基于DSP的人工路標(biāo)識別算法的實現(xiàn)

劉紀紅，張 璐，趙東升

(東北大學(xué)信息科學(xué)與工程學(xué)院，沈陽110819)

基于DSP的人工路標(biāo)識別算法的實現(xiàn)

劉紀紅*，張 璐，趙東升

(東北大學(xué)信息科學(xué)與工程學(xué)院，沈陽110819)

針對以人工路標(biāo)作為引導(dǎo)標(biāo)識的視覺導(dǎo)航技術(shù)，提出了一種基于導(dǎo)引燈的人工路標(biāo)識別算法。首先利用基于灰度信息的識別算法對路標(biāo)上導(dǎo)引燈進行識別與定位;然后，利用交比不變性進行數(shù)字的初步定位;最后用投影法進行數(shù)字分割，主成分分析法(PCA)和最小距離分類器的模式識別方法對數(shù)字進行識別。算法在ICETEK-DM6437-B評估板上實現(xiàn)。實驗表明，該算法具有很高的穩(wěn)定性并能較好地滿足實時性的要求。

視覺導(dǎo)航;人工路標(biāo);交比不變性;PCA;最小距離分類器

視覺導(dǎo)航［1-2］是未來導(dǎo)引技術(shù)中的主要發(fā)展方向，而路標(biāo)識別是實現(xiàn)各種導(dǎo)航系統(tǒng)眾多功能中的基礎(chǔ)性技術(shù)。為了降低模式識別的難度，以及克服一些識別算法實時性差的不足，人們開始研究設(shè)計特殊的人工路標(biāo)。因此，設(shè)計合理巧妙的人工路標(biāo)系統(tǒng)是關(guān)鍵技術(shù)之一［3］。目前，這種基于人工路標(biāo)的導(dǎo)行系統(tǒng)［4］也引起了世界各國學(xué)者關(guān)注。

隨著嵌入式計算機的快速發(fā)展，DSP的功能越來越強，速度越來越快，性價比也越來越高，可以滿足視頻處理技術(shù)中視頻信號的大運算量和實時性等要求;CCD(Charge Coupled Device)攝像頭的性能在不斷提高，成本也在不斷降低。這些因素給機器視覺導(dǎo)航提供了硬件基礎(chǔ)。

本文參考郭陽［5］提出的基于交比不變性的人工路標(biāo)模式，在一定理論研究基礎(chǔ)上，討論在DSP系統(tǒng)中實現(xiàn)的人工路標(biāo)識別算法，并進行硬件測試。

1 人工路標(biāo)識別硬件平臺

本設(shè)計中人工路標(biāo)識別采用以TI達芬奇系列單核DSP TMS320DM6437為核心芯片的ICETEKDM6437-B評估板［6］為硬件平臺。ICETEK-DM6437 -B評估模塊是獨立的開發(fā)平臺，包括各種板上外設(shè)，是專為視頻和圖像應(yīng)用開發(fā)的處理平臺。核心芯片DM6437是一款專用于數(shù)字圖像處理的高性能32 bit定點DSP處理器，工作主頻高達600 MHz，處理性能達4800 MI/S。DM6437可通過片上視頻輸入/輸出接口，即視頻子系統(tǒng)VPSS(Video Processing Subsystem)進行視頻的輸入和輸出。VPSS包括視頻處理前端VPFE (Video Processing Front End)和視頻處理后端VPBE (Video Processing Back End)，分別負責(zé)視頻的輸入和輸出。

人工路標(biāo)識別的硬件系統(tǒng)結(jié)構(gòu)框圖如圖1所示。

(1)視頻采集模塊:CCD攝像頭采集圖像;板載TVP5146視頻解碼芯片，用于將CCD攝像頭采集到的模擬視頻格式數(shù)字化和譯碼成數(shù)字視頻分量格式，并送到核心處理器。

(2)DSP核心處理模塊:接收解碼圖像，并進行圖像處理

(3)顯示模塊:TFT彩色顯示器用于顯示結(jié)果。

圖1 人工路標(biāo)識別硬件系統(tǒng)結(jié)構(gòu)框圖

2 人工路標(biāo)設(shè)計

2.1 參考的人工路標(biāo)模式

一個好的人工路標(biāo)應(yīng)具備可探測性、可定位性和可識別性。本文通過廣泛調(diào)研，決定參考郭陽［5］提出的基于交比不變性［7-8］的人工路標(biāo)(圖2)，并對其進行改進，以適應(yīng)嵌入式平臺上有限的資源以及對實時性的要求。

