [2]张代兵，朱全民，张纪阳.一种博弈机器人的研制[).仪 100 99.0 卒 99 器仪表学报，2006,27(6)：2109-2111. 100 99.0 总 632 ZHANG Daibing,ZHU Quanmin,ZHANG Jiyang.Design 8 640 98.8 and realization of a chess robot[J].Chinese journal of sci- 表4对比测试结果 entific instrument,2006,27(6):2109-2111. Table 4 Comparison of test result [3]LEE D S,WANG S J,PANG H Y.Computer-controlled 实验数据 本系统 文献[17刀 Chinese chess[C]//2010 International Symposium on Com- 定位误差/mm 0.5 0.8 puter Communication Control and Automation.Tainan, 定位时间/ms 2.61 China.2010:389-392 识别率/% 98.8 98 [4]张永德，毕津滔.基于AVR单片机的机器人控制器设计 最快识别时间/ms 49 [).计算机系统应用，2008(11)：20-24 运算时间ms 9.3 ZHANG Yongde,BI Jintao.Design of robot controller based on AVR single-chip computer[J].Computer systems 从表4可知，本象棋棋子定位与识别系统棋 and applications,2008(11):20-24. 子定位误差0.5mm略低于文献[17]的0.8mm,识 [S]庄剑毅.基于ARM嵌入式Liux的象棋机器人控制系 别准确率98.8%略高于文献[17的98%，该两项指 统研究D].广州：华南理工大学，2012 标相差不大。但本系统棋子全流程运算时间仅为 ZHUANG Jianyi.Research on the control system of Chinese 9.3ms,远远小于文献[17刀的最短识别时间49ms。 chess robot based on ARM and embedded Linux[D]. 本文使用的摄像机为普通网络摄像头分辨率 Guangzhou:South China University of Technology,2012 为1280像素×720像素，文献[17使用的是工业高 [6]刘飞，吕新广.药品及其包装对超高频RFID标签性能的 清相机分辨率为1000像素×1000像素；本文使 影响[).重庆邮电大学学报：自然科学版，2017,29(4)： 563-568. 用的棋子为直径15mm,文献[17使用的棋子直径 LIU Fei,LV Xinguang.Effects of drug and its packaging 为28mm;且文献[17的测试环境较为简单，为测 on the performance of UHF RFID tag[J].Journal of 试平台箱内部，本文的测试环境较为复杂。因 Chongqing university of posts and telecommunications: 此，本文的综合测试效果优于文献[17刀，具有良好 natural science edition,2017,29(4):563-568 的应用前景。 []许丰磊.象棋机器人视觉算法与智能控制软件的研究 [D].哈尔滨：哈尔滨工业大学，2006 4结束语 XU Fenglei.The research of the vision algorithm and intel- 本文针对中国象棋机器人中棋子视觉定位与 ligent control software for chess robot[D].Harbin:Harbin Institute of Technology,2006. 识别问题，提出了一种基于最小外接圆二次定位 [8]肖克先.象棋机器人嵌入式视觉系统的研究与开发D] 的定位方法和一种旋转差分识别算法。实验结果 北京：北方工业大学，2010. 表明该定位方法能够实现棋子的快速高精度定 [9]FANG Jianjun,XIAO Kexian.Binarized Gabor filters 位，定位精度达到0.5mm,平均定位时间为2.6ms; based illumination invariant Chinese character recognition[C 能够快速精准地识别棋子，在保证棋子识别谁确 Proceedings of the 2009 IEEE International Conference on 度达到98%以上的情况下，单棋子全流程运算时 Mechatronics and Automation.Changchun,China,2009: 间为10ms左右，完全满足现有象棋机器人的指 4976-4980
表 3 旋转差分角为 13°时的识别结果 Table 3 Recognition results when the angle is 13 degrees 字符 正确数/个 错误数/个 总数/个 识别率/% 帥 20 0 20 100 将 20 0 20 100 象 40 0 40 100 相 40 0 40 100 炮 38 2 40 95.0 炮 40 0 40 100 士 40 0 40 100 仕 40 0 40 100 馬 79 1 80 98.8 車 77 3 80 96.3 兵 99 1 100 99.0 卒 99 1 100 99.0 总 632 8 640 98.8 表 4 对比测试结果 Table 4 Comparison of test result 实验数据 本系统 文献[17] 定位误差/mm 0.5 0.8 定位时间/ms 2.61 — 识别率/% 98.8 98 最快识别时间/ms — 49 运算时间/ms 9.3 — 从表 4 可知，本象棋棋子定位与识别系统棋 子定位误差 0.5 mm 略低于文献[17]的 0.8 mm，识 别准确率 98.8% 略高于文献[17]的 98%，该两项指 标相差不大。但本系统棋子全流程运算时间仅为 9.3 ms，远远小于文献[17]的最短识别时间 49 ms。 本文使用的摄像机为普通网络摄像头分辨率 为 1 280 像素×720 像素，文献[17]使用的是工业高 清相机分辨率为 1 000 像素×1 000 像素；本文使 用的棋子为直径 15 mm，文献[17]使用的棋子直径 为 28 mm；且文献[17]的测试环境较为简单，为测 试平台箱内部，本文的测试环境较为复杂。因 此，本文的综合测试效果优于文献[17]，具有良好 的应用前景。 4 结束语 本文针对中国象棋机器人中棋子视觉定位与 识别问题，提出了一种基于最小外接圆二次定位 的定位方法和一种旋转差分识别算法。