Диссертация (Цифровая обработка телевизионных изображений для обнаружения препятствий на подстилающей поверхности в условиях фотометрических искажений), страница 11

С целью повышенияего быстродействия была использована функция, позволяющая ускоритьрасчет. Вместо того чтобы на каждом кадре вычислять значения функцийгауссова колокола и логистического сигмоида для каждого пикселяизображения, значения функций вычисляются только один раз при стартепрограммы и записываются в одномерный вектор длиной 256. Порядковый75номер элемента вектора соответствует интенсивности пикселя, а значениеэлемента – значению пороговой функции. Таким образом, при запускеалгоритма определяются только 3N массивов, где N – число маяков.Затем эти три изображения попиксельно перемножаются с извлечениемкубического корня, что даѐт «цветовую маску» для одного конкретного цвета(рис.

2.16а).На«цветовоймаске»детектируетсяпиксельсмаксимальнойинтенсивностью и вокруг него выделяется область из пикселей, значениеинтенсивности которых удовлетворяет условию:1  x  xmax  200,гдеx– интенсивность данного пикселя,xmax– интенсивность пикселя, скоторого начинается выделение (интенсивность пикселей нормирована навеличину 255). Применение данного условия и 8-связной области привыделении позволяет хорошо отделять области одного цвета друг от друга.Даннаяпроцедураповторяетсянесколькораз,причемранеевыделенные пиксели никак не учитываются при выделении новых областей.Итерации продолжаются до тех пор, пока общая залитая площадь непревысит 90% от площади изображения, либо пока количество областей сплощадью, меньшей, чем 100 пикселей, меньше пяти.

Также возможноручное ограничение числа залитых областей для повышения быстродействия.1.Вычисляются координаты центра каждой залитой области изаписываются в массив.2.Пункты выделения цветовых областей повторяются для каждогоиз выбранных цветов (рис. 2.16б).Послеэтоговычисляютсядлиныиуглынаклонасоединяющих центры залитых областей. Всего вектороввекторов,( n2  ( n1  n3 ) ,индексом k – количество найденных областей k–го цвета. Всегогде n с( n1  n2  n3 )комбинаций двух векторов могут дать «скелет» искомого трехцветного маяка76(так как маяк состоит из трѐх цветов, то векторов, последовательно ихсоединяющих, будет два).а)в)б)Рис.

2.16. Цветовые маски: а) одного из цветов; б) изображения; в) с наложеннымивекторамиКакая из этих комбинаций векторов подходящая, можно судить поразнице в длинах и углах двух векторов, соединяющих три цветовых областимаяка. Если эти разности меньше заданного порога, то цветовые области,относящиеся к этим векторам, помечаются как искомый маяк, причемуказывается ориентация (поворот) маякаиегопорядковыйномер(рис. 2.16в).Знаяапертуруобъективавидеокамерыигабаритымаяков,определяется местоположение маяков в пространстве (вид сверху и уровеньпо вертикали относительно оптической оси объектива) рис. 2.17.Рис. 2.17.

Расположение маяков772.6.2. Расчет маршрута с учетом препятствийНа выходе алгоритма обнаружения получается изображение, накотором черным цветом помечена подстилающая поверхность. Затем на этоизображениенакладываетсясетка,представляющаягоризонтальнуюповерхность (рис. 2.18). Сетка рисуется исходя из того, что известно, где намобильной платформе закреплена камера.Рис. 2.18. Наложение модели подстилающей поверхностиЗатем каждый квадрат сетки анализируется на предмет попадания внего пикселей препятствия.

Если этих пикселей достаточно много, то этотквадрат будем считать запрещенным. В итоге получается карта местности.Для навигации в пространстве используются цветовые маяки. С помощьюних определяется необходимо направление движения.На основании основного направления движения и расположенияпрепятствий с помощью волнового алгоритма рассчитывается маршрутдвижения платформы и вектор, вдоль которого должно производитьсядвижение. Пример карты местности представлен на рис. 2.19. Таким образом,даже если бы часть пикселей стола была бы выделена как препятствие, тоони бы все равно не рассматривались, так как интерес представляют толькоте пиксели, которые попадают в модель плоскости.78Рис.

2.19. Формирование карты местности с препятствиями: X – квадраты,представляющие препятствия; цифрами обозначены этапы движения МРП2.7. Краткие выводыПо результатам главы можно сделать следующие выводы:1.Разработан алгоритм обнаружения препятствий на входномтелевизионном изображении, получаемом с телекамеры на основе цифровойобработки изображения. В основе алгоритма лежит построение цветовыхгистограмм эталонной области и сравнение их с остальной частьюизображения.2.Введены характеристики модели подстилающей поверхности.3.Разработаналгоритмнакопленияинформацииомоделяхподстилающей поверхности. Постепенное накопление/удаление информациио поверхности возможно благодаря тому, что подстилающая поверхность неимеет резких перепадов освещения.

