基于模糊識別的視覺系統(tǒng)識別算法

基于模糊識別的視覺系統(tǒng)識別算法

根據(jù)應用殘疾人服務的實際要求，將視覺系統(tǒng)和步行系統(tǒng)整合到系統(tǒng)中是可以實現(xiàn)殘疾人和老年人的內部和外部生活，并考慮到殘疾人和老年人的外部手術。具有視覺的助殘機器人系統(tǒng)的抓取操作類似于人眼、手、腦系統(tǒng).首先,由視覺攝像機拍攝的數(shù)字圖像作為視覺系統(tǒng)采集的數(shù)據(jù),經(jīng)數(shù)據(jù)壓縮算法壓縮編碼后,以最少比特流傳輸給系統(tǒng)的動態(tài)數(shù)據(jù)庫,這一過程相當于人眼的功能.其次,通過譯碼提取圖像數(shù)據(jù),并由識別算法辯識抓取對象.同時,將抓取對象的相關位置、距離等數(shù)據(jù)轉換成機器手抓取運動的控制參數(shù),傳輸給控制系統(tǒng),相當于人腦功能.機器手對抓取對象的抓取過程相當于人手的動作.當然,對手的抓取運動與運動姿態(tài)的控制是腦手合一的過程.本文考慮到視覺系統(tǒng)在拍攝圖像中,傳感器制造的聚焦誤差、成像光源的強度變化、成像射線的散射作用及物體邊緣的形狀誤差,都將引起圖像邊界模糊,從而導致視覺系統(tǒng)對抓取對象的識別更為困難.因此,針對機器手從冰箱抓取物體時的環(huán)境約束及抓取對象(啤酒、礦泉水、盒式牛奶、盒式飲料等)是規(guī)則邊緣實體的特點提出模糊識別算法,能有效降低視覺系統(tǒng)的不確定性對識別的影響,其算法簡單.1識別結構1.1抓取液的檢測機器手從冰箱里抓取物體,抓取空間被限制在冰箱以內的范圍.因此,在視覺攝像機拍攝的圖片中,包括冰箱的外殼體、抓取對象(啤酒、礦泉水、盒式牛奶、盒式飲料等)、機械手.為使識別算法簡化,特作如下假設:①在抓取空間不存在散裝的包裝物體;②為避免抓取操作中相鄰被抓取物的干涉,特作限定:被抓取物離散放置,相鄰物體之間有間隙;③每個抓取物的放置朝向一致,例如:全部豎置或橫置,本文選擇全部豎置;④同類物體可以多余一件,可以不相鄰放置.以上假設不失一般性.對于實際情況與此假設不符時,只須通過識別實驗,對某些算法參數(shù)作一些調整,尚能適用.1.2基于信號濾波、濾波模板濾波的模糊識別算法識別算法的核心是要認出被抓取物,同時,要確定它在抓取空間內的方位.因此,它是一個分類問題.本文提出的模糊識別算法,分2個層次,3個組成部分.第1個層次是低通濾波:由視覺系統(tǒng)拍攝的圖像經(jīng)壓縮編碼、傳輸與解碼后送給識別算法.由于視覺系統(tǒng)存在聚焦誤差、成像光源的強度不確定性、成像射線的散射作用和物體邊緣的形狀誤差等等,這些誤差會對圖像產(chǎn)生高頻噪音,使圖像模糊.高頻噪音會影響識別的準確性,因此,在識別之前,首先通過低通濾波消除高頻噪音,低通濾波采用濾波模板濾波,這部分工作也被稱作識別算法的預處理.第2個層次是模糊識別算法,它由3部分組成:①結構二分法的區(qū)域分割算法;②基于抓取物形體與色彩構造模糊識別特征集;③模糊識別算法.2圖像區(qū)域分割二分法的區(qū)域分割法實際上是一種遞歸分割的方法,是將分割集合按照某個尺度依次二分為2個集合,這個過程不斷繼續(xù),直到每個子集合中只包含1個元素為止.根據(jù)1.1節(jié)的假設,對于視覺系統(tǒng)的區(qū)域二分法,首先要識別抓取空間的對象數(shù)目,也就是對應于圖像中的對象數(shù)目.其次,再將圖像分割成只包含單個對象的子空間.同時,考慮識別算法的實時性要求,需盡量用少數(shù)離散采樣點的數(shù)據(jù)實現(xiàn)圖像分割.因此,圍繞著圖像的區(qū)域分割,主要解決以下2個問題:①確定分割區(qū)域的數(shù)目;②結構二分法的區(qū)域分割算法.2.1區(qū)域分割修復圖像分割的目的是將圖像分割成只包含單個對象(物體)的子空間,因此,分割區(qū)域數(shù)目就是抓取空間(例如冰箱內的空間)存在的對象(物體)數(shù)目.