实验结果 表明该定位方法能够实现棋子的快速高精度定 位，定位精度达到 0.5 mm，平均定位时间为 2.6 ms； 能够快速精准地识别棋子，在保证棋子识别准确 度达到 98% 以上的情况下，单棋子全流程运算时 间为 10 ms 左右，完全满足现有象棋机器人的指 标要求。 目前该算法在个别字符定位误差和识别准确 度、棋子定位时间、棋子全流程运算时间等方面 存在进一步优化空间，这将是下一步研究的 重点。 参考文献： 黄立波, 夏庭锴, 王春香, 等. 实时环境下的对弈机器人 控制系统设计与分析[J]. 机械, 2004, 31(6): 50–52. HUANG Libo, XIA Tingkai, WANG Chunxiang, et al. Design and analysis of the chinese-chess robot in real time environment[J]. Machinery, 2004, 31(6): 50–52. [1] 张代兵, 朱全民, 张纪阳. 一种博弈机器人的研制[J]. 仪 器仪表学报, 2006, 27(6): 2109–2111. ZHANG Daibing, ZHU Quanmin, ZHANG Jiyang. Design and realization of a chess robot[J]. Chinese journal of scientific instrument, 2006, 27(6): 2109–2111. [2] LEE D S, WANG S J, PANG H Y. Computer-controlled Chinese chess[C]//2010 International Symposium on Computer Communication Control and Automation. Tainan, China, 2010: 389–392. [3] 张永德, 毕津滔. 基于 AVR 单片机的机器人控制器设计 [J]. 计算机系统应用, 2008(11): 20–24. ZHANG Yongde, BI Jintao. Design of robot controller based on AVR single-chip computer[J]. Computer systems and applications, 2008(11): 20–24. [4] 庄剑毅. 基于 ARM 嵌入式 Linux 的象棋机器人控制系 统研究[D]. 广州: 华南理工大学, 2012. ZHUANG Jianyi. Research on the control system of Chinese chess robot based on ARM and embedded Linux[D]. Guangzhou: South China University of Technology, 2012. [5] 刘飞, 吕新广. 药品及其包装对超高频 RFID 标签性能的 影响[J]. 重庆邮电大学学报: 自然科学版, 2017, 29(4): 563–568. LIU Fei, LV Xinguang. Effects of drug and its packaging on the performance of UHF RFID tag[J]. Journal of Chongqing university of posts and telecommunications: natural science edition, 2017, 29(4): 563–568. [6] 许丰磊. 象棋机器人视觉算法与智能控制软件的研究 [D]. 哈尔滨: 哈尔滨工业大学, 2006. XU Fenglei. The research of the vision algorithm and intelligent control software for chess robot[D]. Harbin: Harbin Institute of Technology, 2006. [7] 肖克先. 象棋机器人嵌入式视觉系统的研究与开发[D]. 北京: 北方工业大学, 2010. [8] FANG Jianjun, XIAO Kexian. Binarized Gabor filters based illumination invariant Chinese character recognition[C]// Proceedings of the 2009 IEEE International Conference on Mechatronics and Automation. Changchun, China, 2009: 4976–4980. [9] ·522· 智 能 系 统 学 报 第 13 卷
第4期 郭晓峰，等：中国象棋机器人棋子定位与识别方法 ·523· [10]杜俊俐，张景飞，黄心汉.基于视觉的象棋棋盘识别U, ZHAO Jun,ZHAO Yan,YANG Yong,et al.Facial ex- 计算机工程与应用，2007,43(34)：220-232. pression recognition method based on stacked denoising DU Junli,ZHANG Jingfei,HUANG Xinhan.Chess-board auto-encoders and feature reduction[J].Journal of recognition based on vision[J].Computer engineering and Chongqing university of posts and telecommunications: applications,.2007,43(34):220-232. natural science edition,2016,28(6):844-848. [11]杜俊俐，黄心汉.象棋机器人视觉系统设计).电子技 [19]陈海峰，雷华，孔燕波，等.基于最小二乘法的改进的随 术应用，2007,33(9)：133-136. 机椭圆检测算法[刀.浙江大学学报：工科版，2008 DU Junli,HUANG Xinhan.Design of Chinese chess ro- 42(8):1360-1364 bot vision system[J].Application of electronic technique, CHEN Haifeng,LEI Hua,KONG Yanbo,et al.An im- 2007,33(9):133-136. proved randomized algorithm for detecting ellipses based [12]张浩鹏，王宗义.基于灰度方差和边缘密度的车牌定位 on least square approach[J].Journal of Zhejiang uni- 算法.