環境識別

視覺在人類生活中起着非常重要的作用,每天人們都通過眼睛採集大量的信息,這些信息經過大腦的處理,成為人們認知和理解世界的基礎。科學證明,人類從外部世界得到的總信息的來自於視覺系統。計算機視覺技術對移動機器人來説同樣至關重要,通過視覺採集環境的信息是機器人感知外部環境的最主要、最直接的手段。近幾年來,由於計算機圖像處理能力和技術的飛速發展以及大量的數字圖像處理設備性能價格比的提高,視覺傳感器在移動機器人環境識別、導航、路徑規劃等領域中的應用越來越受到研究者的重視,並表現出很好的發展前景。因此,利用視覺傳感器作為主要的環境識別手段來實現環境識別,並進行導航、路徑規劃等方面的應用有着很重要的應用價值。

視覺系統為移動機器人提供了大量的信息,而圖像作為視覺感知環境所獲得信息量的客觀表現,對圖像的識別顯得尤為重要。圖像識別所研究的是如何根據計算機通過對圖像所提供的特徵信息的分析將圖像或圖像中的一個或多個客體目標進行識別並分類。這正是對圖像所表示場景信息進一步分析所要具備的基礎。它研究的理論和方法在很多科學和技術領域中得到了廣泛的重視,推動了人工智能系統的發展,擴大了計算機應用的可能性。在圖像理解和機器人視覺中使用了很多圖像識別的概念和方法,移動機器人的環境識別與圖像識別的關係尤為密切,兩者相互交叉,不可分割。因此,圖像模式識別技術的不斷髮展對圖像理解和機器人視覺的發展起着重要的支持作用。

通過對環境信息的感知,可以實現目標識別、定位、環境地圖構建、障礙檢測等。其中最豐富、經濟的手段是通過視覺採集環境的信息。

視覺系統的準確性與實時性直接影響到整個系統的工作狀況〕。計算機視覺既是工程領域、也是科學領域中的一個富有挑戰性的重要研究領域,作為一門綜合性的學科,它已經吸引了來自各個學科的研究者參與研究,其中包括計算機科學和工程、信號處理、物理學、應用數學和統計學、神經生理學和認知科學等。

計算機視覺是指用計算機實現人的視覺功能,是對客觀世界的三維場景的感知、識別和理解。它可以定義為這樣一個過程利用視覺傳感器獲取三維景物的二維圖像,通過視覺處理算法對一幅或多幅圖像進行處理、分析和解釋,得到有關景物的符號描述,併為特定的任務提供有用的信息。

人類能夠主要使用路標進行環境識別與定位是因為其有能力快速準確地從自然環境中分割並識別路標,而對於機器視覺來説卻是非常困難的。尤其是非結構化的未知環境,沒有人工路標,更難以提取自然路標以什麼作為自然路標等。這種情況下,直接利用景物圖像的外觀信息,如色彩、紋理等全局特徵進行環境識別成為一種合理的方案。

在得到環境圖像後,為進行學習,機器人首先由人操作或自動地在工作環境中漫遊,並獲取該環境的大量圖像序列。然後進行手動或自動地環境分類與學習,並通常手工進行分類標記。在環境分類與學習方面主要使用的技術有多維直方圖、主成分分析等方法。

有學者基於直方圖提出一種非常實用的環境表示方法。離線學習階段機器人首先使用全景攝像頭獲取環境的圖像序列,對每幅圖像計算HLS空間和正則化RGB空間共6個一維直方圖,並用此表示環境。為更好地描述像素間的空間關係,以彌補單純色彩直方圖的缺陷,Chao Zhou等增加了紋理、邊密度、梯度的直方圖描述,從而構成多維直方圖的圖像外觀描述。直方圖方法是對圖像的一種緻密的描述,可有效地降低存儲空間,而且該描述具有旋轉不變性。但該方法通常都是對整幅圖像的全局描述,因而隨着機器人的移動,微小的前進後退或光線變化都會引起直方圖的很大變化,而且採用哪些特徵構成多維直方圖仍然需要進一步研究。

