移動機器人圖像目標識別

范經偉

摘 要：本文對數字圖像處理，把數字圖像看成函數進行處理，各個像素作為數字化來處理。本文對目標與背景的灰度不同等預處理對目標進行提取，提取對應的移動機器人目標特征值，移動機器人目標的面積來識別。并對移動機器人為目標運用不同算法進行邊緣檢測，并通過微分算子法，拉普拉斯高斯算子，canny法等預處理檢測移動機器人的邊緣，并標記出移動機器人的邊緣。

關鍵詞：移動機器人；圖像處理；目標檢測；目標識別

0 引言

主要研究了機器人圖像識別處理算法：圖像增強、圖像濾波、和邊緣檢測和圖像分割。其中在圖像增強過程中，對所得圖像的灰度進行了調整。在圖像濾波研究中研究了基本圖像濾波算法，中值濾波算法的結果比較讓人滿意。在目標識別中，主要研究了基于圖像矩的目標檢測方法，應用了邊緣檢測技術，對各種邊緣檢測算法都進行了比較研究。圖像是一種重要的信息源，圖像處理的最終目的就是要幫助人類理解信息的內涵。數字圖像處理技術的研究內容涉及光學系統、微電子技術、計算機科學、數學分析等領域，是一門綜合性很強的邊緣學科。隨著計算機的迅猛發展，圖像處理技術已經廣泛應用于各個領域。

隨著信息化時代的不斷發展，人們越來越多地使用信息化的手段來解決各種問題——辦公自動化、先進制造業、電子商務等利用計算機技術而產生的新興行業正不斷靠近我們的生活。在信息社會中，我們每天都接觸大量的數據——工作數據、個人數據、無意間獲得的數據等——在這些數據中，有些數據需要我們人工處理，而有些則可以利用計算機快速準確的完成——字符識別就是其中的一個范疇。

1 圖像識別的機理

圖像識別是人工智能的一個重要領域。為了編制模擬人類圖像識別活動的計算機程序，人們提出了不同的圖像識別模型。例如模板匹配模型。這種模型認為，識別某個圖像，必須在過去的經驗中有這個圖像的記憶模式，又叫模板。當前的刺激如果能與大腦中的模板相匹配，這個圖像也就被識別了。例如有一個字母A，如果在腦中有個A模板，字母A的大小、方位、形狀都與這個A模板完全一致，字母A就被識別了。這個模型簡單明了，也容易得到實際應用。但這種模型強調圖像必須與腦中的模板完全符合才能加以識別，而事實上人不僅能識別與腦中的模板完全一致的圖像，也能識別與模板不完全一致的圖像。例如，人們不僅能識別某一個具體的字母A，也能識別印刷體的、手寫體的、方向不正、大小不同的各種字母A。同時，人能識別的圖像是大量的，如果所識別的每一個圖像在腦中都有一個相應的模板，也是不可能的。為了解決模板匹配模型存在的問題，格式塔心理學家又提出了一個原型匹配模型。這種模型認為，在長時記憶中存儲的并不是所要識別的無數個模板，而是圖像的某些“相似性”。從圖像中抽象出來的“相似性”就可作為原型，拿它來檢驗所要識別的圖像。如果能找到一個相似的原型，這個圖像也就被識別了。這種模型從神經上和記憶探尋的過程上來看，都比模板匹配模型更適宜，而且還能說明對一些不規則的，但某些方面與原型相似的圖像的識別。但是，這種模型沒有說明人是怎樣對相似的“刺激”進行辨別和加工的，它也難以在計算機程序中得到實現。因此又有人提出了一個更復雜的模型，即“泛魔”識別模型。

2 機器人目標圖像預處理

主要研究了機器人圖像識別處理算法：圖像增強、圖像濾波、和邊緣檢測和圖像分割。其中在圖像增強過程中，對所得圖像的灰度進行了調整。在圖像濾波研究中研究了基本圖像濾波算法，中值濾波算法的結果比較讓人滿意。在目標識別中，主要研究了基于圖像矩的目標檢測方法，應用了邊緣檢測技術，對各種邊緣檢測算法都進行了比較研究。圖像是一種重要的信息源，圖像處理的最終目的就是要幫助人類理解信息的內涵。數字圖像處理技術的研究內容涉及光學系統、微電子技術、計算機科學、數學分析等領域，是一門綜合性很強的邊緣學科。隨著計算機的迅猛發展，圖像處理技術已經廣泛應用于各個領域。

