[发明专利]一种基于视觉引导的五子棋人机对弈实验教学系统

权利要求书

1.一种基于视觉引导的五子棋人机对弈实验教学系统，其特征在于，包括以下步骤，

Step1、安装工业相机，将相机安装在棋盘区域的正上方，调整相机的焦距使整个棋盘区域处在相机的视野范围内，在包含相机类库的情况下，通过实例化相机句柄类来读取相机的数据，最终获取棋盘当前局势的图片；

Step2、进行相机标定主要通过相机对不同方位的标定板进行拍照，使用标定算子完成标定，得到摄像机的参数，由于棋盘位于同一平面，所以只对标定板图像采集一次，用图像坐标算出标定板图像的大小除以已知的标定板的实际距离，就可以得到相机的外参，即图像坐标上每个像素在世界坐标系下对应的实际距离m，然后对棋盘进行标定，确定棋盘的中心点在图像中的坐标(X₀，Y₀)；

Step3、棋子图像识别及定位算法的设计

第一步，用户完成下棋动作后，相机对棋盘区域进行拍照，采用背景相减法用当前图像减去用户下棋前棋盘区域图像；

第二步，使用Sobel算子对上一步得到的图像进行处理可以返回X和Y方向的像素灰度值,可初步得到棋子的边缘位置；

第三步，细化边缘，搜索边缘梯度方向的局部极大值，抑制非极大值边缘，即跟踪边缘方向的左右像素，如果当前像素的灰度值小于左、右像素灰度值，则抑制当前像素灰度；

第四步，提取和连接边缘，经过前面的处理后可能会有少量的非边缘像素被包含到结果中，所以要通过选取阈值进行取舍，设置两个阈值其中一个为高阈值TH另外一个为低阈值TL，则有对于任意边缘像素低于TL的则丢弃，对于任意边缘像素高于TH的则保留，任意边缘像素值在TL与TH之间的，如果能通过边缘连接到一个像素大于TH而且边缘所有像素大于最小阈值TL的则保留，否则丢弃；

第五步，通过上一步可得到棋子精确的边缘，计算边缘区域的平均灰度G，若G小于50则棋子为黑棋，若G大于200则棋子为白棋，根据边缘区域可以得到棋子中心点的坐标(X₁，Y₁)；

第六步，计算棋子在棋盘上的位置，五子棋棋盘的网格宽度为L，棋子在棋盘中的位置为

Step4、五子棋人机对弈AI算法设计，五子棋AI对弈算法采用估值函数完成对当前棋局的分析，然后利用改进的极大极小搜索算法搜索出机器人落子的位置，为了判断棋局对双方的优劣，建立了一个估值函数对棋局进行估值分析，将当前棋局每点的估值之和作为当前棋局的估值，对于五子棋，一点的好或坏，与其周围四个方向的情况有关，这四个方向为：纵向、横向、左上至右下、右上至左下，每个方向的情况有：死一、死二、死三、死四；单/双活一、单/双活二、单/双活三、单/双活四、五子相连，每种情况都有对应评分，四方向评分相加即为该点评分或者估值，利用估值函数对博奕树的每一个局面进行评分，然后通过极大极小搜索在博奕树中为机器人寻找最佳的走法；

Step5、机器人落子设计，把Step4中对弈算法得到的机器人最佳落子位置通过上位机的Socket通信发送给机器人，机器人抓取棋子完成落子动作；

所述的Step4中极大极小搜索算法为：

当棋盘中心范围12*12范围无子时，AI选择棋盘中心点落子；

在考虑一方的可下点集时，并非将整个棋盘上的空点都作为可下点，而是将棋盘上有子点周围6*6的范围的并集作为可下点集；

在当前点为AI可赢点时，不进行搜索，直接落子；

对棋局估值时，不对棋盘每点进行估值求和，而是对当前棋盘落子位置周围3*3的范围的并集中的空白点进行估值求和；

采用两层搜索深度，假设落子在所有可下的点，对棋局进行分析，然后假设对手再下一步，再进行分析，最终利用极大极小搜索算法，搜索得到机器人得分最高而用户得分最低的下法。