Диссертация (1091367), страница 15

Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 15)

В виртуальной средевоссоздана модель университетского помещения, в котором проходятзанятия студентов. Модель помещения представлена на рис. 4.1. Схемавзаимодействиямобильнойплатформысоператором/алгоритмомприкладного телевидения представлена на рис. 4.2.Рис. 4.1. Модель помещения в виртуальной среде113СерверПользовательКанал связиАААлгоритм прикладноготелевиденияРис. 4.2.

Схема взаимодействия с МРПСхематическая модель классов и их взаимодействие приведено на рис.4.3. При старте программы запускается основной класс (Эмулятор),инициализирующий все необходимые объекты: загружает необходимуюрабочую сцену, создает платформу. Класс платформы инкапсулирует в себемеханическую модель платформы и набор датчиков. Взаимодействиепользователя с платформой осуществляется через класс эмулятора, дляобеспечения возможности моделирования канала связи и добавления помех,если это необходимо.Обработчик командпользователяМенеджер сценыУправлениедвигателемЭмуляторПлатформаНабор датчиковНабор алгоритмовприкладного телевиденияМенеджеротрисовки оконТелекамерыРис. 4.3.

Структурная модель виртуальной среды114В качестве набора датчиков в виртуальной среде сейчас реализованы:ультразвуковые датчики;навигатор(позволяетопределитьточныекоординатыплатформы);гироскоп (определяет скорость передвижения);набор телевизионных камер.В некоторых задачах прикладного телевидения, таких как робофутбол,есть потребность в наблюдении за сценой со стороны. Для этого ввиртуальной среде есть дополнительная камера, позволяющая наблюдать зарабочей сценой сверху. Пример изображения с этой камеры показан нарис.4.4.Рис.

4.4. Изображение с камеры-наблюдателя.1154.3. Модель мобильной платформы в виртуальной средеВспециализированнойвиртуальнойсреденатекущемэтапереализована виртуальная трехмерная модель МРП в виде танка, на башнекоторого установлена телекамера, которая производит съемку в видимомдиапазоне. Изображение, с данной телекамеры, в рамках диссертационнойработы является единственным источником данных об окружающей среде,доступным виртуальной модели МРП.

Обработка только этих данныхдолжна позволять МРП изменять скорость и направление своего движения.Для движения реальной МРП управляющими сигналами являются двачисла, модуль которых задает мощность правого и левого двигателей, а знакпоказывает направление вращения вала – вперед или назад. В добавок кэтому,установленныенаМРПцифровыетелекамерыснабженысервоприводами для поворота в двух плоскостях. Они производят повороткамер с постоянной угловой скоростью, и управляющим сигналом для нихслужит величина углов поворота.

Таким образом, любая команда оператора илюбое решение, принимаемое алгоритмом на основе данных обработкисистемы компьютерного зрения, реализуется в виде комбинации чисел –мощность двигателей и углы поворота камер.ВвиртуальнойсредеуправлениедвижениеммоделиМРПосуществляется с помощью операций (рис. 4.5):1. Move (x) – перемещение на x условных единиц вдоль оси O’X’объекта.2.

Turn (S) – поворот на S градусов вокруг оси O’Y’.116YY’TurnXOMoveO’X’ZZ’Рис. 4.5. Движение модели МРП в виртуальной среде: XYZ – мировая системакоординат, X’Y’Z’ – система координат МРПКроме того, по аналогии с вращением телекамер реальной МРП, ввиртуальной среде есть возможность поворота башни платформы спостоянной угловой скоростью – рис. 4.6.X’ωXt’O’Рис. 4.6.

Поворот башни танка. У виртуальной модели по аналогии с реальной МРПесть возможность поворота камеры в горизонтальной плоскости (O’Xt’ – оптическаяось камеры)117Связь между управляющими командами виртуальной модели иреальной МРП представлена на рис. 4.7.XX’SxleftX’DO’Z’xrightO’OxcenterZ’DSDZxrightSxcenterxleftxSDxleft  x right2x right  xleftDРис. 4.7. Связь между командами реальной и виртуальной МРП: пример измененияположения МРП (вверху); геометрические построения (внизу)1184.4. Формирование стратегии поведения модели мобильнойроботизированной платформы в виртуальной средеВ виртуальной среде стратегия поведения МРП реализуется в виденабора правил, каким образом должно изменяться движение мобильногоробота в зависимости от информации, полученной в результате обработкиданных системы прикладного телевидения.

Структура стратегии поведенияприведена на рис. 4.8.Стратегия поведения1. Цель2. ПравилаеслиУсловие 1тоРешение 1еслиУсловие 2тоРешение 2Условие NтоРешение N...еслиПример условия:Объект находится справаX0>ImageWidth/2Пример решения:Повернуть направоVr= – 50Vl=50Рис. 4.8. Структура стратегии поведения МРПДругиепримерырешений-команд:«повернуть налево», «остановиться».119«ускоритьдвижение»,4.5. Интерфейс программыОдним из основных окон в работе программы является окно сизображением, поступающим на вход алгоритма.

Пример окна показан нарис. 4.9.Рис. 4.9. Пример входного изображения с телекамерыВ главе 3 исследовались зависимость различных параметров,влияющих на точность работы системы. В том числе были исследованывнутренние параметры алгоритма. Интерфейс всевозможных настроек,производимых из интерфейса программы, показан на рис. 4.10.Рис. 4.10. Интерфейс конфигурирования системы120Так как в работе алгоритма для исследования требуется частоеизменение некоторых параметров, то они были вынесены на ползунковыерегуляторы.