3 移動機器人圖像檢測與分割

所謂邊緣是指其周圍像素灰度有階躍變化或屋頂變化的那些像素的集合。邊緣廣泛存在于目標與背景之間、物體與物體之間、基元與基元之間。物體的邊緣是由灰度不連續性反映的，因此一般邊緣檢測方法是考察圖像的每個像素在某個領域內灰度的變化，利用邊緣鄰近一階或二階方向導數變化規律來檢測邊緣。邊緣是圖像最基本的特征，一幅圖像主要信息是由它的輪廓邊緣提供的。所以，邊緣提取與檢測在圖像處理中占有很重要的地位，其算法的優劣將直接影響所研制系統的性能。

4 移動機器人圖像目標識別

目標識別技術的研究始于六十年代，其含義是用計算機對圖像進行加工處理，以得到某些預期的效果，并從中提取有用信息，從而實現人對事物或現象的分析、描述、判斷和識別。它的主要目的是確定視野圖像中是否存在目標。如果存在日標，給個合理的解釋，即判斷出目標是什么及確定它的位置。它屬于模式識別的范疇，也可以把模式識別狹義地理解為圖像目標識別。

5 基于不變矩匹配的目標識別

計算機系統在識別圖像時，應具有的一個重要特性是對圖像的平移、旋轉及比例變換具有不變性。一個最直觀的方法是要求圖像特征本身具有“不變性”，即盡可能尋求圖像本身的“不變性”特征。因此，不變性特征的研究一直是感知科學和計算機視覺的研究重點。不變矩算法就是一種通過提取具有平移、旋轉和比例不變性的數學特征，從而進行圖像識別的方法。實踐表明，直接用原點矩或中心矩作為圖像的特征，不能保證特征同時具有平移、旋轉和比例不變性。事實上，如果僅用中心矩表示圖像的特征，則特征僅具有平移不變性；如果利用歸一化中心矩，則特征不僅具有平移不變性，而且還具有比例不變性，但不具有旋轉不變性?？磥?，要同時具有平移、旋轉和比例變換不變性，直接使用原點矩或中心矩是不行的。為此，M.K.Hu在1961年首先提出了不變矩，他給出了連續函數矩的定義和關于矩的基本性質，證明了有關矩的平移不變性、旋轉不變性以及比例不變性等性質，具體給出了具有平移不變性、旋轉不變性和比例不變性的七個不變矩的表達式。

6 目標識別實驗

圖像經過中值濾波、圖像分割后，此時需要將圖像按不同區域標記，其中關鍵是對連通域進行標記并給同一連通成分的所有點分配同一標記。我們先構造一個N×（N+2）的鄰接區域統計矩陣F，矩陣的第i行存儲著Ri區域的鄰接區域列表、鄰接區域個數以及Ri的標記位。

統計矩陣標記算法如下：

1、掃描整個圖像，當有區域未被標記時，則循環遍歷每個標記區域，遍歷標記區域的鄰接區域列表，依次取出該標記區域的非標記鄰接區域p，再檢查p的所有鄰接區域，如果p的所有已標記過的鄰接區域的標記相同，則把p也標記成同樣的值。

2、如果p的已標記過的鄰接區域的標記不相同，但這些標記被用于了同一組元，構成連通域，需將它們合并?？蓮闹羞x擇一個標記并分配給p及連通域中所有像素點，通常將最小的標記分配給一個連通域。

3、p被標記后，將p從所在的標記區域的鄰接區域列表中刪除，相應的鄰接區域個數減1。

4、循環執行步驟1-3，直到每一區域分配唯一的標記。不同的區域分別以標號1到5進行了標記。

當所有區域都標記后，計算各個區域的矩形度，取矩形度最接近1的區域為目標區域，其他區域置為背景。矩形度計算公式為： 其中AR為最小外接矩形面積，A為目標面積，R為描述目標形狀與矩形的相似度。R≤1，R越接近1，目標形狀越接近矩形，R=1時目標即為矩形。

7總結

本文對移動機器人目標識別在不同環境中使用不同檢測方法，圖像經過中值濾波、圖像分割后，此時需要將圖像按不同區域標記，其中關鍵是對連通域進行標記并給同一連通成分的所有點分配同一標記，最后識別出目標。

參考文獻

[1] 孫兆林.MATLAB6.x圖像處理[M]. 北京：清華大學出版社.2002.

[2] 賈云得.機器視覺[M].北京：科學出版社.2000.

[3] 文懷興，張鑫.基于雙目視覺識別技術的智能挖掘機器人研究[J].機械設計與制造.2009（2）：186-188.

[4] 王健強，呂游.一種面向工業機器人智能抓取的視覺引導技術研究[J].機械設計與 制造2009（9）：172-174.

[5] 求是科技.Visual C++數字圖像處理典型算法及實現[M].北京：人民郵電出版社，2006.

[6] 馬頌德，張正友.計算機視覺-計算理論與算法基礎.北京：科學出版. 1998.

[7] 孫增沂.機器人智能控制.北京：北京教育出版社.1993.