由圖2可以看出，人工路標(biāo)由3部分構(gòu)成:兩個垂直的同寬度的長黑帶;4個水平的同寬度的長黑帶;還有兩個數(shù)字。實際路標(biāo)中沒有編號，6個黑帶上的數(shù)字是為方便說明而加上去的。

圖2 基于交比不變性的新型人工路標(biāo)模式

圖2中的6個黑帶用來計算交比值，從而對數(shù)字進行初步定位。對于不同的路標(biāo)模式，6個黑帶無論大小還是位置都是完全相同的。而用兩個不同的數(shù)字來區(qū)別不同的路標(biāo)模式。由于每個數(shù)字可從0到9來選擇，因此從00到99可以組成100種不同的路標(biāo)模式。利用黑帶構(gòu)造交比的優(yōu)點是在傾斜狀態(tài)下，交比值仍不變。從而保證路標(biāo)傾斜時也能成功探測和識別路標(biāo)，這樣大大的提高了路標(biāo)探測的穩(wěn)定性。

實際上圖2中的這些黑帶是用來構(gòu)造兩個不同方向交比的。用掃描線與路標(biāo)中兩個垂直的黑條的4個交點就可以得到一個水平方向上的交比值，如圖3(a)所示。同樣用掃描線與路標(biāo)中兩個數(shù)字左或右兩個橫著的黑條的4個交點就可以得到一個垂直方向上的交比值(圖3(b)所示)。

圖3 黑帶構(gòu)造交比

路標(biāo)設(shè)計完成之后，水平和垂直方向的交比值是已知的。如果在采集到的圖像中得到了相同的交比值，那么就可以記錄下黑帶關(guān)鍵點的坐標(biāo)，同時分割出兩個數(shù)字的小矩形，進而識別不同的數(shù)字。

2.2 改進的人工路標(biāo)模式

郭陽在其論文中指出，此路標(biāo)在過于復(fù)雜的背景環(huán)境中很難快速分離出來，有時甚至?xí)斐烧`判［5］。于是，為適應(yīng)復(fù)雜背景下對路標(biāo)的快速搜索，本文對其結(jié)構(gòu)做了一定的改進，即在此基礎(chǔ)上加入了引導(dǎo)燈，即一個高亮度圓形發(fā)光體，非常容易從復(fù)雜背景中分離出來。同時，將右側(cè)黑帶的高度做了一定的調(diào)整，使其交比值與左側(cè)不同。這樣的結(jié)構(gòu)有利于導(dǎo)引車攝像頭的校準(zhǔn)。例如，當(dāng)攝像頭僅僅采集了路標(biāo)的右半部分時(圖4)，導(dǎo)引車可已通過攝像頭檢測到的交比值迅速確定該怎樣調(diào)整攝像頭，來獲得全部的人工路標(biāo)。

圖4 人工路標(biāo)的右半部分

綜合以上考慮，得出如圖5所示的人工路標(biāo)結(jié)構(gòu)模型。引入導(dǎo)引燈之后，將算法分成了兩部分。相比于在復(fù)雜背景下搜索黑帶，搜索導(dǎo)引燈的算法簡單，而且速度要快得多，從而提高嵌入式DSP系統(tǒng)實時性。

圖5 改進的人工路標(biāo)

導(dǎo)引燈下方的部分是借鑒了郭陽所提出的新型人工路標(biāo)模式。而對左側(cè)的黑帶做了一定的改進。3號黑帶和4號黑帶所確定的交比值，不同于1號黑帶和2號黑帶所確定的交比值。這樣嵌入式DSP平臺可根據(jù)檢測到的交比值，來識別左右黑帶，進而校準(zhǔn)攝像頭。

3 人工路標(biāo)識別軟件流程

人工路標(biāo)識別系統(tǒng)的總體工作流程如圖6所示。

圖6 人工路標(biāo)識別系統(tǒng)總體工作流程圖

首先通過CCD攝像頭獲取圖像，檢測導(dǎo)引燈，然后利用交比不變性進行字符的初步定位，利用投影法進行字符分割，最后用主成分分析法(PCA)和最小距離分類器完成字符與人工路標(biāo)的識別。

