机器视觉与图像处理方法.docx
- 文档编号:11393863
- 上传时间:2023-02-28
- 格式:DOCX
- 页数:12
- 大小:93.17KB
机器视觉与图像处理方法.docx
《机器视觉与图像处理方法.docx》由会员分享,可在线阅读,更多相关《机器视觉与图像处理方法.docx(12页珍藏版)》请在冰豆网上搜索。
机器视觉与图像处理方法
图像处理及识别技术在机器人路径规划中的一种应用
摘要:
目前,随着计算机和通讯技术的发展,在智能机器人系统中,环境感知与定位、路径规划和运动控制等功能模块趋向于分布式的解决方案。
机器人路径规
划问题是智能机器人研究中的重要组成部分,路径规划系统可以分为环境信息的
感知与识别、路径规划以及机器人的运动控制三部分,这三部分可以并行执行,提高机器人路径规划系统的稳定性和实时性。
在感知环节,视觉处理是关键。
本文主要对机器人的路径规划研究基于图像识别技术,研究了图像处理及识别技术
在路径规划中是如何应用的,机器人将采集到的环境地图信息发送给计算机终端,计算机对图像进行分析处理与识别,将结果反馈给机器人,并给机器人发送
任务信息,机器人根据接收到的信息做出相应的操作。
关键词:
图像识别;图像处理;机器人;路径规划
ABSTRACT:
Atpresent,withthedevelopmentofcomputerandcommunicationtechnology,eachmodule,suchasenvironmentsensing,directiondeciding,routeplanningandmovementcontrollingmoduelinthesystemofintelligentrobot,isresolvedrespectively.Robotpathplanningisanpartofintelligentrobotstudy.Thepathplanningsystemcanbedividedintothreeparts:
environmentalinformationperceptionandrecognition,pathplanningandmotioncontrolling.Thethreepartscanbeexecutedinparalleltoimprovethestabilityoftherobotpathplanningsystem.Asforenvironmentsensing,visionProeessingiskeyfaetor.Therobotpathplanningofthispaperisbasedonimagerecognitiontechnology.Theimageprocessingandrecognitiontechnologyisstudiedinthepathplanningishowtoapply,Robotswillsentcollectedenvironmentmapinformationtothecomputerterminal,thencomputeranalysisandrecognizethoseimageinformation.Afterthatcomputerwillfeedbacktheresulttotherobotandsendthetaskinformation.Therobotwillactaccordingtothereceivedinformation.
Keywords:
imagerecognition,imageprocessing,robot,pathplanning
1引言
机器人是人类社会发展的象征,是具有代表性的高技术,它集中了机械、电子、计算机、自动控制以及人工智能等多种学科的最新科研成果,代表了机电一体化的最高成就"。
拥有感知、规划和控制能力的智能机器人,能够通过感知器自主的收集环境信息,通过内部程序做出规划,控制自身的动作。
路径规划是移动机器人导航技术的重要组成部分,机器人对环境的感知、环境建模、路径规划是影响机器人活动能力的重要因素。
目前在机器人路径规划研究中已经有很多优化算法,但很多都有局限性,如何让机器人利用已经有的运动学以及动力学的约束,结合自身所处的环境特点进行高效的、实时的选择路径,是路径规划领域的重要研究课题。
