【正文】 2）模糊邏輯用來識別局部圖像，并且強調(diào)個體特征對識別的作用，從而提高了位置標志的可靠性 3） HMM模型是用來捕獲 圖像 結構或那些 局部圖像之間的聯(lián)系 ，這 使場景識別問題 轉化為對 HMM的評價問題。 從 每個環(huán)境 選取 10個場景 ，并 為每個場景創(chuàng)建隱馬爾可夫模型。 匹配結果如 圖 5所示 。 已經(jīng) 證明光照和旋轉的變化可能 對 它 有更少的 影響。 讓 這 8個圖像作為隱藏 狀態(tài) Si（ 1≤ i≤8 ），創(chuàng)建的 HMM模型可以由圖 3描述出來 。 類似于全景視覺系統(tǒng)，機器人環(huán)顧四周，以獲得全方位的圖像。圖 1表明當視角變化時因為它的突出效果大門能被檢測出來。 2 局部圖像區(qū)域不變形的檢測 生物視覺系統(tǒng)的研究表明，生物體（像果蠅）在觀察周圍環(huán)境時，經(jīng)常因為他們的行為習慣注意場景中確定的特殊區(qū)域或者局部圖像信息。在實驗中， NN在 表達兩種 部分 之間的相似性 時效果并不足夠好 。 例如，周等人用多維直方圖來描述全 局 外觀特征。 定位識別 是這個領域的基本問題。 該系統(tǒng)使用單眼相機獲取機器人所處位置的全方位的 礦井環(huán)境圖像。 scene recognition。170176。實驗結果還證明，該系統(tǒng)在靜態(tài)和動態(tài)礦山環(huán)境 中都具有 較高的識別和 定位的成功率 。 一些方法直接分析圖像數(shù)據(jù)得到一些基本特征，比如 PCA方法。但 SIFT可能產(chǎn)生 1 000個或更多的興趣點，這可能 使處理器 大大減慢。 模糊識別 算法用以識別鄰近位置的位置標志， 它可以 增 強個別 特征對場景 識別的 作用 。位置標志區(qū)域的大小可以根據(jù)該區(qū)域圖像梯度方向的變化自適應決定。 雖然地圖的幾何布局被定位系統(tǒng)忽視，但它對可視化調(diào)試是有用的，并對路徑規(guī)劃很有益處。 視野 。 4 基于模糊邏輯的匹配方法 圖像匹配的關鍵問題之一，是要選擇最有效的 特征 或描述代表原始圖像。但我們 在實驗中 發(fā)現(xiàn) ， 神經(jīng)網(wǎng)絡不能充分展現(xiàn)個 體 描述或 特征對 相似性度量的 作用 。 該電腦系統(tǒng)是由 1千兆赫處理器和 512M內(nèi)存，由機器人 攜帶 。 相對于使用 整體圖像 外觀特征的 方法 （方法 2， M2），我們的系統(tǒng)（ M1）使用局部 突出 區(qū)域定位和識別 地圖，這使得它 能有 更多 對 變化 的容許，這些變化由 機器人的運動 、 高 頻率的識別 和 拓撲圖上較少的 頂點數(shù)量所造成。 。這個過程可以概括為：當定位成功， 當前 的 位置標志序列根據(jù)他們的方向 添加到 伴隨觀察的 匹配頂點 的序列（包括 從突出局部區(qū)域和機器人頂部所觀測的 圖像角度 ）。 該視覺系統(tǒng)是由一個CCD相機和一幀采集卡 IVC4200。 匹配問題的另一個關鍵問題是選擇一個好的 匹配方法 或算法。 圖 2 機器人所處環(huán)境的 HMM 至于拓 撲圖的邊緣，我們 用 兩個頂點之間的距離 信息設置 。 在我們的系統(tǒng) 中 EVI D70相機擁有一個 177。換句話說， 在前進中，我們不必對場景分類 。 計算 顏色和 紋理 的 相似度用以繪制突出區(qū)域的地 圖。 在這個系統(tǒng)中，我們 通過 提取突出的圖像局部區(qū)域 作為位置標志用以替 代整個圖像 ，改善了信息的穩(wěn)定性，從而處理比率、 二維旋轉和 視角的變化 。 LOWE提出了 SIFT方法，該方法利用關注點尺度和方向所形成的描述的相似性獲得特征。 目前，大多數(shù)場景識別方法是基于 全局圖像 特征，有兩個不同的階段： 離線培訓 和在線匹配。通過這種方式，定位問題， 即 系統(tǒng)的現(xiàn)場識別問題，可以轉化為對 HMM 的評價問題。 fuzzy logic。 matching strategy。這些標志 通過使用 HMM 有機組織起來代表 機器人坐在場景 ，模糊邏輯 算法 用來匹配場景和 位置標志 。