Диссертация (Цифровая обработка телевизионных изображений для обнаружения препятствий на подстилающей поверхности в условиях фотометрических искажений), страница 7

В данной работе предлагаетсяиспользовать цветовые особенности препятствия, которые отличают его отподстилающей поверхности.В системах обнаружения препятствий в закрытых помещенияхприменение методов прикладного телевидения является предпочтительным всвязи с отсутствием помех, в отличие от систем, использующих радиоканалыв качестве опорной информации для обнаружения. Это связано с тем, что нарадиоканалы могут воздействовать помехиот внешнихисточниковрадиоизлучения и помехи, связанные с переотражением радиосигналов взамкнутом пространстве.Использование цветового анализа изображения в сравнении стекстурным анализом имеет преимущество, при движении по гладкому полу,неимеющемуярковыраженныхособенностейповерхности.Еслирассматривать динамические системы, когда объект передвигается впомещении, то изображение, полученное с телекамеры, может оказатьсясмазанным, что является критичным для методов, анализирующих границыпрепятствийилитекстуруподстилающей40поверхности.Методы,анализирующиецветовойсоставизображенияизбавленыотэтогонедостатка.2.2.

Основные требования к системе и оборудованиюОсновные задачи в работе системы по обнаружению препятствийметодами цифровой обработки телевизионного изображения можно описатьследующим образом:1.выделение модели подстилающей поверхности;2.выделение и цветовой анализ области интереса;3.анализ всего изображения на основе полученной информации,обнаружение препятствий на текущем кадре;4.накопление информации с учетом текущего кадра.2.2.1.

Ограничения на модель подстилающей поверхностиПредлагаемаясистемаобнаруженияпрепятствийоснованаисключительно на внешнем виде отдельных пикселей. Любой пиксель,который отличается по внешнему виду от земли, будет классифицирован какпрепятствие. Метод основан на трех предположениях, которые являютсяразумными для различных внутренних и внешних условий:1.Препятствия отличаются по внешнему виду от земли.2.Земля относительно плоская.3.Нет свешивающихся препятствий.Первое предположение позволяет отличать препятствия от земли, авторое и третье – оценить расстояние между обнаруженными препятствиямии расстояние до камеры.Классификация пикселей как представляющих препятствие или землюможет быть основана на ряде локальных визуальных атрибутов, таких какинтенсивность, цвет, границы и текстуры.

Важно, чтобы выбранныеатрибуты предоставляли информацию, которой достаточно, чтобы системанадежно работала в различных средах. Выбранные атрибуты также должны41потреблять мало вычислительных ресурсов, чтобы алгоритм мог работать врежиме реального времени, и чтобы не потребовалось вынесенноеоборудование. Чем меньше вычислительных ресурсов потребляет система,тем выше число обрабатываемых кадров в секунду, и тем быстреемобильный робот может безопасно передвигаться.Чтобы наилучшим способом удовлетворить эти требования, былорешено использовать информацию о цвете как основной признак. Несмотряна то, что цветовая информация имеет много достоинств, мало работ сделанов области цветового зрения для мобильных роботов за последнее время.

Цветпредоставляет больше информации, чем интенсивность. По сравнению стекстурами, цвет имеет более локальные свойства и может быть вычисленгораздобыстрее.Системы,которыеполагаютсяисключительнонаинформацию о границах, могут быть использованы только в средах безтекстуры пола, как и в средах Shaky и Polly. Также такие системы хужеотличают тени от препятствий по сравнению с системами, основанными нацветовой информации.Для многих приложений важно оценить расстояние от камеры допикселя, представляющего препятствие. С монокулярным зрением общийподход к оценке расстояния заключается в предположении, что земляотносительно плоская, и нет свисающих препятствий. Если эти двапредположения верны, то расстояние – монотонно возрастающая функциявысоты пикселей в изображении. Расчетное расстояние до основания любогопрепятствия является правильным, но чем выше препятствие возвышаетсянад землей, тем больше переоценивается это расстояние.

Самый простойспособ решения этой проблемы заключается в использовании толькопикселей препятствия, которые лежат ниже всех в каждом столбцеизображения. Более сложный подход состоит в группировке пикселейпрепятствия и поиске кратчайшего расстояния до всей группы.422.2.2. Подбор характеристик телекамерыУсловиеналичия цветностиявляется главным для телекамер,использующихся на мобильных роботизированных платформах. Разрешениематрицы не является очень важным фактором, потому что алгоритм способенобнаруживатьпрепятствиядажепринизкомразрешенииирасфокусированном объективе.