图像处理一般是用计算机处理或实时的硬件处理,因此也称之为计算机图像处理,其优点是处理精度高,处理内容丰富,可进行复杂的非线性处理,有灵活的变通能力,一般来说只要改变软件就可以改变处理内容。
其缺点是处理速度还是一个问题,特别是进行复杂的处理更是如此。
图像识别技术的研究目的是利用计算机自动处理图像信息,来替代人完成图
像的分析和识别等任务,数字图像的处理和识别技术作为模式识别领域的一个重要研究方向,已得到广泛的研究和迅速的发展。
图像识别技术在PC终端上已经有很多成熟的应用实例,最常见的有人脸识别、指纹识别和医学影像分析等,随着数字图像技术的成熟,以及智能终端的发展,图像识别技术现在已经开始应用到智能手机中,但是,由于一些硬件上的限制,还存在速率、运行内存以及系统空间等问题,因此主要还是在PC终端上的应用比较多。
2本文所用的图像处理及识别技术基础
2.1图像识别技术基础
模式识别是利用计算机对物理对象进行处理分析以及分类,在错误概率最小的条件下,使识别的结果尽量与客观事物相符。
模式识别是以应用为基础的学科,主要目的是使机器能够自动识别物体并进行信息处理,以便可以替代人去独立的
完成任务。
图像识别技术是模式识别在图像领域里的具体应用,是通过计算机对图像进行处理、分析以及分类理解,以识别不同模式的目标和对象的技术。
图像
识别是对观测对象或者过程进行分类辨别和描述,做出有意义判断的研究。
狭义
的说,图像是图像识别要研究的模式,图像识别它是建立在图像处理技术的基础上对图像进行识别的学科。
图像识别主要技术如下。
图像预处理阶段。
图像增强是数字图像处理过程中常用的一种方法,根据处理空间不同,分为在图像所在像素空间处理的空域法和在傅里叶变换后的频域上间接处理的频域法两大类。
具体主要方法如图1图像增强方法所示。
图1图像增强方法
个函数逼近问题,根据实际的需求,寻找小波函数伸缩、平移后的函数空间中与
原始图像信息的最佳接近。
同时基于小波变换的图像去噪也是一个信号滤波问
题,小波去噪是在低通滤波的同时保留图像的边缘等特征细节信息,其去噪流程
如图2小波变换去噪流程所示。
含噪声的图像信号-
一特‘1提取
低逋邀波
►+
去唏图您申世f;i号
图2小波变换去噪流程
小波阈值去噪,其中包含信号重要信息的是图像信号对应的小波系数部分,
这部分幅值较大,但数量较少;噪声信号对应的小波系数则幅值较小,数量很多,
并且一致分布。
在最小均方误差的定义下该算法达到近似最优,能够取得良好的
视觉效果。
找到阈值S,将低于S的小波系数设定为零,保留高于S的系数或者
进行压缩处理,从而得到估计小波系数,然后对其进行重构。
图像特征提取。
特征提取是图像识别过程中保证后期分类判别质量的重要阶段,提取的图像特征需要能够表述识别物体的典型特征,具备独特性、完整性、几何不变性以及抽象性,常见的用来做特征提取的元素有:
颜色、纹理、边缘、形状等特征。
颜色是图像信息的基本组成要素,每个被识别物体都具有颜色这一特征,基于颜色特征的分类判别检索是图像识别中最基本的判别方法,并且与几何特征相对比,颜色更加稳定,对大小和方向也都不像几何特征那么敏感。
纹理特征是通过图像灰度分布函数对图像局部性质的统计,是对图像中各像素灰度空间分布的一种描述,局部看来可能没有规则,但在图像整体的特征上会呈现一定的规则。
形状特征形象而且直观,是物体的本质特征之一,主要通过图像外部边界的轮廓特征和区域特征来表示,是物体的稳定特征,对于已知几何形状的物体识别,形状特征可以是很好的判别准则。
在实际应用中,形状特征经常是初步筛选条件。
图像边缘检测。
图像边缘检测是预处理阶段中对图像特征的提取,是在数字
图像处理中应用很广泛的技术,尤其在模式识别中应用最为频繁。
物体的边缘主要有两个特征:
方向和幅度,通常灰度变化在边缘处会比较平缓,而在垂直方向会比较剧烈,根据这种变化将图像边缘分为:
屋顶型、凸缘型和阶跃型三种类型。
边缘检测的过程为首先利用经典的边缘检测算法将有用的特征进行提取,然后对
图像进行初步检测,最后利用边缘的空间结构进行协调,增强边缘效果。
传统的边缘检测模板是N*N权值方阵,通过小区域卷积近似计算得来,经典算子主要有:
Sobel算子、Prewitt算子、Roberts算子、Canny算子和LOG算子,其中前四个算子属于一阶微分算子,LOG算子属于二阶微分算子。
在经典算子的基础上最优算子开始发展起来,最优算子是通过信噪比获得的边缘检测滤波器。
2.2图像处理技术基础
完整的数字图像处理大体上可分为图像信息的获取(Imageinformation
acquisition)、图像信息的存储(Imageinformationacquisition)、图像信息
的传递(Imageinfoemationtransmission)、数字图像处理(Digitalimage
processing)、图像的输出与显示(Imageoutputandshowing)。
图像处理的主
要技术如下。
图像数字化。
由于计算机只能处理数字图像,而自然界提供的图像都是其他的形式,所以数字图像处理的一个先决条件是将图像转化为数字形式。
我们可以
通过图像数字化器将图像划分为若干图像元素(像素)并给出它们的地址,可以度量每一个像素的灰度,并把连续的度量结果量化为整数,再将这些整数结果写入存储设备。
主要过程为:
图像移动扫描一一采样一一光传感器一一量化器一一输出存储。
流程图如图3所示。
图3图像处理流程
图像信息的传输。
图像信息的传输一般是相机和计算机之间的传输,主要靠USB缆线传输图像信息的数据。
摄像机与计算机之间通过专用的iLink电缆连接,按IEEE1394标准进行数据传输,其最大比特率为400Mbps
空间滤波增强。
频域滤波是频域乘一个H(u,v)滤波(传递)函数而成,这时相当于在空域把图像与滤波函数的空域函数h(x,y)做卷积。
常用的程序往往都
是选择3x3的h(x,y)作卷积,选择不同的3x3的h(x,y)就相应于图像作各种高通、低通、带通、带阻滤波。
为了突出增强图像中的孤立点、孤立线或线端点,在某些实际应用中常采用拉氏算子,如机场、公路、铁路勘测图像就常用线性微分拉普拉斯算子。
中值滤波是一种非线性滤波。
它首先确定一个奇数像元的窗口W窗口内各像元按灰度大小排队后,用其中间位置的灰度值代替原f(x,y),灰度值成为增强图像g(x,y)。
Caany边缘检测。
Canny算法通过高斯函数对原始图像做平滑滤波处理,平滑处理会过滤掉图像噪声,但同时图像边缘也会跟随变得模糊,因此采用非极大
图4Canny算子边缘检测流程图
值抑制来减小误差,再进行双阈值检测,其中大阈值检测能够去除图像中的大部分噪声,而小阈值检测则保留到了图像较多的边缘信息,两部分连接以完成边缘检测,具体检测流程如图4Canny算子边缘检测流程图所示。
3应用图像处理及识别技术的路径规划实现
3.1智能机器人路径规划简介
机器人在复杂的环境下进行路径规划非常复杂,具有随机性和不确定性,并且需要大量的计算,机器人自身的形状和运动速度以及加速度等也都会对其运动轨迹产生约束。
按照对周围环境掌握的不同程度,将机器人路径规划分为两种类型:
基于模型的全局路径规划和基于传感器的局部路径规划。
前者对周围环境的
信息全部都已知,又叫静态路径规划,后者对周围环境的信息只是已知部分或者全部未知,也叫动态路径规划。
具体如表1所示。
表1路径规划算法总结表
构造空何拄
可视图沙
优化法
基于模型的全胡路径规划
(静态昭枪规划、
栅栏解弭法拓扑法
"由空间法神经网络法
基于传感器的局部路枪规划
传统方法
人工势场法
星于滚动窗口的路栓规划算法
基于f丁力的路楝规划算法
3.2图像分类判别实现
近邻准则。
模式识别最基本的研究问题是样品与样品之间相似性的匹配度问题。
这种相似性的判断可以采用近邻准则,近邻准则属于模板匹配,首先比较分类样品与标准模板,之后根据与模板进行匹配程度做判断,匹配度高的规定为测试样品的类别。
常用的距离算法有欧氏距离、马氏距离、夹角余弦距离等,近邻准则算法原理上是最简单的匹配算法,主要缺点是计算量大,存储空间要求大,需要存储足够的模板。
近邻法包括四个距离:
样品与样品之间的距离、样品与类之间的距离、类内距离和类与类之间的距离。
样品与样品之间的距离可以计算任意两个样品之间的距离,即两个样品可以
属于同一类,也可以属于不同的类。
计算方法主要:
欧氏距离法、马氏距离法、夹角余弦距离法、二值夹角余弦距离法和具有二值特征的Tanimoto测度法。
