移動機器人圖像目標(biāo)識別

范經(jīng)偉

摘 要：本文對數(shù)字圖像處理，把數(shù)字圖像看成函數(shù)進行處理，各個像素作為數(shù)字化來處理。本文對目標(biāo)與背景的灰度不同等預(yù)處理對目標(biāo)進行提取，提取對應(yīng)的移動機器人目標(biāo)特征值，移動機器人目標(biāo)的面積來識別。并對移動機器人為目標(biāo)運用不同算法進行邊緣檢測，并通過微分算子法，拉普拉斯高斯算子，canny法等預(yù)處理檢測移動機器人的邊緣，并標(biāo)記出移動機器人的邊緣。

關(guān)鍵詞：移動機器人；圖像處理；目標(biāo)檢測；目標(biāo)識別

0 引言

主要研究了機器人圖像識別處理算法：圖像增強、圖像濾波、和邊緣檢測和圖像分割。其中在圖像增強過程中，對所得圖像的灰度進行了調(diào)整。在圖像濾波研究中研究了基本圖像濾波算法，中值濾波算法的結(jié)果比較讓人滿意。在目標(biāo)識別中，主要研究了基于圖像矩的目標(biāo)檢測方法，應(yīng)用了邊緣檢測技術(shù)，對各種邊緣檢測算法都進行了比較研究。圖像是一種重要的信息源，圖像處理的最終目的就是要幫助人類理解信息的內(nèi)涵。數(shù)字圖像處理技術(shù)的研究內(nèi)容涉及光學(xué)系統(tǒng)、微電子技術(shù)、計算機科學(xué)、數(shù)學(xué)分析等領(lǐng)域，是一門綜合性很強的邊緣學(xué)科。隨著計算機的迅猛發(fā)展，圖像處理技術(shù)已經(jīng)廣泛應(yīng)用于各個領(lǐng)域。

隨著信息化時代的不斷發(fā)展，人們越來越多地使用信息化的手段來解決各種問題——辦公自動化、先進制造業(yè)、電子商務(wù)等利用計算機技術(shù)而產(chǎn)生的新興行業(yè)正不斷靠近我們的生活。在信息社會中，我們每天都接觸大量的數(shù)據(jù)——工作數(shù)據(jù)、個人數(shù)據(jù)、無意間獲得的數(shù)據(jù)等——在這些數(shù)據(jù)中，有些數(shù)據(jù)需要我們?nèi)斯ぬ幚?，而有些則可以利用計算機快速準(zhǔn)確的完成——字符識別就是其中的一個范疇。

1 圖像識別的機理

圖像識別是人工智能的一個重要領(lǐng)域。為了編制模擬人類圖像識別活動的計算機程序，人們提出了不同的圖像識別模型。例如模板匹配模型。這種模型認(rèn)為，識別某個圖像，必須在過去的經(jīng)驗中有這個圖像的記憶模式，又叫模板。當(dāng)前的刺激如果能與大腦中的模板相匹配，這個圖像也就被識別了。例如有一個字母A，如果在腦中有個A模板，字母A的大小、方位、形狀都與這個A模板完全一致，字母A就被識別了。這個模型簡單明了，也容易得到實際應(yīng)用。但這種模型強調(diào)圖像必須與腦中的模板完全符合才能加以識別，而事實上人不僅能識別與腦中的模板完全一致的圖像，也能識別與模板不完全一致的圖像。例如，人們不僅能識別某一個具體的字母A，也能識別印刷體的、手寫體的、方向不正、大小不同的各種字母A。同時，人能識別的圖像是大量的，如果所識別的每一個圖像在腦中都有一個相應(yīng)的模板，也是不可能的。為了解決模板匹配模型存在的問題，格式塔心理學(xué)家又提出了一個原型匹配模型。這種模型認(rèn)為，在長時記憶中存儲的并不是所要識別的無數(shù)個模板，而是圖像的某些“相似性”。從圖像中抽象出來的“相似性”就可作為原型，拿它來檢驗所要識別的圖像。如果能找到一個相似的原型，這個圖像也就被識別了。這種模型從神經(jīng)上和記憶探尋的過程上來看，都比模板匹配模型更適宜，而且還能說明對一些不規(guī)則的，但某些方面與原型相似的圖像的識別。但是，這種模型沒有說明人是怎樣對相似的“刺激”進行辨別和加工的，它也難以在計算機程序中得到實現(xiàn)。因此又有人提出了一個更復(fù)雜的模型，即“泛魔”識別模型。