Так регулятор 1 изменяет пороговое значение для расстоянияМахаланобиса. Регулятор 2 – позволяет изменять тип искусственноналоженного шума. Третий ползунок изменяет амплитуду накладываемогошума. Регуляторы 4 и 5 позволяют изменять яркость и контрастностьвходного изображения.Специфичные параметры программы, не требующие постоянногоизменения, вынесены в отдельный конфигурационный ini файл. Нижеприведен пример ini файла:;Рассчет дисперсии точек, определенных как подстилающая поверхностьDispersionCalc = True;Включить возможность наложения искусственного шумаEnableNoise = True;Включить возможность изменения контрастности изображенияEnableContrastCorrection = True;Автоподстройка порогового значения для расстояния МахаланобисаAutotuningMahDist = False;Автоподстройка контрастности изображенияAutotuningContrast = False;Передать контроль управления алгоритмуEnableAlgorihtmControl = False;Число кластеров в эталонном участкеCurrentModelCount = 3;Число изученных цветовых моделейLerningModelCount = 4;Включить режим следования по путевым точкамEnableWayPointMoving = True;Отображать карту препятсвийBuildObstacleMap = True;Источник получения изображенийImageSource = Camera;Файл для записи исследуемых показателейResultOut = ―C:\\result.txt‖;Включить расчет частоты выходных кадровEnableFPSCounter = TrueКовсемпараметрамiniфайланаписанысоответствующиекомментарии, так что пояснять смысл каждого конфигурационногопараметра смысла не имеет.

Некоторые этих параметров могут создаватьдополнительные окна в интерфейсе системы, так параметр BuildObstacleMap121создает дополнительное, окно с разметкой всего пространства передплатформой. А параметрEnableWayPointMoving отображает на немнеобходимый вектор движения. Примеры окон представлены на рис. 4.11.Рис. 4.11.

Карта препятствий4.6. Примеры работы системы в реальных условияхАлгоритм может использовать в качестве входного параметра какизображениестелекамеры,видеопоследовательность.такПримеристатичноеработыизображениеалгоритмасоилистатичнымиизображениями приведен на рис. 4.12.На изображении представлено 4 вида подстилающих поверхностей:тротуарная плитка;газон из травы;грунтовая дорога;ламинат/линолеум.Из представленных рисунков видно, что алгоритм хорошо справляетсяс различными типами подстилающих поверхностей, а так же с обработкойтеней, имеющихся на рис.

4.12в.122а)б)в)г)Рис. 4.12. Примеры работы системы в реальных условиях: а) тротуарная плитка;б) травянистая поверхность; в) проселочная дорога; г) ламинат (линолеум)1234.7. Краткие выводыРассмотрена универсальнаявиртуальнаясреда,позволяющаяотлаживать алгоритмы прикладного телевидения. Она предоставляетсоздание тестового окружения, позволяющего генерировать изображение сзаранее известной принадлежностью каждого пикселя к определенномуклассу объектов.

Разработанный функционал среды предоставляет широкийнабор возможностей для проверки работоспособности алгоритмов цифровойобработки сигналов не только в рамках данной диссертационной работы, адля широкого круга задач прикладного телевидения.ПредставленоописаниемоделиреальнойМРП,позволяющееэмулировать поведение гусеничной платформы, оснащенной телекамерой.Рассмотрена стратегия формирования поведения платформы в зависимостиот различных условий, получаемых от алгоритма прикладного телевидения.Подобная стратегия может быть использована для различных наземныхроботизированных платформ.Рассмотренинтерфейссистемыобнаруженияпрепятствийнаподстилающей поверхности.

Он предоставляет широкий ряд возможностейдля тонкой настройки алгоритма при проведении различных исследований,таккакестьвозможность(виртуальнаяизменениясреда/тестовоевидеопоследовательность/реальнаявнутреннихподключениярежимовпараметровразличныхработыалгоритмаизображение/тестоваятелевизионнаяалгоритмаимодулейдлякамера),возможностьисследованияподстройкаопционального(воздействиешума/корректировка контрастности). Представленные результаты обработкиреальных изображений подтверждают работоспособность алгоритма вразличных условиях.124ОсновныеЗАКЛЮЧЕНИЕрезультаты диссертации можносформулироватьвследующем виде:1.Предложены алгоритмы цифровой обработки изображений длязадач обнаружения препятствий на подстилающей поверхности мобильнойроботизированной платформой (МРП) с использованием прикладнойтелевизионной системы.

Обнаружение препятствий происходит с помощьюанализа цветового состава подстилающей поверхности, таким образом,снимая ограничение на форму ивысоту препятствия.Прикладнаятелевизионная система включает в себя расчѐтный модуль, обрабатывающийцифровой сигнал, одну обычную цветную телекамеру, которая установленана МРП и приѐмо-передающий блок, производящий обмен данными междурасчѐтным модулем и МРП.2.Разработан алгоритм обнаружения предпястий на подстилающейповерхности.

Минимальная погрешность его работы составляет 5%. Данныйалгоритм постоянно производит обработку эталонной области, так что стечениемвремениповерхностиинформацияобновляется,иоцветовомалгоритмсоставеможетподстилающейадаптироватьсякизменяющимся условиям освещения. Комплексный анализ цветового составаизображения позволяет алгоритму работать в условиях неоднородного тона ифотометрических искажений.3.Исследование оценки влияния числа кластеров, на которыепроисходит разбиение эталонной области, и числа цветовых моделей,хранимых в памяти компьютера, на точность и производительность работыпоказало, что максимальная точность обнаружения сконцентрированаотносительно окрестности [2, 4] для числа текущих моделей и [2, 6] длячисла изученных моделей.

Характеристики

Список файлов диссертации