Диссертация (Цифровая обработка телевизионных изображений для обнаружения препятствий на подстилающей поверхности в условиях фотометрических искажений), страница 14
Описание файла
Файл "Диссертация" внутри архива находится в папке "Цифровая обработка телевизионных изображений для обнаружения препятствий на подстилающей поверхности в условиях фотометрических искажений". PDF-файл из архива "Цифровая обработка телевизионных изображений для обнаружения препятствий на подстилающей поверхности в условиях фотометрических искажений", который расположен в категории "". Всё это находится в предмете "технические науки" из Аспирантура и докторантура, которые можно найти в файловом архиве РТУ МИРЭА. Не смотря на прямую связь этого архива с РТУ МИРЭА, его также можно найти и в других разделах. , а ещё этот архив представляет собой кандидатскую диссертацию, поэтому ещё представлен в разделе всех диссертаций на соискание учёной степени кандидата технических наук.
Просмотр PDF-файла онлайн
Текст 14 страницы из PDF
Зависимость дисперсии числа точек, определенных какподстилающая поверхность, от контрастности изображения представлена втабл. 3.3 и на рис. 3.16. Из графика видно, что минимум дисперсии,приходится на контрастность 60. Что говорит о том, что можно искусственноизменять контрастность входного изображения для достижения минимумадисперсии.105Таблица 3.3 Зависимость дисперсии результатов от контрастности входного изображения№1234567С51020406080903,43,33,22,72,33,94,1RGB(*103)Рис. 3.16.
Зависимость дисперсии результатов от контрастности входного изображенияУвеличениедисперсиипрималенькой/большойконтрастностиобъясняется потерей цветовой информации и дальнейшей невозможностивыделять характерные цветовые признаки.3.7. Исследование влияния цветовой системы на точность работысистемы обнаруженияВ исследуемом алгоритме основной признаком препятствия являетсяцвет пикселя.
Как известно, для работы непосредственно с цветовымиособенностями лучше использовать цветовую систему HSV. Поэтому былпроведенанализиспользованияданной106цветовойсистемы.Дляпредобработки входного изображения была написана функция, переводящаявходное изображение из одной цветовой системы в другую. Для системыHSV был проанализирован ряд параметров.Первый из анализируемых параметров была зависимость качестваработы алгоритма от порогового значения для расстояния Махаланобиса.
Какбыло сказано ранее, величина дисперсии числа точек, определяющихподстилающую поверхность, является критерием качества работы алгоритма.Зависимость данной величины от порогового значения для расстоянияМахаланобиса представлена на рис. 3.17.Поведение графиков очень схоже между собой. График для HSV вкритичных условиях дает меньшую дисперсию.
В рабочей зоне алгоритмHSV дает дисперсию в 3 раза большую. Исходя из рис. 3.15 и 3.16, можноопределить, что такая дисперсия соответствует точность обнаружения в 90%.Такимобразом,алгоритмвцветовойсистемеHSVвпринципеработоспособен, но работает менее стабильно.Зависимостьдисперсиичислаточек,представляющихсобойподстилающую поверхность, от освещенности представлена в табл. 3.3 и рис.3.18. Как и в предыдущем случае, поведение графиков совпадает друг сдругом, но дисперсия результатов для алгоритма HSV выше.Зависимостьподстилающуюдисперсииповерхность,числаотточек,представляющихзашумленностивидеопоследовательности представлена в табл. 3.2 и рис. 3.19.107собойвходнойРис.
3.17. Зависимость дисперсии результатов от расстояния Махаланобиса дляконкретной сценыРис. 3.18. Зависимость дисперсии результатов от контрастности входного изображения108Анализ влияния шума еще раз подтвердил то, что цветовая системаHSV при текущей реализации алгоритма дает менее стабильную работу.Несмотря на более хорошие показатели в критических ситуациях, алгоритмHSV менее подходит для детектирования препятствий, так как в этихусловиях система уже и так будет работать нестабильно.Рис.
3.19. Зависимость дисперсии результатов от зашумленности изображения3.8. Краткие выводыИсследован алгоритм обнаружения препятствий на подстилающейповерхностидляопределенияоптимальногозначениявнутреннихпараметров алгоритма и определения границ работоспособности системы. Поитогам исследований можно сделать следующие выводы:1.Основной информацией для работы алгоритма является цветоваяинформация. Цветовой состав изображения зависит не только от физическихсвойств отражающей поверхности, но и от спектра источника света,освещающего рабочую зону. В связи с этим исследовалось качество работыалгоритма при использовании различных типов освещения.