2 機器人目標(biāo)圖像預(yù)處理

主要研究了機器人圖像識別處理算法：圖像增強、圖像濾波、和邊緣檢測和圖像分割。其中在圖像增強過程中，對所得圖像的灰度進行了調(diào)整。在圖像濾波研究中研究了基本圖像濾波算法，中值濾波算法的結(jié)果比較讓人滿意。在目標(biāo)識別中，主要研究了基于圖像矩的目標(biāo)檢測方法，應(yīng)用了邊緣檢測技術(shù)，對各種邊緣檢測算法都進行了比較研究。圖像是一種重要的信息源，圖像處理的最終目的就是要幫助人類理解信息的內(nèi)涵。數(shù)字圖像處理技術(shù)的研究內(nèi)容涉及光學(xué)系統(tǒng)、微電子技術(shù)、計算機科學(xué)、數(shù)學(xué)分析等領(lǐng)域，是一門綜合性很強的邊緣學(xué)科。隨著計算機的迅猛發(fā)展，圖像處理技術(shù)已經(jīng)廣泛應(yīng)用于各個領(lǐng)域。

3 移動機器人圖像檢測與分割

所謂邊緣是指其周圍像素灰度有階躍變化或屋頂變化的那些像素的集合。邊緣廣泛存在于目標(biāo)與背景之間、物體與物體之間、基元與基元之間。物體的邊緣是由灰度不連續(xù)性反映的，因此一般邊緣檢測方法是考察圖像的每個像素在某個領(lǐng)域內(nèi)灰度的變化，利用邊緣鄰近一階或二階方向?qū)?shù)變化規(guī)律來檢測邊緣。邊緣是圖像最基本的特征，一幅圖像主要信息是由它的輪廓邊緣提供的。所以，邊緣提取與檢測在圖像處理中占有很重要的地位，其算法的優(yōu)劣將直接影響所研制系統(tǒng)的性能。

4 移動機器人圖像目標(biāo)識別

目標(biāo)識別技術(shù)的研究始于六十年代，其含義是用計算機對圖像進行加工處理，以得到某些預(yù)期的效果，并從中提取有用信息，從而實現(xiàn)人對事物或現(xiàn)象的分析、描述、判斷和識別。它的主要目的是確定視野圖像中是否存在目標(biāo)。如果存在日標(biāo)，給個合理的解釋，即判斷出目標(biāo)是什么及確定它的位置。它屬于模式識別的范疇，也可以把模式識別狹義地理解為圖像目標(biāo)識別。

5 基于不變矩匹配的目標(biāo)識別

計算機系統(tǒng)在識別圖像時，應(yīng)具有的一個重要特性是對圖像的平移、旋轉(zhuǎn)及比例變換具有不變性。一個最直觀的方法是要求圖像特征本身具有“不變性”，即盡可能尋求圖像本身的“不變性”特征。因此，不變性特征的研究一直是感知科學(xué)和計算機視覺的研究重點。不變矩算法就是一種通過提取具有平移、旋轉(zhuǎn)和比例不變性的數(shù)學(xué)特征，從而進行圖像識別的方法。實踐表明，直接用原點矩或中心矩作為圖像的特征，不能保證特征同時具有平移、旋轉(zhuǎn)和比例不變性。事實上，如果僅用中心矩表示圖像的特征，則特征僅具有平移不變性；如果利用歸一化中心矩，則特征不僅具有平移不變性，而且還具有比例不變性，但不具有旋轉(zhuǎn)不變性。看來，要同時具有平移、旋轉(zhuǎn)和比例變換不變性，直接使用原點矩或中心矩是不行的。為此，M.K.Hu在1961年首先提出了不變矩，他給出了連續(xù)函數(shù)矩的定義和關(guān)于矩的基本性質(zhì)，證明了有關(guān)矩的平移不變性、旋轉(zhuǎn)不變性以及比例不變性等性質(zhì)，具體給出了具有平移不變性、旋轉(zhuǎn)不變性和比例不變性的七個不變矩的表達式。

