WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

загрузка...
   Добро пожаловать!

Pages:     | 1 || 3 |

Для оценки работы нечёткого Xо FL Y регулятора составлена математическая модель VC L системы. Мобильный робот перемещается по Oо FR плоскому рельефу, имея спереди два ведущих колеса радиуса и одно ведомое сзади. Колеса R Yо вращаются без проскальзывания, и оси вращения ведущих колёс совпадают с линией Рис. 5. Движение мобильного робота под LR (рис. 5). Это условие устанавливает воздействием системы сил ограничения на координаты и скорости и представляет собой одно из уравнений связи, геометрическая интерпретация которого состоит в том, что вектор скорости V = (x',y')T перпендикулярен орту yo. Таким образом, налагаемая связь является неголономной.

Динамическая модель движения мобильного робота с учётом управления от двигателей постоянного тока представляет собой систему нелинейных дифференциальных уравнений седьмого порядка с фазовым вектором (x, y, V,,, L, R)T и вектором управления (UL,UR)T. Для предварительной проверки разработанной системы управления применялась упрощённая модель движения целевого объекта и блока эмуляции работы ССТЗ.

Результаты проведённого моделирования показали приемлемое качество автономного управления движением мобильного робота на основе нечёткого регулятора и информации, получаемой от ССТЗ (рис. 6).

Рис. 6а – произвольная траектория движения целевого объекта, (б) – траектория движения мобильного робота под управлением нечёткого регулятора В третьей главе приводятся примеры российских и зарубежных разработок робототехнических комплексов с применением СТЗ при решении различных задач робототехники. Рассматривается обобщённая структура СТЗ и некоторые базовые понятия, применяемые при обработке изображений.

Подробно рассмотрена задача слежения за движущимися объектами.

Показаны различные формы представления объекта слежения и методы описания его внешнего вида. Приведены некоторые характерные признаки объектов. Рассмотрено несколько методов и алгоритмов, применяемых при обработке цифровых изображений, осуществляющих слежение за подвижными объектами.

При разработке алгоритмического обеспечения системы применен метод локального слежения, позволяющий реализовать обработку цифровых изображений при осуществлении слежения за движущимися объектами в режиме реального времени.

Основная идея предлагаемого метода заключается в том, что определение положения подвижного целевого объекта в области кадра изображения осуществляется путём отслеживания перемещения характерных признаков объекта в пределах некоторой локальной области, содержащей эти признаки. Обобщённая структурная схема данного метода представлена на рис. 7.

поток видеокадров Текущий Оператор или система Инициализация кадр управления верхнего уровня целевого объекта положение и характеристики объекта слежения Регистрация положения объекта Определение локальной Поиск области для каждого целевого характерного признака объекта Регистрация характерных признаков Локальное уточнение характерных Уточнение положения локальной области для каждого характерного признака Локальное уточнение положения объекта цифровая обработка изображения Рис. 7. Обобщённая структурная схема метода локального слежения На основе предложенного метода разработаны три алгоритма цифровой обработки изображения (цифровых фильтра), реализующих слежение за подвижным целевым объектом.

Фильтр определения положения целевого объекта на полутоновых изображениях, в дальнейшем именуемый как фильтр1, работает с полутоновым изображением, функция яркости которого f (x, y) может принимать значения в диапазоне 0-255. Входными данными для фильтра являются: кадр видеопотока и координаты объекта, полученные на предыдущем шаге или указанные оператором. В основе Рис. 8. Основные элементы определения координат местоположения фильтра объекта на кадре лежит расчёт его центра масс.

Рассмотрим последовательность шагов, которые осуществляет фильтр при обработке кадра:

1) На вход фильтра поступает кадр f (x, y) и координаты положения объекта X,Yp в координатной системе кадра, полученные после обработки p предыдущего кадра;

2) В соответствии с координатами X,Yp происходит копирование p части кадра с объектом в маску M (xm, ym ), где Dm – размерность маски:

Dm Dm M[X - (X - ),Y - (Yp - )] = f [X,Y ] (1) p 2 при этом Dm Dm Dm Dm X - X < X +,Yp - Y < Yp + (2) p p 2 2 2 3) Далее осуществляется перебор всех пикселей маски M (xm, ym ). Те пиксели, значение яркости которых меньше установленного порога Threshold определяются как пиксели, принадлежащие объекту X,Yobj, obj остальные пиксели определяются как фоновые:

0 X < Dm,0 Ym < Dm : M (X,Ym ) Threshold X = X,Yobj = Ym (3) m m obj m 4) По пикселям, принадлежащим объекту, рассчитываются координаты центра масс объекта в координатной системе маски:

n n X obj Yobj i=0 i=X =, Yc = (4) c n n 5) Осуществляется пересчёт координат центра масс объекта из координатной системы маски в координатную систему кадра:

Dm Dm X = X - + X, Yp = Yp - + Yc (5) p p c 2 где X,Yp - входные данные для следующего кадра из видео потока, p который будет обрабатываться фильтром.