3.1 人工路標(biāo)導(dǎo)引燈的識別與定位

人工路標(biāo)的初步定位是利用導(dǎo)引燈作為導(dǎo)向。本文對各種算法進行了測試，并不斷改進，最終獲得了一個識別率與實時性都符合要求的算法，即基于灰度信息的識別算法。該算法不需要進行連通域標(biāo)記，已經(jīng)通過仿真器在DM6437評估模塊上測試運行，并得到了良好的效果，滿足實時性要求。

基于灰度信息的識別算法利用導(dǎo)引燈在形狀和像素上的特點，即規(guī)則的圓形和較高的灰度值。這里，計算各個亮區(qū)的高度和寬度，作為初步判斷依據(jù)。具體步驟如下:

(1)采集圖像，并進行灰度變換及二值化(目標(biāo)像素為255，背景為0);

(2)從左向右，逐行掃描圖像，遇到目標(biāo)像素則停止。如果它是導(dǎo)引燈的邊緣，則肯定是圓面的最上端。于是，其正下方的若干個連續(xù)的目標(biāo)像素應(yīng)為圓面直徑。這若干個像素中間的位置應(yīng)為圓心，其左右也應(yīng)該有若干個連續(xù)的目標(biāo)像素，且其數(shù)目應(yīng)與垂直的像素數(shù)接近。不滿足以上任意條件，則肯定不是導(dǎo)引燈。因此，有以下各步。

(3)向下檢測是否有連續(xù)的目標(biāo)像素，并記錄像素數(shù)和中間的位置及最下方像素的坐標(biāo)。若像素數(shù)少于某一閾值，則認為此點不是導(dǎo)引燈的邊緣，回到最初位置，繼續(xù)檢測。

(4)回到中間的位置，檢測其左右是否有連續(xù)的目標(biāo)像素，并記錄像素數(shù)和左右兩端的坐標(biāo)。判斷像素數(shù)是否大于閾值，同時與上一步的像素數(shù)比較，如果相差很大，則不是導(dǎo)引燈，回到最初的位置，繼續(xù)檢測。

(5)通過上下左右4個位置的坐標(biāo)，可以確定一個接近正方形的區(qū)域，即導(dǎo)引燈的外接正方形。他與導(dǎo)引燈的面積之比應(yīng)該在一定范圍內(nèi)。如果同樣滿足這一條件，即可確定這是導(dǎo)引燈，進而通知導(dǎo)引車向這個方向靠近。

系統(tǒng)找到目標(biāo)，它會在導(dǎo)引燈的中心輸出一個粉紅色的方格，表示完成定位。硬件測試結(jié)果如圖7所示。算法可實現(xiàn)視頻的實時播放，速度滿足嵌入式系統(tǒng)的要求。

圖7 基于灰度信息的算法測試效果

3.2 人工路標(biāo)數(shù)字的定位

找到導(dǎo)引燈之后，即完成了人工路標(biāo)的初步定位，可通知嵌入式DSP平臺將評估模塊上的攝像頭鎖定在其下方的黑帶和數(shù)字。此時還需精確分割數(shù)字所在的區(qū)域。這里利用交比不變性原理確定數(shù)字的邊界，其程序的具體步驟如下:

(1)對導(dǎo)引燈下方的區(qū)域進行逐列掃描，找到黑帶的邊緣，記錄縱坐標(biāo)。邊緣的確定是找黑白像素的交界處。

(2)計算交比值。如果接近預(yù)先設(shè)定的左側(cè)黑帶的交比值，則進行下一步;否則與右側(cè)黑帶的交比值比較，如果兩個值接近，則通知導(dǎo)引車校準(zhǔn)攝像頭，否則返回(1)步。

(3)以左側(cè)黑帶最下方的縱坐標(biāo)為界，對其下方的區(qū)域逐行掃描，找到黑帶邊緣，記錄橫坐標(biāo)。

(4)計算交比值。如果接近預(yù)先設(shè)定的下方黑帶的交比值，進行下一步。否則返回上一步。

(5)根據(jù)得到的橫縱坐標(biāo)確定數(shù)字的區(qū)域。假設(shè)得到的4個點坐標(biāo)為(a，m)、(a，n)、(b，m)、(b，n)，其所確定的區(qū)域如圖8所示。

