【導(dǎo)讀】mineenvironments.environment.

　　

【正文】 培訓(xùn) 和在線匹配。 在訓(xùn)練階段，機(jī)器人收集 其所工作 環(huán)境 的圖像 ， 并處理這些圖像 提取 出能表征該場景的 全局特征。 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。 但是， PCA 方法是不 能 區(qū)分 特征的類別 。另一種方法使用外觀 特征包括顏色 、 紋理和邊緣密度來表示圖像。例如，周等人用多維直方圖來描述全 局 外觀特征。此方法簡單，但 對比率 和光照變化 敏感 。事實(shí)上，各種 全局 圖像特征，所受來自環(huán)境變化 的影響 。 LOWE提出了 SIFT方法，該方法利用關(guān)注點(diǎn)尺度和方向所形成的描述的相似性獲得特征。 這些特征對于 圖像縮放 、 平移 、 旋轉(zhuǎn)和 局部 光照 不 變 是穩(wěn)定的 。但 SIFT可能產(chǎn)生 1 000個(gè)或更多的興趣點(diǎn)，這可能 使處理器 大大減慢。 在匹配階段，近鄰算法（ NN）因其簡單和可行而被廣泛采用。 但是它并不能捕捉到個(gè) 別 特征 對 場景識別的貢獻(xiàn)。在實(shí)驗(yàn)中， NN 在 表達(dá)兩種 部分 之間的相似性 時(shí)效果并不足夠好 。此外，所選的 特征 并不能 徹底地按照國家模式識別標(biāo)準(zhǔn)表示場景 ，這使得 識別結(jié)果 不可靠。 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(fù)雜的礦井環(huán)境中它將更加可靠和有效。 在這個(gè)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(biāo)志用以替 代整個(gè)圖像 ，改善了信息的穩(wěn)定性，從而處理比率、 二維旋轉(zhuǎn)和視角的變化 。 興趣點(diǎn)數(shù)量有效 減少 ，這使得處理更加容易。 模糊識別 算法用以識別鄰近位置的位置標(biāo)志， 它可以 增 強(qiáng)個(gè)別 特征對場景 識別的 作用 。由于它的部分信息恢復(fù)能力， 采用 隱馬爾可夫模型組織 這些位置 標(biāo)志，它可 以捕捉 到 的結(jié)構(gòu)或標(biāo)志 之間的關(guān)系。 因此，場景識別可以轉(zhuǎn)化為對 HMM 評價(jià)問題 ，這使得 識別具有魯棒性。 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(shí)，經(jīng)常因?yàn)樗麄兊男袨榱?xí)慣注意場景中確定的特殊區(qū)域或者局部圖像信息。這些區(qū)域可以當(dāng)作天然的位置標(biāo)志有效地表示和區(qū)別不同環(huán)境。 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 。 計(jì)算 顏色和 紋理 的 相似度用以繪制突出區(qū)域的地 圖。 隨后，以地圖突出位置為中心的分圖像，被定義為位置標(biāo)志區(qū)域。位置標(biāo)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(yīng)決定。 移動(dòng)機(jī)器人的導(dǎo)航要求當(dāng)環(huán)境有一定程度變化時(shí)自然位置標(biāo)志能被穩(wěn)定地檢測出來。為了驗(yàn)證我們方法對位置標(biāo)志檢測的的可重復(fù)性，我們已經(jīng)在圖像比例、二維旋轉(zhuǎn)和視角等變化時(shí)，做了一些實(shí)驗(yàn)。圖 1 表明當(dāng)視角變化時(shí)因?yàn)樗耐怀鲂Ч箝T能被檢測出來。關(guān)于比率和旋轉(zhuǎn)更詳細(xì)的分析和結(jié)果可以在我們以前的論文中發(fā)現(xiàn)。 圖 1 關(guān)于視角變化的實(shí)驗(yàn) 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(xùn) 。換句話說， 在前進(jìn)中，我們不必對場景分類 。當(dāng)機(jī)器人 徘徊時(shí) ，在固定時(shí)間間隔 內(nèi) 捕獲 的場景 用于生成拓?fù)?地圖的頂點(diǎn) ，它 表示了 機(jī)器人 所在位置 。 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。 因此， 定位即意味 在地圖上 搜索 當(dāng)前場景的最佳匹配 位置 。 在論文中 隱馬爾可夫模型是用來組織從 當(dāng)前 的現(xiàn)場提取的 位置標(biāo)志 ， 并且設(shè)置 拓?fù)?圖的頂點(diǎn)用以實(shí)現(xiàn) 部分 信息的 恢復(fù)能力。 類似于全景視覺系統(tǒng)，機(jī)器人環(huán)顧四周，以獲得全方位的圖像。 從每一 張圖像 ， 探測 突出 的局部 區(qū)域 ，并形成 一個(gè) 命名 為“位置標(biāo)志序列”的 序列， 其順序和圖像序列相同 。