Необходимо отметить, что использование фиксированного порога в процессах слежения желательно избегать. Для этого необходимо модифицировать алгоритм и реализовать автоматическую подстройку порога, например, путем бинаризации гистограммы яркости по методу Отсу.

Одним из недостатков данного фильтра является то, что он работает с полутоновыми изображениями, т.е. часть получаемой от видео камеры информации теряется. Это накладывает определённые ограничения на его применение. Эффективность процесса слежения полутонового фильтра всегда заведомо ниже, по сравнению с фильтром, работающим с цветным изображением. Данный факт послужил предпосылкой для разработки следующего фильтра.

Фильтр определения положения целевого объекта на цветных изображениях (фильтр 2) работает с цветными кадрами. Видеоизображение представляет собой последовательность 24х битных кадров в формате RGB24.

Функция, описывающая исходное изображение имеет вид: f (x, y,c), где x, y F (F – множество пикселей изображения), а 'c' может принимать значения R = Red, G = Green, B = Blue.

Рис. 9. Основные элементы Основная идея данного алгоритма в фильтра том, что расчёт координат центра масс объекта осуществляется по трём цветовым маскам. Каждый объект обладает цветом, который можно разложить на RGB составляющие, в результате мы можем узнать какова интенсивность цвета объекта для каждой составляющей. Установив небольшой диапазон, в котором может варьироваться яркость каждого цвета, мы перебираем все пиксели маски.

Пиксели, RGB составляющие которых попадают в соответствующие диапазоны, определятся как пиксели, принадлежащие объекту, другие как пиксели фона.

Рассмотрим последовательность действий, которые осуществляет фильтр при работе:

1) На вход фильтра поступает цветной кадр f (x, y,c) и координаты положения объекта X,Yp в координатной системе кадра, полученные после p обработки предыдущего кадра;

2) В соответствии с координатами X,Yp осуществляется запись p цветовых диапазонов:

Rmax = Max[ f (x, y, R)], Rmin = Min[ f (x, y, R)] (6) Gmax = Max[ f (x, y,G)], Gmin = Min[ f (x, y,G)] (7) Bmax = Max[ f (x, y, B)], Bmin = Min[ f (x, y, B)] (8) где x - X 1, y - Yp 1.

p 3) В соответствии с координатами X,Yp осуществляется запись RGB p масок, где Dm – размерность масок:

Dm Dm MR[X - (X - ),Y - (Yp - )] = f [X,Y, R] (9) p 2 Dm Dm MG[X - (X - ),Y - (Yp - )] = f [X,Y,G] (10) p 2 Dm Dm MB[X - (X - ),Y - (Yp - )] = f [X,Y, B] (11) p 2 Dm Dm Dm Dm где X - X < X +, Yp - Y < Yp + (12) p p 2 2 2 4) Далее осуществляется перебор всех пикселей масок MR(xm, ym ), MG(xm, ym ), MB(xm, ym ). Те пиксели, значение яркости которых удовлетворяют условиям:

Rmin MR(xm, ym ) Rmin, G MG(xm, ym ) Gmin, где xm, ym W (13) min Bmin MB(xm, ym ) Bmin, определяются как вероятные пиксели объекта X,Yobj. Все остальные obj пиксели определяются как фоновые;

5) Все вероятные пиксели объекта X,Yobj записываются в список List;

obj 6) Для исключения влияния на результат обработки точек выпадения, которые время от времени появляются при фильтрации, применяется правило трёх сигм, позволяющее исключить их из списка List;

7) Расчёт координат центра масс объекта по пикселям из списка List в координатной системе маски:

n n,i),i) List(X obj List(Yobj i=0 i=X =, Yc = (14) c n n 8) Осуществляется пересчёт координат центра масс объекта из координатной системы маски в координатную систему кадра:

Dm Dm X = X - + X, Yp = Yp - + Yc (15) p p c 2 где X,Yp - входные данные для следующего кадра из видео потока, p который будет обрабатываться фильтром.

При работе фильтра с одноразовой начальной инициализацией цветовых диапазонов было выявлено достаточно приемлемое качество процесса слежения. Но в случаях высокой отражательной способности объекта слежения и значительной смене его освещённости объект терялся.

Необходимо отметить, что, несмотря на возможность осуществления перезаписи цветовых диапазонов на каждом последующем кадре, эффективность этой операции очень низка и зачастую приводит к патере объекта слежения.

Решение данной проблемы заключается в адаптации цветовых диапазонов к изменению освещённости объекта. Эта задача является относительно не сложной и может быть реализована различными способами.

Быстродействие работы рассмотренных выше фильтров определялось на портативном компьютере со следующими характеристиками: процессор Intel Pentium M с рабочей частотой 1,6 ГГц, ОЗУ 512 Мбайт, жесткий диск Гбайт. При работе в автономном режиме слежения и установленном времени обработки одного кадра 20 мс (частота обработки кадров 50 Гц) средняя загрузка процессора составила 70%.