仪器仪表学报，2011,32(5)：1095-1102 versity:engineering science,2008,42(8):1360-1364 ZHANG Haopeng,WANG Zongyi.Car license plate loc- [20]闫蓓，王斌，李媛.基于最小二乘法的椭圆拟合改进算 ation algorithm based on intensity variance and edge 法).北京航空航天大学学报，2008,34(3)：295-298. density[].Chinese journal of scientific instrument,2011, YAN Bei,WANG Bin,LI Yuan.Optimal ellipse fitting 32(5):1095-1102. method based on least-square principle[J].Journal of [13]费继友，谢金路，李花，等.基于字符特征约束的自适应 Beijing university of aeronautics and astronautics,2008. 车牌校正提取).仪器仪表学报，2016,37(3)：632-639. 34(3):295-298」 FEI Jiyou,XIE Jinlu,LI Hua,et al.Adaptive license plate [21]周显恩，王耀南，李康军，等.一种多次随机圆检测及拟 correction and extraction based on character feature con- 合度评估的瓶口定位法).仪器仪表学报，2015,36(9)： straint[J].Chinese journal of scientific instrument,2016, 2021-2029 37(3):632-639. ZHOU Xian'en,WANG Yaonan,LI Kangjun.New bottle [14]冯元华，王思华，柳宁，等.机器视觉技术在博弈智能机 mouth positioning method based on multiple randomized 器人设计中的应用[J].计算机工程与设计，2009， circle detection and fitting degree evaluation[J].Chinese 30(14):3371-3379. journal of scientific instrument,2015,36(9):2021-2029. FENG Yuanhua,WANG Sihua,LIU Ning,et al.Applica- [22]JIANG Lianyuan.Fast detection of multi-circle with ran- tion of machine vision technology in design of chess play- domized Hough transform[J].Optoelectronics letters, ing intelligent robot[J].Computer engineering and design. 2009,55:397-400. 2009,30(14):3371-3379. 作者简介： [15]莫妙桃.基于DSP的智能象棋机器人视觉图像采集与 郭晓峰，男，1993年生，硕士研究 识别研究D.北京：北方工业大学，2009. 生，主要研究方向为模式识别、机器视 MO Miaotao.Study on vision image grabbing system 觉和图像处理。 based on DSP and character recognition method for Chinese chess playing robot[D].Beijing:North China University of Technology,2009. [16]王殿君.基于视觉的中国象棋棋子识别定位技术).清 华大学学报，自然科学版，2013,53(8)：1145-1149. 王耀南，男，1957年生，教授，博 WANG Dianjun.Recognition and positioning technique 士生导师，主要研究方向为电动汽车 of Chinese chess based on vision[J].Journal of Tsinghua 控制、智能控制理论与应用、智能机器 university:science and technology,2013,53(8):1145- 人。曾获国家科技进步二等奖、中国 1149. 发明创业特等奖、省部科技进步一等 [1刀伍锡如，黄国明，孙立宁.基于深度学习的工业分拣机 奖、省部科技进步二等奖。获国家专 器人快速视觉识别与定位算法U.机器人，2016,38(6)： 利12项。发表学术论文360余篇，其 711-719 中被SCI检索38篇、EI检索109篇，出版学术专著多部。 WU Xiru,HUANG Guoming,SUN Lining.Fast visual 周显恩，男，1987年生，博士研究 identification and location algorithm for industrial sorting 生，主要研究方向为模式识别、图像实 robots based on deep learning[J].Robot,2016,38(6): 时处理。 711-719. [18]赵军，赵艳，杨勇，等.基于降维的堆积降噪自动编码机 的表情识别方法[.重庆邮电大学学报：自然科学版， 2016,28(6):844-848
杜俊俐, 张景飞, 黄心汉. 基于视觉的象棋棋盘识别[J]. 计算机工程与应用, 2007, 43(34): 220–232. DU Junli, ZHANG Jingfei, HUANG Xinhan. Chess-board recognition based on vision[J]. Computer engineering and applications, 2007, 43(34): 220–232. [10] 杜俊俐, 黄心汉. 象棋机器人视觉系统设计[J]. 电子技 术应用, 2007, 33(9): 133–136. DU Junli, HUANG Xinhan. Design of Chinese chess robot vision system[J]. Application of electronic technique, 2007, 33(9): 133–136. [11] 张浩鹏, 王宗义. 基于灰度方差和边缘密度的车牌定位 算法[J]. 仪器仪表学报, 2011, 32(5): 1095–1102. ZHANG Haopeng, WANG Zongyi. Car license plate location algorithm based on intensity variance and edge density[J]. Chinese journal of scientific instrument, 2011, 32(5): 1095–1102. [12] 费继友, 谢金路, 李花, 等. 