其中欧氏距离法和马氏距离法均为距离越小则样品距离越近,也就越相似,后三个
方法为余弦值越大则样品越相似。
样品与类之间的距离计算主要有两种方法,一种计算样品到类中每个样本之间的距离,将样本间的距离求和,再取平均值,得到的距离规定为样品与类之间的距离。
另一种方法为计算类的中心点,计算待测样品到中心点的距离,中心点是类中所有样本特征的平均值。
采用后面一种方法。
类内距离是指同一个类中任意样品之间距离之和的平均值。
类与类之间的距离计算方法比较多,如表2所示
表2类与类之间距离计算方法表格
类与类之间即离计算方法
原理
最短距离法
观定畸个类中域近的两个点的趴离
最长距离法
规宦㈱个类中故述的两个点的融离
S心法
阿个类的重心的距离
平岗距离法
个类中所fj样砧『攔1离,収平闵值
基于类中心的欧氏距离法分类。
近邻准则中基于类中心的欧氏距离法分类
是应用比较多的算法,算法思想主要是计算样品与各个类中心之间的欧氏距离,其中最小距离对应的类则为样品所在类。
具体计算过程如下:
首先计算各个类的中心,其次选择待测样本,最后循环计算待测样本与训练集中各类的中心距离,
找到最小距离,则为归属类。
样品间欧氏距离计算公式可以如下表示,样品间的距离D越小代表两个样品距离越近。
算法的具体流程如图5基于类中心的欧氏距离法分类流程图所示
"始
珂到迟别
J开始丿
图5基于类中心的欧氏距离法分类流程图
最小距离准则算法。
由于本次应用的图像识别主要是为后期机器人路径规划做准备,因此主要任务是识别到固定障碍物和其他移动物体,并将视野范围内合适距离的物体根据算法思想和自己规划为一类,而运动物体的形态是不确定的,因此样品库没有办法获得,并且机器人在运动过程中,摄像头采集到的图像可能是固定障碍物或运动物体的一部分,也能两者的信息都有,为了方便后期处理,结合课题需求,对基于类中心的欧氏距离法分类进行改进,得出最小距离准则算法。
最小距离准则不需要加载样本库,其基本思想是将每个样本看成单独的一类,并计算各类之间的欧氏距离,公式如下所示:
将得到的距离矩阵中最小元素所属的两个类合并为一类,得到新类,计算聚类后的距离矩阵,每次均将最小的距离元素对应的类合并为一类,循环进行,直到达
到预期结果。
3.3路径规划的算法实现
机器人带有摄像功能和图像识别及处理的PC机。
算法主要分为计算欧氏距离、求最小距离矩阵、划分类、形象化表示分类结果四个部分。
其具体实现过程如图6。
其中类的个数N是指机器人环境建模中障碍物和移动物体分类数。
NC
为聚类计算次数。
G(N,N)为距离矩阵,该矩阵随着程序执行会动态修改其中的数值。
R0(LIST)为数组变量,存放划分类后归为一类的数据所在行号(列号),其长度为分类循环的中止条件。
C(N,N)为N*N矩阵。
4总结
本文以自主移动机器人为研究对象,将图像识别技术应用到后期路径规划中,论文主要研究有:
将几个不同类型的传感器信息进行有机的结合,实现对物体正
确、高效的识别,课题中采用超声波传感器、摄像头、红外测距仪采集智能机器人四周信息,将超声波模块的信息、红外测距信息与图像传感器的图像信息进行融合,有效的实现距离的测量,精确距离信息,为PC端路径规划提供更详细的数据。
PC终端图像识别系统中采用小波阈值去噪对图像进行前期的噪声去除处理,Canny边缘算法提取边缘特征信息,最后对基于类中心的欧氏距离法进行改进,提出最小距离准则算法,该算法不需要获取样本库,直接通过自行计算两点之间的距离求出最小距离矩阵、进行聚类将划分为一类的点放入数组中、进行结果分析画出聚类后的图像三大模块实现。
通过本此研究,主要学习到了图像处理及识别的相关知识以及如何将这些知识应用到机器人路径规划及导航中去。
5参考文献
[1].冈萨雷斯著,阮秋琦译数字图像处理(第三版)电子工业出版社2011年11月
[2].数字图像处理学(第二版),阮秋琦著,电子工业出版社
[3].河海大学,郭艳萍,检测自动化中的数字图像处理及识别,硕士学位论文
[4].山东大学,袁向荣,基于神经网络的图像处理识别技术在机器人视觉系统中的应用
[5].江南大学,陈进,室内清洁机器人的全区域路劲规划及避障研究,硕士学位论文。
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 机器 视觉 图像 处理 方法