Рассмотрены различные вариантыиспользования предрасчитанных цветовых моделей для решения различныхзадач.4.Разработана модификация алгоритма минимизации энтропии дляудаления тени при движении МРП с исходного телевизионного RGBизображения. Модификация ускоряет алгоритм до 37,5 раз при сохраненииточности. Алгоритм использует автоматический поиск параметра θ, при79котором достигается минимум энтропии на служебном изображении.Рассмотрен алгоритм получения служебного изображения log-цветности,инвариантного к освещению и восстановления исходного телевизионногоизображения, не содержащего тень.5.Разработан алгоритм обнаружения цветных маяков на входномтелевизионном изображении для навигации в пространстве.

В основеалгоритма лежит построение «цветовой маски» с использованием гладкойнепрерывной функции (логистического сигмоида и гауссова колокола) длявыделения цветового признака маяка.6.Рассмотрен алгоритм огибания препятствий с учетом основногонаправления движения.80ГЛАВА 3. ИССЛЕДОВАНИЕ РАБОТОСПОСОБНОСТИСИСТЕМЫ ОБНАРУЖЕНИЯ ПРЕПЯТСВИЙ ПРИ РАЗЛИЧНЫХУСЛОВИЯХ3.1. Вводные замечанияНа работоспособность алгоритма распознавания препятствий влияетмножестворазличныхфакторов,способныхограничитьобластьиспользования системы некоторыми условиями или полностью сделать еѐработу невозможной. В связи с этим были определены исследования,которые необходимо провести над системой, для определения большинствавозможных граничных условий, возникающих в процессе работы алгоритма.В основе алгоритма лежит процесс кластеризации цветовой области.Цветность анализируемой области, обрабатываемая телекамерой, зависит нетолько от отражающих свойств поверхности, но так же и от спектраисточника света в рабочей зоне.

Поэтому целью одного из исследованийбыло определить качество работы алгоритма при влиянии различных типоввнешнего освещения. В исследованиях были использованы следующиеисточники:естественное освещение в облачную погоду – примерноетемпературное значение 6667K;естественное освещение в солнечную погоду (прямые солнечныелучи) примерное температурное значение 5000K;светодиодная лампа холодного света – 4100 К;люминесцентная лампа холодного белого цвета – 4000K;лампа накаливания – 3000К.Спектрыисследуемыхисточниковпредставленынарис.Хроматическая диаграмма цветовых температур приведена на рис. 3.2.813.1.Рис.

3.1. Спектры источников света82Рис. 3.2. Хроматическая диаграмма с длинами волн цветов и значениями цветовыхтемпературДругимважнымпараметромосвещенияявляетсяуровеньосвещенности, который измеряется в люксах (лк). С уменьшениемосвещенности теряется способность матрицы телекамеры к распознаваниюцвета и, в этом случае, передается информация только об интенсивностипикселей (рис. 3.3).

При высоких значениях освещенности потеря цветовойинформации происходит из-за засвечивания полезной области изображения.Основным показателем правильности работы системы распознаванияявляется точность обнаружения. Для того чтобы протестировать системунеобходимо выполнить достаточно большое число экспериментов приразличных условиях.83Рис. 3.3. Потеря цветности при имитации низкой освещѐнности на примерехроматической диаграммыДля этих целей было бы хорошо использовать тестовую базуизображений или видеопоследовательностей. Причем каждый кадр должениметь размеченную руками маску с признаком, является ли он препятствиемили нет. В свободном доступе такой базы распознанных изображенийобнаружено не было. Поэтому была разработана специализированнаявиртуальная среда, позволяющая генерировать произвольное тестовоеокружение.

Причем на изображении, получаемом телевизионной камеройбудет заранее известно на какие объекты направлена камера, и чему какойпиксельсоответствует.Такимобразом,можнобудетобеспечитьнеобходимое число экспериментов.Важным показателем системы является число текущих и изученныхмоделей. Сравнение пикселей изображения с изученными моделями – самоезатратное по времени место в алгоритме, но в тоже время их число отвечаетза лежащий в памяти объем полезной информации. Поэтому былаисследована зависимость точности правильного обнаружения от числатекущихиизученныхцветовыхмоделей,атакжеизмеренапроизводительность работы алгоритма, которая характеризуется числомобрабатываемых кадров в секунду.84В итог выше сказанному можно назвать перечень проведенныхисследований:1.Исследование коэффициента корреляции между зависимостямиточности правильного обнаружения от порогового значения расстоянияМахаланобиса и дисперсией числа точек, обнаруженных как подстилающаяповерхность от порогового значения расстояния Махаланобиса.2.Зависимость точности правильного обнаружения от типа света,падающего на исследуемую сцену (прямые солнечные лучи, естественноеосвещение, лампа накаливания, люминесцентная лампа или светодиоднаялампа).3.Изучение влияния контрастности входного изображения наточность работы алгоритма.4.Возможность автоподстройки порогового значения расстоянияМахаланобиса.5.Определение зависимости точности правильного обнаружения отуровня искусственно наложенного шума и от его типа.6.Зависимость точности правильно обнаружения от числа текущихцветовых моделей.7.Исследование зависимости точности правильного обнаруженияот числа изученных цветовых моделей.8.Определение производительности алгоритма при различномчисле текущих моделей.9.Определение производительности алгоритма при различномчисле изученных моделей.10.Определениеграницработоспособностиалгоритмаприналожении шума различной природы.3.2.