圖8 人工路標(biāo)的精確定位原理圖

該算法簡單，計算量小，易實現(xiàn)，適合于嵌入式DSP系統(tǒng)。在CCS3.3集成開發(fā)環(huán)境中，利用C語言完成了上述算法編寫，并成功編譯。利用硬件仿真器XDS560將編譯生成的.out文件，下載到DM6437評估模塊，并運行測試。測試過程中，將0到9這十個數(shù)碼每兩個一組，打印在A4紙上，各人工路標(biāo)如圖9所示。測試結(jié)果如圖10和圖11所示。

圖9 實驗使用的人工路標(biāo)

圖10 正視定位效果圖

圖11 側(cè)視定位效果圖

圖10是正視人工路標(biāo)時得到的測試結(jié)果。從圖中可以看到綠線確定的區(qū)域即人工路標(biāo)中數(shù)字的區(qū)域，實現(xiàn)了良好的分割。而交比不變性原理的特點是即使攝像機在側(cè)面觀察人工路標(biāo)，也能檢測到黑帶。于是讓攝像頭從側(cè)面對人工路標(biāo)進行拍攝，并做算法測試，結(jié)果如圖11所示。由圖可見，在側(cè)面拍攝情況下，仍能對數(shù)字區(qū)域進行分割，且效果良好。

綜上所述，利用交比不變性原理進行人工路標(biāo)中數(shù)字的分割可以得到良好的效果，滿足系統(tǒng)的要求。

3.3 人工路標(biāo)數(shù)字的分割與調(diào)整大小

前面已得到人工路標(biāo)中數(shù)字區(qū)域的坐標(biāo)，現(xiàn)假設(shè)為(m，a)、(m，b)、(n，a)和(n，b)，如圖12所示。由圖可見，可通過計算橫坐標(biāo)m，n的中點，先將兩個數(shù)字分割開來，劃分出左右兩個區(qū)域。然后，分別在這兩個區(qū)域中利用投影法進行數(shù)字的精確分割。

圖12 數(shù)字的分割

投影法的原理如圖13所示。當(dāng)對數(shù)字從側(cè)面投影時，可以得到數(shù)字的高度及上下邊界的坐標(biāo);對數(shù)字從上向下投影時，可以得到數(shù)字的寬度和左右邊界坐標(biāo)。這樣，就得到了數(shù)字所在的區(qū)域，實現(xiàn)了更加精確的分割。其分割算法具體過程如下:

(1)根據(jù)得到的坐標(biāo)，從分割區(qū)域的左上角按行掃描;

(2)若遇到目標(biāo)像素，即0像素值的點，則高度值H加1;若H等于1，說明當(dāng)前行是數(shù)字的上邊界，記錄當(dāng)前的行數(shù)并賦給Row_U;

(3)重復(fù)(1)和(2)，如果遇到?jīng)]有目標(biāo)像素行，并且H不等于0;說明已經(jīng)到數(shù)字的下邊界。數(shù)字的下邊界Row_D=Row_U+H。

(4)回到分割區(qū)域的左上角，按列掃描，按照以上方法可得數(shù)字的左右邊界。這樣就完成了數(shù)字的投影法分割。

圖13 投影法原理

但是，由于拍攝角度和距離的不同，這樣確定的區(qū)域并不總是具有相同的大小。而大小不一的圖片對后面的識別是不利的。這里可以先說明，本設(shè)計中使用的訓(xùn)練樣本的圖片大小均為65×35像素，它要求采集的圖片也應(yīng)為65×35像素。因此，必須對圖像的寬度和高度進行調(diào)整。采用的方法為線性插值方法，即從圖像中均勻的去除多余的像素點或添加所需的像素點，使圖像的高度和寬度滿足要求。程序中，調(diào)整之后的圖像灰度值保存在了一個的二維數(shù)組Fig_num［65］［35］中。通過CCS3.3開發(fā)環(huán)境下View-＞Graph-＞image讀取數(shù)組Fig_num［65］［35］中的數(shù)據(jù)并顯示出來。圖14顯示了除“1”之外的其他數(shù)碼分割和調(diào)整大小的效果。數(shù)字“1”不需要進行調(diào)整大小，因為“1”具有一個明顯區(qū)別于其他數(shù)碼的特點，它的寬和高的比例非常小。因此，通過測試寬高比例就可判斷是否為“1”。