Фильтр определения положения объекта путём сопоставления с шаблоном (фильтр 3) осуществляет поиск явно выраженных элементов объекта (таких как углы, края, контрастные цветовые переходы). Основная идея данного алгоритма заключается в том, что поиск положения каждого характерного признака осуществляется путём расчёта взаимной корреляции шаблона и некоторой локальной области обрабатываемого изображения, в Рис. 10. Основные элементы которой, предположительно, находится фильтра данный признак.

Рассмотрим последовательность шагов, которые осуществляет фильтр при обработке кадра:

1) На вход фильтра поступает полутоновый кадр f (x, y), шаблоны Tn (x, y ) и координаты положения характерных признаков объекта X,Yn в n координатной системе кадра;

2) В соответствии с координатами X,Yn осуществляется запись n локальной зоны поиска Ln(x,y) для n-го характерного признака, при этом размерность Ln не может быть меньше размерности шаблона искомого признака (в рассматриваемом алгоритме размерность Ln равна 2Dsh2Dsh, где Dsh – размерность шаблона):

Ln [ x - ( X - Dsh ), y - (Yn - Dsh )] = f [ x, y ] (16) n при этом X - Dsh x < X + Dsh,Yn - Dsh y < Yn + Dsh (17) n n 3) Далее выполняется расчёт значений взаимной корреляции для всех положений шаблона в пределах локальной области поиска:

n Cnr[x, y]= [Ln(x + x, y + y )- Ln(x, y)][Tn (x, y ) - Tn] (18) S(x, y) Sw f где 0 x < Dsh, 0 y < Dsh,0 x < Dsh, 0 y < Dsh (19) При этом для каждого положения поиска (x, y) в соответствии с выражениями (20) и (21) рассчитываются значения L(x, y), Sf.

S = (20) f [L(x + x, y + y) - L(x, y)]2, Sw = [T (x, y) - T ]L(x + x, y + y), T = (x, y) T L(x, y) = (21) s s 4) По условию максимума определяются новые координаты положения искомого характерного признака:

n MAX[Cnr (x, y)] (22) Dsh Dsh Xn = Xn - - x,Yn = Yn - - y (23) 2 5) Уточняются значения n-го характерного признака объекта:

Dsh Dsh Tn(x, y ) = f Xn - + x,Yn - + y (24) 2 6) Положение целевого объекта слежения определяется как центральная точка всех положений признаков объекта:

MAX ( Xn ) - MIN(Xn ) MAX (Yn ) - MIN(Yn ) Xobj = MIN(Xn ) +, Yobj = MIN(Yn ) + (25) 2 где X,Yobj - полученные координаты целевого объекта слежения в системе obj координат изображения.

Быстродействие работы данного фильтра определялось на портативном компьютере с аналогичными параметрами. При работе в автономном режиме слежения и установленном времени обработки одного кадра 50 мс (частота обработки кадров 20 Гц) средняя загрузка процессора составила 80%.

Отличительной особенностью данного алгоритма заключается в том, что операция вычисления корреляционной функции осуществляется по модифицированному алгоритму. Т.е. обход эталонного шаблона по некоторой локальной области поиска осуществляется путём частичной перезаписи краевых значений предполагаемого места положения искомого признака. Это приводит к значительному ускорению процесса расчёта корреляционной функции и как следствие ускорение работы всего фильтра.

Достоинством этого фильтра является его инвариантность к изменению масштаба и уровня освещенности целевого объекта слежения.

Недостатком – его работа с полутоновыми изображениями.

В главе также приводится структура (рис. 11) и алгоритм работы следящей системы технического зрения.

В начальный момент времени осуществляется инициализация интересуемого объекта слежения и перевод ССТЗ в автономный режим слежения. При этом кадры видео изображения начинают поступать на вход цифрового фильтра. После выполнения обработки изображения на выходе фильтра мы получаем координаты положения целевого объекта в координатной системе кадра (x,y). Далее выполняется расчёт смещения координат объекта относительно центра кадра (x, y). В соответствии с разрешением кадра получаемого видео изображения mn и углом обзора видеокамеры g определяются приращения углов поворота видео камеры для горизонтальной и вертикальной оси ah, av:

g n g m ah = x, x = x -, av = y, y = y - (26) n 2 m В соответствии с полученными значениями ah, av блок управления вращением сервоприводов осуществляет поворот горизонтальной и вертикальной оси относительно текущего положения видеокамеры. В результате этого система будет отрабатывать такое состояние, при котором главная оптическая ось объектива камеры будет проходить через рассчитываемый центр объекта слежения.

Pages:     | 1 || 3 |






© 2011 www.dissers.ru - «Бесплатная электронная библиотека»