由于抓取物(啤酒、盒式牛奶,盒式飲料等)及機械手都是實體,其外邊界多為規(guī)范的線性與曲線邊緣.它們的圖像灰度值聚類性好,因此,利用離散采樣點的灰度值與平均色彩值作為區(qū)域分割的指標.基本思路是用離散采樣點表示分割數(shù)目,通過算法依次刪除采樣點中的背景采樣點和同一物體上的重復采樣點,剩下的采樣點就是要被識別的對象數(shù)目,即分割區(qū)域數(shù)目.具體做法是:1采樣點滿意度值f用均布間距在圖像子區(qū)域采樣,獲得采樣點的灰度值與色彩值:f=[fi]s=[si]i=1,2,?,n}(1)其中,fi為采樣點的灰度值;si為采樣點的色彩值,取三基色的平均值.2采樣點的選取由先驗知識提供對象的灰度閾值Tf,色彩閾值Ts,有Τf=min[Τf1Τf2?Τfk]Τfi∈ΖfΤs=min[Τs1Τs2?Τsk]Τsi∈Ζs}(2)其中,Zf和Zs分別為對象集合的灰度集合與色彩集合;Tfi和Tsi為對象集合中的某一物體的灰度值與色彩值,它是集合中的元素.采樣值依次與閾值比較,若:fi≥Tf∩si≥Ts,保留采樣點;fi<Tf∪si<Ts,取消采樣點.3采樣區(qū)間數(shù)的生成這一過程主要是刪除同一物體上的重復采樣點.利用相鄰采樣點的灰度差值與色度差值作為檢驗的指標.即有由經(jīng)驗知識提供對象的灰度差值閾值ΔTf和色度差值閾值ΔTs.ΔΤf=min[ΔΤf1ΔΤf2?ΔΤfk]ΔΤfi∈ΔΖfΔΤs=min[ΔΤs1ΔΤs2?ΔΤsk]ΔΤsi∈ΔΖs}(3)在采樣矩陣中相鄰采樣點的灰度值依次相減,若灰度差值小于閾值ΔTf或色度差值小于閾值ΔTs,需要計算這兩點之間的距離,并與最小限定距離相比較,若距離小于最小的限定距離,認為是同一物體上的重復采樣點,則刪除該采樣點,否則保留該采樣點.遍歷采樣矩陣后,最后得到的采樣點數(shù)就是區(qū)間數(shù).2.2采樣總采樣總采樣通量區(qū)間數(shù)目結構二分法是應用特征值作為分割指標,在特征值的最大差值處實現(xiàn)分割.本文采用灰度差值作為橫向分割的指標,色彩差值作為縱向分割的指標.具體過程如下:特征矩陣A作為分割矩陣,它以前一過程的采樣點的灰度值與色度值作為它的元素.有A=[aij]2×l(4)a1j=fja2j=sji=1,2j=1,2,?,l≤n其中,l為最終確定的采樣點數(shù)(區(qū)間數(shù)目);n為最初的采樣點數(shù).為表示區(qū)間分割的遞階過程,將初始分割矩陣A記為A0,并將其元素按行升序(或降序)排列,有A0=[a0ij](5)a0ij＞a0ij-1或a0ij＜a0ij-1以行比較運算,用后一項元素減前一項元素,并選出每行中的最大差值,即Δa01max=max[Δa01j]Δa02max=max[Δa02j]Δa0ij=a0ij-a0ij-1}(6)比較兩差值,若Δa01max>Δa02max,則在水平方向分割區(qū)間,反之,在垂直方向分割區(qū)間.分割矩陣A0分裂為A11與A12,重復上述過程直到特征矩陣中只有1個元素為止.3模糊特征集的建立對于抓取對象的識別是一個模式匹配的過程.需要解決2個關鍵問題:一是構造識別特征集合,二是建立匹配運算的關系矩陣.參照人在抓取物體時的識別過程:把用眼獲取的物體總體形態(tài)、亮度和色彩特征,與腦中的已有模式作匹配來識別對象.因此,在構造模糊特征集時從圖像中提取灰度、色彩及總體形態(tài)參數(shù)作為識別特征.3.1基于wagh變換的圖像缺陷因被抓取物(啤酒、飲料、盒式牛奶等)的包裝體的材料與色彩圖案不同,對同一光源照射時吸收的光能不同,反射光能也不同,因此,在圖像中不同物體的灰度值不同.