基于字符特征约束的自适应 车牌校正提取[J]. 仪器仪表学报, 2016, 37(3): 632–639. FEI Jiyou, XIE Jinlu, LI Hua, et al. Adaptive license plate correction and extraction based on character feature constraint[J]. Chinese journal of scientific instrument, 2016, 37(3): 632–639. [13] 冯元华, 王思华, 柳宁, 等. 机器视觉技术在博弈智能机 器人设计中的应用[J]. 计算机工程与设计, 2009, 30(14): 3371–3379. FENG Yuanhua, WANG Sihua, LIU Ning, et al. Application of machine vision technology in design of chess playing intelligent robot[J]. Computer engineering and design, 2009, 30(14): 3371–3379. [14] 莫妙桃. 基于 DSP 的智能象棋机器人视觉图像采集与 识别研究[D]. 北京: 北方工业大学, 2009. MO Miaotao. Study on vision image grabbing system based on DSP and character recognition method for Chinese chess playing robot[D]. Beijing: North China University of Technology, 2009. [15] 王殿君. 基于视觉的中国象棋棋子识别定位技术[J]. 清 华大学学报; 自然科学版, 2013, 53(8): 1145–1149. WANG Dianjun. Recognition and positioning technique of Chinese chess based on vision[J]. Journal of Tsinghua university: science and technology, 2013, 53(8): 1145– 1149. [16] 伍锡如, 黄国明, 孙立宁. 基于深度学习的工业分拣机 器人快速视觉识别与定位算法[J]. 机器人, 2016, 38(6): 711–719. WU Xiru, HUANG Guoming, SUN Lining. Fast visual identification and location algorithm for industrial sorting robots based on deep learning[J]. Robot, 2016, 38(6): 711–719. [17] 赵军, 赵艳, 杨勇, 等. 基于降维的堆积降噪自动编码机 的表情识别方法[J]. 重庆邮电大学学报: 自然科学版, 2016, 28(6): 844–848. [18] ZHAO Jun, ZHAO Yan, YANG Yong, et al. Facial expression recognition method based on stacked denoising auto-encoders and feature reduction[J]. Journal of Chongqing university of posts and telecommunications: natural science edition, 2016, 28(6): 844–848. 陈海峰, 雷华, 孔燕波, 等. 基于最小二乘法的改进的随 机椭圆检测算法[J]. 浙江大学学报: 工科版, 2008, 42(8): 1360–1364. CHEN Haifeng, LEI Hua, KONG Yanbo, et al. An improved randomized algorithm for detecting ellipses based on least square approach[J]. Journal of Zhejiang university: engineering science, 2008, 42(8): 1360–1364. [19] 闫蓓, 王斌, 李媛. 基于最小二乘法的椭圆拟合改进算 法[J]. 北京航空航天大学学报, 2008, 34(3): 295–298. YAN Bei, WANG Bin, LI Yuan. Optimal ellipse fitting method based on least-square principle[J]. Journal of Beijing university of aeronautics and astronautics, 2008, 34(3): 295–298. [20] 周显恩, 王耀南, 李康军, 等. 一种多次随机圆检测及拟 合度评估的瓶口定位法[J]. 仪器仪表学报, 2015, 36(9): 2021–2029. ZHOU Xian’en, WANG Yaonan, LI Kangjun. New bottle mouth positioning method based on multiple randomized circle detection and fitting degree evaluation[J]. Chinese journal of scientific instrument, 2015, 36(9): 2021–2029. [21] JIANG Lianyuan. Fast detection of multi-circle with randomized Hough transform[J]. Optoelectronics letters, 2009, 5(5): 397–400. [22] 作者简介： 郭晓峰，男，1993 年生，硕士研究 生，主要研究方向为模式识别、机器视 觉和图像处理。 王耀南，男，1957 年生，教授，博 士生导师，主要研究方向为电动汽车 控制、智能控制理论与应用、智能机器 人。曾获国家科技进步二等奖、中国 发明创业特等奖、省部科技进步一等 奖、省部科技进步二等奖。获国家专 利 12 项。发表学术论文 360 余篇，其 中被 SCI 检索 38 篇、EI 检索 109 篇，出版学术专著多部。 周显恩，男，1987 年生，博士研究 生，主要研究方向为模式识别、图像实 时处理。 第 4 期 郭晓峰，等：中国象棋机器人棋子定位与识别方法 ·523·