圖14 數(shù)字分割和調(diào)整大小效果圖

3.4 人工路標(biāo)數(shù)字的識別

完成對人工路標(biāo)中數(shù)字的分割之后，就要對各個數(shù)字進行識別。本文考慮了嵌入式DSP環(huán)境下資源的限制及其對實時性的要求，決定使用基于主成分分析(PCA)［9-10］和最小距離分類器［11］的識別方法。其主要過程如下:

(1)對所要識別的路標(biāo)(即數(shù)字)進行樣本采集;

(2)對采集到的樣本進行樣本訓(xùn)練，得到訓(xùn)練樣本的特征向量、均值向量與投影矩陣;

(3)使用均值向量與投影矩陣對測試樣本(即DM6437評估模塊上攝像頭采集到的圖像)進行降維;

(4)計算降維后的向量與特征向量的歐氏距離，最小距離對應(yīng)的特征向量所表示的模式就是測試樣本的模式。

主成分分析［9-10］主要用于數(shù)據(jù)降維。對于一系列樣本的特征組成的多維向量，其內(nèi)的某些元素本身沒有區(qū)分性，比如某個元素在所有的例子中都為1，或者與1差距不大，那么這個元素本身就沒有區(qū)分性，用它來做特征區(qū)分各個模式，貢獻會非常小。所以，我們要找那些變化大的元素，即方差大的那些維，而去除掉那些變化不大的維。我們的做法就是求得一個的投影矩陣，這個投影矩陣可以將特征從高維降到低維。新的低維特征的每一維向量必須相互正交，即特征向量都是正交的。通過求樣本矩陣的協(xié)方差矩陣，然后求出協(xié)方差矩陣的特征向量，這些特征向量就可以構(gòu)成這個投影矩陣了。特征向量的選擇取決于協(xié)方差矩陣的特征值的大小。

PCA的實現(xiàn)過程是先對樣本進行訓(xùn)練，訓(xùn)練是在MATLAB下進行的，得到訓(xùn)練樣本的均值向量和投影矩陣。硬件測試時，在DM6437評估模塊上直接用訓(xùn)練得到的數(shù)據(jù)對測試圖像數(shù)據(jù)進行降維。這里在MATLAB上的樣本訓(xùn)練不作詳細介紹。PCA降維過程如下:

(1)將目標(biāo)圖像表示成向量的數(shù)據(jù)形式Fig_ Vector;

(2)將Fig_Vector與訓(xùn)練樣本均值向量進行做差，為PCA降維做準(zhǔn)備;

(3)利用投影矩陣的轉(zhuǎn)置左乘第2步得到的差，即得到降維后的測試樣本特征向量。

PCA降維后，則利用最小距離分類器［11-12］進行數(shù)字識別。在考慮了硬件資源和實時性的情況下，決定采用最小距離分類器。最小距離分類器原理如圖15所示。

圖15 最小距離分類器

圖15展示了最小距離分類器的判決方法，其中方塊的各種形狀表示訓(xùn)練樣本，星形的形狀表示測試樣本。實線和虛線表示各測試樣本與訓(xùn)練樣本之間的距離，實線是最小距離。這種分類器簡單直觀，便于硬件實現(xiàn)。

本文沒有利用歐氏距離的概念進行距離計算，而是用絕對值距離公式，其含義是:假如有N維向量V1(Xi)和V2(Yi)，則其絕對值距離為:

其中D表示距離。利用此距離公式，計算測試樣本特征向量與各個訓(xùn)練樣本特征向量的距離，找出其最小距離所對應(yīng)的訓(xùn)練樣本特征向量，該特征向量所對應(yīng)的樣本代表的信息就是測試圖形的信息，至此就完成了對目標(biāo)的識別。之后自動導(dǎo)引車或機器人便可根據(jù)位置和方向信息進行導(dǎo)航。