Но, объектив следует выбрать достаточновысокого качества, чтобы он давал минимум нелинейных искаженийизображения, таких, как дисторсия (рис. 2.1). Дисторсия (бочкообразная иподушкообразная) сильно влияет на точность измерения расстояний. Впроцессеработыалгоритмафокусноерасстояниедолжнобытьфиксированным [45].Рис. 2.1. Примеры подушкообразной и бочкообразной дисторсийСоблюдение горизонтальности оптической оси телевизионной камерыявляется еще одним важным условием. В алгоритме принимается, чтотелекамера на МРП может вращаться только вокруг своей вертикальной оси,за счет этого обеспечивается корректное составление карты препятствийвокруг платформы.2.3. Выделение области интересаВ связи с тем, что в системе используется всего лишь однателевизионная камера, то полученное изображение дороги будет выглядеть,как показано на рис.

2.2. Из анализа изображения видно, что линия горизонта43делит изображение на 2 части – верхнюю и нижнюю. Посколькурасположение телевизионной камеры на платформе фиксировано, то можнозаранее рассчитать, где будет проходить линия горизонта. Над ней анализизображения не представляет интереса, так как там априорно нетпрепятствий.Рис. 2.2.

Схематичное изображение дороги на телевизионном изображенииОбласть интереса будет определяться следующим выражением:h < hhor ,где h – высота анализируемого пикселя на изображении, hhor – высота линиигоризонта в пикселях.Работа алгоритма основана на анализе некого эталонного участка ипоследующем анализе всего изображения относительно полученных из негоданных. В связи с этим эталонный участок должен быть репрезентативным,т. е. захватывать достаточно цветовой информации о подстилающейповерхности.

Выбор формы эталонного участка в форме трапецоидаобусловлен формой перспективного искажения дороги (с увеличением44высоты пикселя на изображении репрезентативная часть представляется всеменьшим и меньшим отрезком), а так же формой роботизированнойплатформы. Зачастую роботизированные платформы имеют прямоугольныйвид. Выбор такого эталонного участка позволяет оценить подстилающуюповерхность непосредственно перед платформой.2.3.1. Кластеризация областей интересаДлякластеризацииэталоннойобластиприменяетсяалгоритмкластеризации по математическому ожиданию (interactive k-means clustering),позволяющий выделить несколько цветовых кластеров, характеризующихподстилающую поверхность.Алгоритм кластеризации представляет собой простой алгоритмитерационного поиска экстремума.

Основные действия этого алгоритмаизображены на рис. 2.3.а)45б)в)г)Рис. 2.3. Работа алгоритма K-means: a) центры кластеров выбираются случайным образом;б) перемещение кластеров к центру распределения точек; в) еще одно перемещениецентров кластеров; г) завершение работы алгоритма46Формирование К кластеров на множестве n-мерных векторов:1.Счетчику итераций iс присвоить значение 1.2.ВыбратьКзначенийматематическихожиданийm1(1),m2(1),…,mk(1) случайным образом.3.Для каждого вектора xi вычислить расстояние D(xi,mk(ic)) длякаждого k = 1,…,K и поместить xi в кластер Cj с ближайшим векторомматематического ожидания.4.Увеличить iс на 1 и скорректировать значения математическихожиданий для получения нового множества m1(iс), m2(iс), … , mk(iс).5.Повторять шаги 3 и 4 до тех пор, пока при всех к не будетвыполняться равенство Сk(iс) = Ck( ic+ 1).Алгоритм K-means очень эффективен, но обладает несколькиминедостатками:1.Он гарантированно завершается, но полученное решение необязательно будет глобально оптимальным (в смысле критерия наименьшейквадратичной ошибки).2.Алгоритмнеговоритотом,сколькокластеровнадоиспользовать.

Если выбрать вместо 2-х кластеров, как это сделано на рис. 2.3,три или четыре, то результат кластеризации тяжело предугадать.3.Алгоритм предполагает, что ковариация данных либо не имеетзначения, либо данные уже кластеризованы.Алгоритм можно модифицировать, изменив пункт 2 для разбиениявекторовнаKслучайныхкластеровипоследующеговычисленияматематических ожиданий. Можно уменьшить время работы алгоритма,предусмотрев завершение работы в пункте 5, если на последней итерациисмена кластеров была выполнена у небольшого количества векторов.Таким образом, на выходе алгоритма кластеризации эталонной областиполучается набор кластеров.