另外,由于walsh函數(shù)正交、對稱,對圖像作walsh變換具有消除象元之間的相關性,使灰度能量集中向低頻聚集的性質.因此灰度參數(shù)定義在walsh變換后的基本灰度模式值上.1初始背景矩陣的生成對區(qū)域分割后的單一子空間均布離散采樣,并提取各個采樣點的灰度值,構成初始的灰度采樣矩陣.有f0=[aij]aij≥0(7)i=1,2,?,mj=1,2,?,nn≠mn＞m2famisa通過規(guī)范處理,使灰度采樣矩陣的元素值在0或1之間取值.取amax=max[aij](8)f1=[aij/amax]=[a1ij](9)a1ij={1a1ij≥Τf0a1ij＜Τf(10)其中Tf是灰度的先驗閾值.3系統(tǒng)的qp平均生成作walsh變換F=1n2Wnf1Wn=[cij](11)得到灰度參數(shù)ΗF=1Ν∑i=1n∑j=1n22i+jcij(12)其中N表示cij≠0的個數(shù).依據(jù)小波理論,對walsh變換之后的灰度參數(shù)按多尺度概念定義灰度集中系數(shù)22i+j.3.2色度參數(shù)定義由于人眼對于綠色的敏感性,在色度參數(shù)的提取中選擇綠色參數(shù)與三基色的綜合平均值作為識別的色度參數(shù).定義:Gg=1(n+m)∑i=1n∑j=1ngij/255(13)Gs=1(n+m)∑i=1n∑j=1nrij+gij+bij3×255(14)3.3參數(shù)形體參數(shù)選取相對長度、相對寬度、規(guī)范徑長比等參數(shù).1相對長度Lh0=lhˉ規(guī)范化:Lh=cilhˉlmaxhi=1,2(15)其中,i=1為瓶子系列系數(shù),i=2為盒式系列系數(shù).2相對寬度。同樣，定義的相對寬度為Lw=dilwˉlmaxw(16)3標準徑長度比Lg=1Lgmaxlhˉlw(17)在形體參數(shù)的獲取中,形體相對長度、寬度的獲取,采用距離搜索算法解決.4模糊識別算法設計在構造出模糊特征集后,應用模糊綜合決策法就可以實現(xiàn)對抓取對象的識別.其中,最為關鍵的部分就是依據(jù)模糊特征集的定義構造關系矩陣.通過被識別對象的特征矩陣與關系矩陣的內積,實現(xiàn)識別對象的特征集到?jīng)Q策集的轉換,即得到?jīng)Q策矩陣,最后,應用最大決策原則就可從決策矩陣中識別出被抓取對象.模糊識別算法主要包括2個過程:模糊識別算法與模糊調整過程.4.1模糊檢測算法1所識別對象的隸屬度依據(jù)對模糊特征集的定義,識別特征矩陣由識別對象對特征參數(shù)的隸屬度構成,矩陣中的元素表示某一識別對象對這一特征參數(shù)的隸屬度.行數(shù)對應被識別的對象數(shù)目,列數(shù)表示特征參數(shù)的數(shù)目.U=[uij]m×nn=6(18)其中,i為第i個被識別的對象;j為第j個識別特征參數(shù).即有ui1=HFi,ui2=Ggi,…,ui6=Lgi.2行為特征一致性構造識別關系矩陣是模糊識別算法中的關鍵步驟.識別關系矩陣是按式(18)的特征參數(shù)定義逐一實測與計算出來,并經(jīng)一致化算法將rjl歸于[0,1]之內.其中,行為識別特征參數(shù),列為識別元素集中的元素.j為第j個特征參數(shù)項;l為識別元素集中的第l個識別元素.有R=[rjl]n×k(19)3vilvilmk,k的值決策矩陣為識別特征矩陣與關系矩陣的合成,即V=[vil]m×k=U?R=[uij]m×n?[ril]n×k(20)其中vil=∨j=1n(uij∧rjl)(21)4模糊識別依據(jù)最大隸屬度原則,按行選最大值,得到的矩陣就是識別結果z=[maxl=1nvil]m×1(22)4.2加權調整與規(guī)范化處理在模糊識別運算中,不確定因素多.因此,須根據(jù)實驗結果對特征矩陣、關系矩陣和決策矩陣作一致化的加權調整與規(guī)范