论文部分内容阅读
机器人视觉是机器人仿人智能的重要研究分支，然而机器人视觉目前对前景目标的识别普遍处于人工参与或规定很多的较低智能水平状况。另一方面，今后我国的机器人发展将会在民用机器人方面重点投入，以服务机器人为代表的民用机器人与工业机器人相比，其结构化与人工规定更少，要求机器人有更强的认知能力，这些对机器人智能的水平提出了更高的要求。对于视觉制导类的机器人来说则对视觉智能提出了更高的要求。图像理解是提高视觉智能的重要手段，它在其它领域已经开展得比较深入，有关方法可以拿来借鉴并应用在机器人视觉中。所以在人工规定放宽的条件下，以图像理解的方式实现机器人视觉前景目标的识别，既有较大的必要性，也有实际的可行性。
本文结合相关国家及省项目的背景与机器人视觉的一般特点，将条件放宽为处于不同位姿的3D目标和日常生活经常面临的复杂背景；将研究对象规定为规则形状的刚体，开展了以“识别”为目标的图像理解研究。
相关的研究工作与成果有几个方面：
(1)对背景不变、位姿变化影响甚微的球识别情形进行了理解的试验。基于背景不变，采取差分图像简单消去背景：在圆识别方面，基于哈夫变换拟合圆。其中针对传统随机哈夫变换采点随意，效率低，稳定性、准确性不足的问题，提出了按一定约束进行采样与参数拟合方法；其次，针对经典哈夫变换使用固定间隔的网格划分参数空间单元，造成投票结果不太稳定的不利因素，提出了一种形成参数空间累积器单元的新聚类方法。相比于经典随机哈夫变换，改进哈夫变换的识别更鲁棒、更准确。
(2)首次提出了一种新型的角点检测方法——线搜索式方法。其新颖性在于：一是采用一些假想的直线，作用于掩模进行，这在传统的角点检测等图像处理方法中未曾出现；二是通过一系列逻辑上的判断来确定角点特征的存在，这与传统角点检测算法中以曲率值或者某角点响应函数的度量值确定角点明显不同。新方法相比于经典的一些角点检测方法在准确性与执行时间方面性能更优良。之后，为使新方法能应对光线不均匀等实际情况，设计了参数自适应的方法。由于角点是计算机视觉领域广泛使用的共性特征，因此提出的角点检测方法可应用于一般图像处理领域，成为一个比较通用的方法。
(3)在角点特征检测的基础上，基于低层次的图像信息对结构特征提取进行了研究。基本过程采用随机哈夫变换提取拐角直边；针对经典随机哈夫变换伪响应过多的问题，提出了以边缘点集梯度方向的一致性和散布特性作为约束抑制伪响应的办法；为适应于光线不均匀等情况，提出了基于双边缘阈值进行改善的办法。两者合称为：梯度方向约束型随机哈夫变换。实验显示，新方法相比于经典随机哈夫变换明显增强了对伪响应的抑制，特征的误检率大大改善，正检率也有所提高。
(4)在随机哈夫变换的随机点采样数量方面，针对随机哈夫变换默认不放回抽样方式下采样次数不足，造成有效点采样的实际频率在概率理论值附近波动较大，使随机哈夫变换不稳定这一事实，提出一种新型的数学例证法，从侧面证明了采取放回抽样，适当增加随机采样数，使其与边缘点数成简单比例关系可以使随机哈夫变换的拟合更为稳定。
(5)充分利用先验知识对基于低层次信息的结构特征提取进行改善，提出了若干知识规则。这些知识规则一方面明显提升了目标物真实特征的正检率与误检率水平，尤其使候选目标在轮廓上的结构特征更为完整；另一方面进一步清除了伪特征，或者至少将前景与背景干扰特征进行了分离，这对解决背景与目标特征交织的问题起到了关键的作用。为之后基于各自连通的候选目标特征集的识别打下了良好的基础。
(6)在特征提取结果的基础上，将知识表达为产生式系统，运用语法对姿态改变下的对象结构进行分析实现识别理解。首先确定将轮廓上的结构特征转化为一维语言，考虑实际大量存在的不确定现象，采取的基本措施是模糊的上下文无关文法。其中针对提取的终止符串常比理想的终止符串多出冗余的终止符这一不精确现象，提出了一种由基本的模糊文法形成的模糊语言经一定模糊变换生成K族模糊语言来应对。实验结果表明在基于模糊上下文无关文法的基本框架下，在应对冗余特征不精确现象的环节处使用K族模糊语言新方法比传统编译错误处理方法，虽执行时间略多，但有更高的识别率与解释准确率，总体性能优良。
本文通过上述方法，循着结构模式识别路线，从低层次特征检测开始，历经特征提取、高层知识引导下的特征提取增强，直至运用知识产生式系统的规则解释对象，完成对目标的识别。这一研究路线充分体现出图像理解关于运用知识引导有关过程并“解释”目标的基本特点。