6 目標(biāo)識別實驗

圖像經(jīng)過中值濾波、圖像分割后，此時需要將圖像按不同區(qū)域標(biāo)記，其中關(guān)鍵是對連通域進行標(biāo)記并給同一連通成分的所有點分配同一標(biāo)記。我們先構(gòu)造一個N×（N+2）的鄰接區(qū)域統(tǒng)計矩陣F，矩陣的第i行存儲著Ri區(qū)域的鄰接區(qū)域列表、鄰接區(qū)域個數(shù)以及Ri的標(biāo)記位。

統(tǒng)計矩陣標(biāo)記算法如下：

1、掃描整個圖像，當(dāng)有區(qū)域未被標(biāo)記時，則循環(huán)遍歷每個標(biāo)記區(qū)域，遍歷標(biāo)記區(qū)域的鄰接區(qū)域列表，依次取出該標(biāo)記區(qū)域的非標(biāo)記鄰接區(qū)域p，再檢查p的所有鄰接區(qū)域，如果p的所有已標(biāo)記過的鄰接區(qū)域的標(biāo)記相同，則把p也標(biāo)記成同樣的值。

2、如果p的已標(biāo)記過的鄰接區(qū)域的標(biāo)記不相同，但這些標(biāo)記被用于了同一組元，構(gòu)成連通域，需將它們合并?？蓮闹羞x擇一個標(biāo)記并分配給p及連通域中所有像素點，通常將最小的標(biāo)記分配給一個連通域。

3、p被標(biāo)記后，將p從所在的標(biāo)記區(qū)域的鄰接區(qū)域列表中刪除，相應(yīng)的鄰接區(qū)域個數(shù)減1。

4、循環(huán)執(zhí)行步驟1-3，直到每一區(qū)域分配唯一的標(biāo)記。不同的區(qū)域分別以標(biāo)號1到5進行了標(biāo)記。

當(dāng)所有區(qū)域都標(biāo)記后，計算各個區(qū)域的矩形度，取矩形度最接近1的區(qū)域為目標(biāo)區(qū)域，其他區(qū)域置為背景。矩形度計算公式為： 其中AR為最小外接矩形面積，A為目標(biāo)面積，R為描述目標(biāo)形狀與矩形的相似度。R≤1，R越接近1，目標(biāo)形狀越接近矩形，R=1時目標(biāo)即為矩形。

7總結(jié)

本文對移動機器人目標(biāo)識別在不同環(huán)境中使用不同檢測方法，圖像經(jīng)過中值濾波、圖像分割后，此時需要將圖像按不同區(qū)域標(biāo)記，其中關(guān)鍵是對連通域進行標(biāo)記并給同一連通成分的所有點分配同一標(biāo)記，最后識別出目標(biāo)。

參考文獻

[1] 孫兆林.MATLAB6.x圖像處理[M]. 北京：清華大學(xué)出版社.2002.

[2] 賈云得.機器視覺[M].北京：科學(xué)出版社.2000.

[3] 文懷興，張鑫.基于雙目視覺識別技術(shù)的智能挖掘機器人研究[J].機械設(shè)計與制造.2009（2）：186-188.

[4] 王健強，呂游.一種面向工業(yè)機器人智能抓取的視覺引導(dǎo)技術(shù)研究[J].機械設(shè)計與 制造2009（9）：172-174.

[5] 求是科技.Visual C++數(shù)字圖像處理典型算法及實現(xiàn)[M].北京：人民郵電出版社，2006.

[6] 馬頌德，張正友.計算機視覺-計算理論與算法基礎(chǔ).北京：科學(xué)出版. 1998.

[7] 孫增沂.機器人智能控制.北京：北京教育出版社.1993.