憑借其可行性和有效性，場景識別成為拓撲 定位 的重要技術之一。事實上，各種 全局 圖像特征，所受來自環(huán)境變化 的影響 。 因此，在這些分析中提出了一種新的識別系統(tǒng)，如果使用在復雜的礦井環(huán)境中它將更加可靠和有效。 受這些啟示 ，我們利用中心環(huán)繞差分法檢測多尺度圖像空間突出的 區(qū)域 。 圖 1 關于視角變化的實驗 3 場景識別和定位 與 其他場景識別系統(tǒng)不 同的是，我們的不需要離線 培訓 。然后， 在包含 k個突出局部圖像區(qū)域的位置標志序列的基礎上，創(chuàng)建一個隱馬爾可夫模型 當作機器人所處環(huán)境的描述。銜接的閾值設置為 。 H：色調(diào)，用來描述圖 像的基本信息。 5 實驗和分析 該定位系統(tǒng)已經(jīng) 應用在我們實驗室制造 移動機器人。 在自動 搜 索 過中 ，類似的 場景 可以 連接起來 。今后的工作將側重于利用 HMM的處理 定位 的不確定性。 因此，我們的系統(tǒng) 在 動態(tài)環(huán)境中具有更好的 性能 。 目前機器人 運行于 室內(nèi)環(huán)境。 為了解決這個問題，我們設計了一個新 的以 模糊邏輯為基礎的匹配算法， 用以 展示每個 特征 的微妙變化。 由于機器人的運動，那些提取位置標志的區(qū)域將在像素級內(nèi)改變。 為了避免重復 ，我們的樣品 圖像 每 45 176。 因此， 定位即意味 在地圖上 搜索 當前場景的最佳匹配 位置 。 移動機器人的導航要求當環(huán)境有一定程度變化時自然位置標志能被穩(wěn)定地檢測出來。由于它的部分信息恢復能力，采用 隱馬爾可夫模型組織 這些位置 標志，它可以捕捉 到 的結構或 標志 之間的關系。 在匹配階段，近鄰算法（ NN）因其簡單和可行而被廣泛采用。 但是， PCA 方法 是不 能 區(qū)分 特征的類別 。 關鍵字： 機器人定位；場景識別；突出圖像；匹配算法；模糊邏輯；隱馬爾可夫模型 1 介紹 在機器人領域 搜索和救援災區(qū)是 一個新興 而 富有挑戰(zhàn)性的課題。. Considering the overlap effect, we sample environment every 45176。附錄 A 英文原文 Scene recognition for mine rescue robot localization based on vision CUI Yian(崔益安 ), CAI Zixing(蔡自興 ), WANG Lu(王 璐 ) Abstract： A new scene recognition system was presented based on fuzzy logic and hidden Markov model(HMM) that can be applied in mine rescue robot localization during emergencies. The system uses monocular camera to acquire omnidirectional images of the mine environment where the robot locates. By adopting centersurround difference method, the salient local image regions are extracted from the images as natural landmarks. These landmarks are anized by using HMM to represent the scene where the robot is, and fuzzy logic strategy is used to match the scene and landmark. By this way, the localization problem, which is the scene recognition problem in the system, can be converted into th