发布时间 : 星期四 文章matlab图像处理中英文翻译文献更新完毕开始阅读89fa4e1455270722182ef706
因此，在这些分析中提出了一种新的识别系统，如果使用在复杂的矿井环境中它将更加可靠和有效。在这个系统中，我们通过提取突出的图像局部区域作为位置标志用
以替代整个图像，改善了信息的稳定性，从而处理比率、二维旋转和视角的变化。兴趣点数量有效减少，这使得处理更加容易。模糊识别算法用以识别邻近位置的位置标志，它可以增强个别特征对场景识别的作用。由于它的部分信息恢复能力，采用隐马尔可夫模型组织这些位置标志，它可以捕捉到的结构或标志之间的关系。因此，场景识别可以转化为对HMM评价问题，这使得识别具有鲁棒性。
2 局部图像区域不变形的检测
生物视觉系统的研究表明，生物体（像果蝇）在观察周围环境时，经常因为他们的行为习惯注意场景中确定的特殊区域或者局部图像信息。这些区域可以当作天然的位置标志有效地表示和区别不同环境。受这些启示，我们利用中心环绕差分法检测多尺度图像空
间突出的区域。计算颜色和纹理的相似度用以绘制突出区域的地图。
随后，以地图突出位置为中心的分图像，被定义为位置标志区域。位置标志区域的大小可以根据该区域图像梯度方向的变化自适应决定。
移动机器人的导航要求当环境有一定程度变化时自然位置标志能被稳定地检测出来。为了验证我们方法对位置标志检测的的可重复性，我们已经在图像比例、二维旋转和视角等变化时，做了一些实验。图1表明当视角变化时因为它的突出效果大门能被检测出来。关于比率和旋转更详细的分析和结果可以在我们以前的论文中发现。
图1 关于视角变化的实验
3 场景识别和定位
与其他场景识别系统不同的是，我们的不需要离线培训。换句话说，在前进中，我们不必对场景分类。当机器人徘徊时，在固定时间间隔内捕获的场景用于生成拓扑地图的顶点，它表示了机器人所在位置。虽然地图的几何布局被定位系统忽视，但它对可视化调试是有用的，并对路径规划很有益处。因此，定位即意味在地图上搜索当前场景的最佳匹配位置。在论文中隐马尔可夫模型是用来组织从当前的现场提取的位置标志，并且设置拓扑图的顶点用以实现部分信息的恢复能力。
类似于全景视觉系统，机器人环顾四周，以获得全方位的图像。从每一张图像，探
测突出的局部区域，并形成一个命名为“位置标志序列”的序列，其顺序和图像序列相同。然后，在包含k个突出局部图像区域的位置标志序列的基础上，创建一个隐马尔可夫模型当作机器人所处环境的描述。在我们的系统中EVI- D70相机拥有一个± 170 °视野。为了避免重复，我们的样品图像每45 °取一张，一共得到8个图像。
让这8个图像作为隐藏状态Si（1≤i≤8），创建的HMM模型可以由图3描述出来。HMM的参数aij和bjk是通过使用Baulm - Welch算法学习获得。衔接的阈值设置为0.001。
图2 机器人所处环境的HMM
至于拓扑图的边缘，我们用两个顶点之间的距离信息设置。距离可以根据里程计的读数得到。
4 基于模糊逻辑的匹配方法
图像匹配的关键问题之一，是要选择最有效的特征或描述代表原始图像。由于机器人的运动，那些提取位置标志的区域将在像素级内改变。因此，选择的描述或特征相应于比例、旋转和视角的变化应该在一定范围内保持恒定不变，在本文中，我们使用社会上通常采用的四个特征，简单地描述如下：
GO：渐变的方向。已经证明光照和旋转的变化可能对它有更少的影响。 ASM和ENT：角二阶矩和熵，这是两个纹理描述符。
H：色调，用来描述图像的基本信息。
匹配问题的另一个关键问题是选择一个好的匹配方法或算法。通常近邻方法（神经网络）是用来测量两部分之间的相似性。但我们在实验中发现，神经网络不能充分展现个体描述或特征对相似性度量的作用。
为了解决这个问题，我们设计了一个新的以模糊逻辑为基础的匹配算法，用以展示每个特征的微妙变化。
而在数据库中的融合相似程度最高的位置标志，可以当作最佳匹配。匹配结果如图5所示。如上所述，该方法可以有效地测量两部分图像的相似性。
5 实验和分析
该定位系统已经应用在我们实验室制造移动机器人。该视觉系统是由一个CCD相机和一帧采集卡IVC-4200。图像分辨率设置为400 × 320，采样频率设置为10帧/秒。该电脑系统是由1千兆赫处理器和512M内存，由机器人携带。目前机器人运行于室内环境。
图3 使用模糊逻辑方法计算的相似度
由于采用HMM的描述和识别场景，我们的系统有能力捕捉图像局部区域分布的区别，并且能有效区分类似的场景。从每个环境选取10个场景，并为每个场景创建隐马尔可夫模型。然后收集20个场景时为机器人随后进入每一个环境，用以形成60个以上HMMs。
在自动搜索过中，类似的场景可以连接起来。这个过程可以概括为：当定位成功，当前的位置标志序列根据他们的方向添加到伴随观察的匹配顶点的序列（包括从突出局部区域和机器人顶部所观测的图像角度）。 HMM模型的参数重复学习。
相对于使用整体图像外观特征的方法（方法2，M2），我们的系统（M1）使用局部突出区域定位和识别地图，这使得它能有更多对变化的容许，这些变化由机器人的运动、高频率的识别和拓扑图上较少的顶点数量所造成。因此，我们的系统在动态环境中具有更好的性能。
6 结论
1）提取突出局部图像特征，以取代整体图像参与的识别，这提高了对比例大小的变化，二维旋转和环境图像视角的容许。
2）模糊逻辑用来识别局部图像，并且强调个体特征对识别的作用，从而提高了位置标志的可靠性
3）HMM模型是用来捕获图像结构或那些局部图像之间的联系，这使场景识别问题转化为对HMM的评价问题。
4）实验结果表明，该矿山救援机器人场景识别系统具有较高的识别和定位的比例。今后的工作将侧重于利用HMM的处理定位的不确定性。