28 января 2017г.
Работа современных мобильных роботов зачастую сопряжена с постоянным и активным перемещением в динамическом (подверженном изменениям) окружении. В настоящее время, в связи с интенсивной роботизацией обслуживающей сферы, к примеру, внедрения робокаров на производстве, возникла серьезная необходимость создания таких роботов, которые могли бы не только уметь двигаться по заранее определенным маршрутам и обнаруживать препятствия, но и классифицировать их, чтобы, при необходимости, гибко подстроиться под изменяющееся окружение.
Задачу внедрения робокаров в производство можно и нужно решать с использованием технического зрения. Для решения поставленной задачи используем основные методы реализации технического зрения на примере использования машинки.
Для анализа поставленной задачи и выбора способа ее решения рассмотрим различные методы распознавания изображений, изучим их работу на абстрактных идеализированных примерах. В результате чего сделаем вывод о том, какой метод является оптимальным.
В настоящее время для распознавания образов используют: алгоритм скелетизации, нейросетевые структуры, инвариантные числа, поточечное процентное сравнение с эталоном.
Изучив известные алгоритмы и методы, можем сделать вывод о том, что для решения задачи внедрения робокаров в производство, алгоритм скелетизации и нейросетевой метод не подходят. Первый из них основан на выделении ребер и узлов элементов изображения, что может привести к некорректному определению объекта. Второй алгоритм, основанный на нейронных сетях, слишком сложен и требует больших вычислительных мощностей.
Учитывая технические характеристики камер, а так же вычислительные возможности микроконтроллеров делаем вывод, что метод инвариантных чисел и алгоритм поточечного процентного сравнения с эталоном являются оптимальными для условий поставленной задачи.
Исходя из сделанного вывода, для абстрактных идеализированных изображений рассмотрим применение алгоритма поточечного процентного сравнения с эталоном и метода инвариантных чисел.
Распознавание объектов на основе вычисления их признаков.
При реализации метода в качестве основных будем использовать две функции «bwlabel» и «imfeature».
Обрабатываемое изображение должно быть бинарным и содержать как можно меньше шумов. Сначала все изображения соответственно подвергаются обработке. Далее определяется размер изображения. При помощи функции bwlabel происходит локализация объектов на изображении, после чего вычисляются необходимые геометрические признаки объектов, и по ним происходит определение типа фигуры на изображении.
К основным морфометрическим признакам относятся коэффициенты формы:
– «solidity» – коэффициент выпуклости;
– «extent»– коэффициент заполнения;
– «eccentricit» – эксцентриситет эллипса с главными моментами инерции.
Параметр «extent» определяется отношением площади объекта к площади ограничивающего прямоугольника. Для круга этот параметр будет равен
а для квадрата – 1. Но эти данные приведены для случая, когда круг и квадрат имеют идеальную форму.
Для наглядности подпишем определенные фигуры. Результат распознавания представлен на рисунке 2.
Распознавание объектов путем сравнения изображений с эталонными.
Для распознавания объектов возьмем три элементарных фигуры
«квадрат», «треугольник» и «круг». С данными эталонными изображениями будем сравнивать те, которые будут выбраны и таким образом будет произведена сортировка, определяющая принадлежность
фигуры к тому или иному классу элементов. Выведем на экран изображения эталонных фигур и выполним его бинаризацию (Рисунок 3).
Для получения возможности сравнения эталонного изображения и фигуры с датчика необходимо привести все изображения к одному формату.
Чтобы привести все изображения к одному формату, вырезаем требуемые
части изображения, содержащие эталонные фигуры, и приводим их к одному размеру путем масштабирования с определенными коэффициентами. Затем добавляем в программу считанное изображение, редактируем его и делаем бинарным. Выделяем на нем объект, вырезаем и приводим к общему формату. Теперь можем сравнить эталонные фигуры и поступившее изображение путем наложения изображений по коэффициенту корреляции. Поступившее изображение будет отнесено к тому классу объектов, при сравнении с которым коэффициент корреляции будет ближе к единице. Для наглядности и анализа работы программы рассмотрим классификацию различных геометрических фигур, описывающих возможные варианты препятствий. Результаты представлены в Таблице 1.
Сравнивая результаты работы двух алгоритмов, можно сделать следующие выводы:
–
если поступающее изображение идеализировано и не имеет углов наклона относительно эталонного, то
сравнение можно
производить, используя коэффициент корреляции при наложении;
–
если изображения имеют отклонения от заданных или их параметры неизвестны, то для корректного распознавания необходимо применить метод, использующий вычисленные признаки элементов.
Сформулированные выводы были сделаны на основе анализа абстрактных примеров. В настоящее время исследуется метод
для
реальных объектов, которые нужно распознавать. Предварительные исследования показали, что при выборе метода необходимо учитывать не только сложность поставленной задачи, но и различные проблемы, которые могут возникать при распознавании объектов в реальной среде.
Список литературы
1.
Быстрые алгоритмы в цифровой обработке изображений / Т. С. Хуанг, Дж.-О. Эклунд, Г. Дж. Нуссбаумер и др.; Под ред. Т. С. Хуанга: Пер. с англ. — М.: Радио и связь, 1984.
— 224 с, ил. 8. Форсайт, Дэвид А., Понс, Жан
2. Задача распознавания образов [Электронный ресурс]: http://www.ampersant.ru/glaz/ (дата обращения: 05.10.16).
3.
Компьютерное зрение. Современный подход. : Пер. с англ.
- М. : Издательский дом "вильямс", 2004. - 928 с. : ил. - Парал. тит. англ. ISBN 5-845-0542-7 (рус.) 9.
4.
Сенсорные системы в робототехнике [Электронный ресурс]:http://rtc.ru/images/docs/book/Yurevich_Sensornye_sistemy_v_robototehnike-m.pdf (дата обращения: 05.10.16).
5. Цифровая обработка изображений, Р. Гонсалес, Р. Вудс., Москва: Техносфера, 2005. – 1072 с. ISBN 5-94836-028-8. 5. Прэтт У.