PCA方法是對高維圖像數據的一種有效的降維策略,在環境識別與定位方面也有很多應用。馬建光等首先採用Parzen窗概率密度估計算法對經邊緣提取的全向圖像進行概率密度估計,再提取圖像旋轉不變特性,然後用PCA方法提取主成分,建立圖像特徵空間。為改進PCA方法需要大量樣本數據進行訓練的缺陷,一些研究人員提出並實現了增量式建立特徵空間的方法,。每當獲得新的圖像信息時,首先判斷該信息能否用現存的特徵空間模型描述,如果不能,則將該圖像的主元添加到模型中,即更新特徵空間模型。但是該方法仍然存在特徵空間維度增長快以及計算量大等缺陷。而且正如文獻所述,PCA方法能夠保證對高維數據的最佳描述,但不能保證最佳分類。 ^[1] 

興趣點檢測是一類非常有效的景物特徵提取技術。在移動機器人環境識別領域可以從圖像中提取興趣點或區域統稱特徵表示環境。生物視覺系統的研究顯示當生物體例如果蠅觀察周圍環境時,往往由於行為目的需求或局部景象線索如突出物體將注意力有選擇地集中在某個或某些景物上,將這樣的景物作為路標是自然路標選擇的有益嘗試。所謂“興趣點”,廣義地説是指圖像中存在信號變化的點,是信息含量高、數量相對少的局部特徵。有很多興趣點檢測方法,如各種拐點、角點檢測方法、基於灰度變換的檢測以及基於尺度不變特徵變換檢測等等。

拐點是凹圓弧與凸圓弧的平滑過渡點角點是目標邊界上曲率超過一定閉值的局部極大值點。他們都能夠較好地概括圖像中物體的輪廓。但由於角點是比拐點更重要的特徵點,因此角點受到人們普遍重視。

角點檢測方法中比較著名的有Harris的角點檢測方法。該方法使用圖像的一階差分,計算每個象素處的平均平方梯度矩陣,通過特徵值分析給出角點響應。對於圖像的旋轉,灰度的變化和視點的變換,它也是一種穩定的點特徵提取算子,可以定量的提取均勻而且合理的特徵點。Harris算法在簡單圖像的特徵點提取上有着廣泛的應用。

Harris角點檢測方法只能對一幅圖像按照一個固定的比例提取圖像中的角點,對尺度變化很敏感,不具有遠近尺度不變的特性。而實際環境中,通常需要對兩幅比例發生了較大變化的圖像進行匹配。因此,Lowe提出正方法,將特徵檢測推廣到多尺度空間以提高特徵檢測的穩定性。該方法首先在尺度空間進行特徵檢測,並確定關鍵點的位置和關鍵點所處的尺度, 然後使用關鍵點鄰域梯度的主方向作為該點的方向特徵,以實現算子對尺度和方向的無關性。好的穩定性。檢測出特徵點以後,Lowe經過複雜的處理過程得到一個128維的SIFT描述子進行特徵描述。由於SIFT特徵對圖像的縮放、旋轉、光照強度和攝像機觀察視角的改變以及噪聲擾動具有很好的穩定性,SIFT方法很快得到了比較廣泛的採用。 ^[2] 

基於圖像外觀的方法只根據像素值進行計算,而無需更復雜的分析,對於計算機而言易於實現。但該方法並非完善,還存在許多問題,如全局特徵不能描述圖像的細節,會丟失圖像的空間信息,模式分類中的特徵選擇問題等。

基於興趣點的方法優點在於充分利用了圖像灰度的統計特性和相關特性有效地消除由於背景或局部環境,光照等造成的局部輻射失真引起的誤配準對圖像的各種非本質變化如旋轉、縮放和光照強度變化等不敏感配準的速度較快。但該類方法往往由於特徵的不完全提取,導致配準率較低。 ^[2]