В эксперименте109анализировались прямые солнечные лучи, естественное освещение (воблачнуюпогоду),светодиоднаялампа,лампанакаливанияилюминесцентная лампа. При использовании всех источников освещения,работоспособность системы сохранилась, что подтверждает низкое влияниеспектрального состава источника света на работу алгоритма. Следуетотметить, что самые лучшие результаты были достигнуты при использованииестественного освещения и лампы накаливания.2.Проведено исследование влияния уровня освещѐнности наработоспособность системы.
Результаты показали, что на уровне в 25 люксалгоритм теряет работоспособность. Это связано с потерей цветовойинформации при сильном уменьшении/увеличении освещенности. В целомалгоритм показал устойчивость к низкому уровню освещения.3.Еще одним показателем, влияющим на цветовойсоставизображения, является контрастность. Экспериментально был определеннаилучший уровень контрастности, соответствующий 60.
Знание этогоуровня позволяет скорректировать входное изображения для полученияболее высокого уровня обнаружения.4.Показана возможность использования такого параметра, какдисперсия числа точек, обнаруженных как подстилающая поверхность, вкачестве критерия работы системы. С использованием данного параметравозможна автоподстройка алгоритма детектирования при старте системы.Определено пороговое значение для расстояния Махаланобиса τ = 6, прикотором достигается наилучший уровень распознавания.5.Было проведено исследование, при котором производиласьоценка влияния числа кластеров на которые происходит разбиение эталоннойобласти (NT) и числа цветовых моделей, хранимых в памяти компьютера (NL)на точность и производительность работы системы.
Было установлено, чтопри NT = 3 и NL = 4 достигается точность обнаружения препятствий 95%.Частота выходной видеопоследовательности при этом 19 кадр/с, что110соответствует максимальной скорости передвижения МРП в помещении 1м/с.6.В исследованиях влияния шума на систему обнаруженияпрепятсвий использовались три модели шумового воздействия: АБГШ,мультипликативный шум и шум «соль и перец». По результатам определено,что при ПОСШ менее 25 дБ алгоритм теряет работоспособность.Установлено, что алгоритм наименее устойчив к влиянию шума «сольперец» и наиболее устойчив к мультипликативному шуму.7.Сравнивалось использование цветовых систем RGB и HSV наточность работы системы. Было установлено, что если использоватьцветовую систему HSV, то дисперсия числа точек, обнаруженных какподстилающая поверхность, возрастает в 3 раза, а точность правильногообнаруженияпадаетна5П.п.Такимобразом,установлено,чтоиспользование цветовой системы RGB является более предпочтительным дляработы системы.111ГЛАВА 4.
ПРАКТИЧЕСКАЯОБНАРУЖЕНИЯ ПРЕПЯТСТВИЙРЕАЛИЗАЦИЯАЛГОРИТМА4.1. Вводные замечанияВ настоящее время имеется большое число программных пакетов длямоделирования, таких как Mat Lab. Главным условием использования тойили иной среды является совместимость с разработанным алгоритмомприкладного телевидения. Представленный в работе алгоритм разработан сиспользованием библиотеки OpenCv [69] на языке с++. В настоящее времяразработана очень удобная среда для разработки приложений Unity 3D [88],но в бесплатной версии приложения нет возможности подключениясторонних библиотек. Работа с библиотекой OpenCv поддерживается всимуляторе V-REP [92], но там затруднена работа с определениемабсолютных координат объектов, которые попадают в поле зрения камеры.В связи с этим была разработана специализированная виртуальная среда, сиспользованием бесплатной библиотеки Ogre SDK [83], для отладкиалгоритмовкомпьютерногозрения.Основноеназначениесозданнойвиртуальной среды – это исследование алгоритмов прикладного телевидения,но без использования аппаратных средств.
В ней возможно моделированиеканалов передачи данных, тестирование и реализация алгоритмов, как вуличных условиях, так и в условиях помещения.Основнаяструктурнаяроботизированнаяплатформачасть(далеепроектаМРП).–Дляэтомобильнаяэффективногофункционирования которой необходимы не только алгоритмы прикладноготелевидения,ноистратегииповедения,позволяющиеувеличитьавтономность платформы и снизить нагрузку на оператора, дав емувозможность решать другие задачи, помимо ручного управления мобильнойроботизированной платформой.
Моделирование поведенческих стратегийМРП – еще одна задача, которая успешно решается в виртуальной среде.112Пройдя тестирование, реализованные стратегии (модели) поведения МРПмогут быть использованы в реальной работе. Следует отметить, что ввиртуальной среде можно моделировать как движение наземных средств, таки поведение летательных аппаратов.4.2. Структурное описание виртуальной средыМРП в виртуальной среде представляет собой мобильную гусеничнуюбазу с автономным питанием, установленным бортовым компьютером снабором телевизионных видеокамер, а так же системой беспроводнойпередачи видеоинформации и телеметрических данных.