然后， 在包含 k 個(gè)突出局部圖像區(qū)域的位置標(biāo)志序列的基礎(chǔ)上，創(chuàng)建 一個(gè)隱馬爾可夫模型 當(dāng)作機(jī)器人所處環(huán)境的描述。 在我們的系統(tǒng) 中 EVI D70相機(jī) 擁有一個(gè) 177。 170 176。視野 。 為了避免重復(fù) ，我們的樣品 圖像 每 45 176。取一張 ， 一共得到 8 個(gè) 圖像 。 讓 這 8 個(gè)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 。 HMM 的參數(shù) aij 和 bjk 是通過使用 Baulm Welch 算法 學(xué)習(xí)獲得 。銜接的閾值設(shè)置為 。 圖 2 機(jī)器人所處環(huán)境的 HMM 至 于拓?fù)鋱D的邊緣，我們 用 兩個(gè)頂點(diǎn)之間的距離 信息設(shè)置 。 距離 可以 根據(jù) 里程計(jì)的讀數(shù) 得到 。 4 基于模糊邏輯的匹配方法 圖像匹配的關(guān)鍵問題之一，是要選擇最有效的 特征 或描述代表原始圖像。 由于機(jī)器人的運(yùn)動(dòng)，那些提取位置標(biāo)志的區(qū)域?qū)⒃谙袼丶墐?nèi)改變。 因此， 選擇的 描述或 特征相應(yīng)于比例、旋轉(zhuǎn)和視角的變化應(yīng)該在 一定 范圍內(nèi)保持恒定不變 ， 在本 文中， 我們使用 社會(huì)上通常采用的四個(gè)特征， 簡單地描述 如下： GO：漸變的方向。 已經(jīng) 證明光照和旋轉(zhuǎn)的變化可能 對 它 有更少的 影響。 ASM 和 ENT：角二階矩和熵，這是兩個(gè)紋理描述符。 H：色調(diào)，用來描 述圖像的基本信息。 匹配問題的另一個(gè)關(guān)鍵問題是選擇一個(gè)好的 匹配方法 或算法。通常近鄰 方法（ 神經(jīng)網(wǎng)絡(luò) ）是用來測量兩 部分 之間的相似性。但我們 在實(shí)驗(yàn)中 發(fā)現(xiàn) ， 神經(jīng)網(wǎng)絡(luò)不能充分展現(xiàn)個(gè) 體 描述或 特征對 相似性度量的 作用 。 為了解決這個(gè)問題，我們設(shè)計(jì)了一個(gè)新 的以 模糊邏輯為基礎(chǔ)的匹配算法， 用以 展示每個(gè) 特征 的微妙變化。 而在數(shù)據(jù)庫中的融合相似程度 最 高 的位置標(biāo)志 ， 可以當(dāng)作 最佳匹配。 匹配結(jié)果如 圖 5 所示 。如上所述，該方法可以有效地測量兩 部分圖像 的相似性。 5 實(shí)驗(yàn)和分析 該定位系統(tǒng)已經(jīng) 應(yīng)用在我們實(shí)驗(yàn)室制造 移動(dòng)機(jī)器人。 該視覺系統(tǒng)是由一個(gè)CCD 相機(jī)和一幀采集卡 IVC4200。 圖像分辨率設(shè)置為 400 320， 采樣頻率設(shè)置為 10 幀 /秒 。 該電腦系統(tǒng)是由 1 千兆赫處理器和 512M 內(nèi)存，由機(jī)器人 攜帶 。目前機(jī)器人 運(yùn)行于 室內(nèi)環(huán)境。 圖 3 使用模糊邏輯方法計(jì)算的相似度 由于采用 HMM 的 描述 和 識別場景 ，我們的系統(tǒng)有能力捕捉圖像局部區(qū)域分布 的區(qū)別，并且能 有效區(qū)分類似的 場景 。 從 每個(gè)環(huán)境 選取 10 個(gè)場景 ，并 為每個(gè) 場景創(chuàng)建隱馬爾可夫模型。然后收集 20 個(gè)場景時(shí) 為 機(jī)器人隨后進(jìn)入每 一 個(gè)環(huán)境，用 以 形成 60 個(gè)以上 HMMs。 在自動(dòng) 搜 索 過中 ，類似的 場景 可以 連接起來 。這個(gè)過程可以概括為：當(dāng)定位成功， 當(dāng)前 的 位置標(biāo)志序列根據(jù)他們的方向 添加到 伴隨觀察的 匹配頂點(diǎn) 的序列（包括 從突出局部區(qū)域和機(jī)器人頂部所觀測的 圖像角度）。 HMM 模型的參數(shù) 重復(fù) 學(xué)習(xí)。 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(jī)器人的運(yùn)動(dòng) 、 高 頻率的識別 和 拓?fù)鋱D上較少的 頂點(diǎn)數(shù)量所造成。因此，我們的系統(tǒng) 在 動(dòng)態(tài)環(huán)境中具有更好的 性能 。 6 結(jié)論 1）提取突出 局部 圖像特征，以取代整體 圖像 參與的 識別 ，這 提高 了 對比例大小 的變化，二維旋轉(zhuǎn)和環(huán)境 圖像視角 的容 許 。 2）模糊邏輯用來識別局部圖像，并且強(qiáng)調(diào)個(gè)體特征對識別的作用，從而提高了位置標(biāo)志的可靠性 3） HMM 模型是用來捕獲 圖像 結(jié)構(gòu)或那些 局部圖像之間的聯(lián)系 ，這 使場景識別問題 轉(zhuǎn)化為對 HMM 的評價(jià)問題。 4）實(shí)驗(yàn)結(jié)果表明，該礦山救援機(jī)器人場景識別系統(tǒng)具有較高的識別和定位的比例。今后的工作將側(cè)重于利用 HMM 的處理 定位 的不確定性。