下面介紹其在DM6437評估模塊上的實現(xiàn)過程。使用MATLAB對樣本進行訓(xùn)練，得到了投影矩陣和訓(xùn)練樣本特征向量和均值向量。將這3個數(shù)據(jù)分別以數(shù)組的形式定義在一個頭文件里，等待系統(tǒng)檢測到目標(biāo)并完成分割之后，直接調(diào)用這些數(shù)據(jù)進行降維，計算距離并識別。

通過查閱DM6437評估模塊的技術(shù)參考手冊可知，它具有128 Mbyte DDR2 DRAM，無論程序是通過XDS560仿真器進行硬件仿真運行，還是從NAND Flash讀入并運行，都會將所有數(shù)據(jù)和程序代碼存儲在DDR2 DRAM中。而通過計算，128 Mbyte DDR2 DRAM的內(nèi)存綽綽有余。

為方便讀者理解，將以上過程展示在圖16中。

圖16中，Vi是訓(xùn)練樣本經(jīng)過PCA降維之后的特征向量，即訓(xùn)練樣本特征向量;Vt是測試樣本通過投影矩陣降維后的特征向量，即測試樣本特征向量。以上算法完成程序開發(fā)，并編譯通過后，進行了硬件仿真。圖17為DM6437評估模塊上測試的情況。其中圖(a)為左視情況下的識別效果，(b)圖為正視情況下的識別效果，(c)圖為右視情況下的識別效果。各圖中右下角為識別結(jié)果。由圖可見，該算法的識別效果良好。圖中右下角顯示的數(shù)字利用了DM6437的OSD(On Screen Display)圖片疊加功能。

圖17 數(shù)字識別效果

4 硬件測試結(jié)果與數(shù)據(jù)分析

為驗證系統(tǒng)的性能，本文對整體算法進行了硬件測試，并統(tǒng)計其識別率。測試方案是在0.8 m和1.2 m兩種距離下分別對正視、路標(biāo)傾斜和斜視等7種情況進行測試，測試結(jié)果如表1和表2所示。

表1 識別率統(tǒng)計表(0.8 m)

表2 識別率統(tǒng)計表(1.2 m)

表中，正視是指從正面拍攝人工路標(biāo);左側(cè)視是指攝像頭從左向右拍攝;右側(cè)視是指攝像頭從右向左拍攝;傾斜一是指路標(biāo)左低右高，傾斜角度10°;傾斜二是指路標(biāo)左高右低，傾斜角度10°。攝像頭對每個數(shù)字在每個角度拍攝了20次，并記錄識別結(jié)果，進而計算識別率。

計算0.8 m和1.2 m兩種情況下總的識別率，分別是79.500%和80.357%。若將拍攝角度限制在20°以內(nèi)，則兩種情況下的識別率分別為94.700%和93.700%。因此，本文所設(shè)計的人工路標(biāo)識別算法在一定角度和距離內(nèi)可以達到很高的識別率。當(dāng)然，也存在一定誤差，分析其原因主要是在斜視的角度較大時，采集到的數(shù)字會發(fā)生形變，對數(shù)字區(qū)域分割也出現(xiàn)了誤差，有時甚至將數(shù)碼的一部分分割了出去，同時將黑帶劃入了數(shù)字區(qū)域。這也是系統(tǒng)有待改進的地方。

5 結(jié)論

本文以ICETEK-DM6437-B評估模塊作為硬件開發(fā)平臺，利用人工路標(biāo)作為導(dǎo)引標(biāo)識，實現(xiàn)了基于導(dǎo)引燈的人工路標(biāo)識別算法。首先利用基于灰度信息識別算法完成對導(dǎo)引燈的識別與定位，滿足了對實時性的要求，同時，利用交比不變原理進行數(shù)字的初步定位;然后利用投影法進行數(shù)字分割，以及主成分分析法(PCA)和最小距離分類器的模式識別方法對數(shù)字進行識別。本設(shè)計對人工路標(biāo)識別算法在一定角度和距離內(nèi)進行了大量的測試，通過分析測試結(jié)果，充分驗證了本次設(shè)計思想的可行性。

［1］ 王先敏，曾慶化，熊智，等.視覺導(dǎo)航技術(shù)的發(fā)展及其研究分析［J］.信息與控制，2012，39(5):607-613.

［2］ 張偉.視覺導(dǎo)航關(guān)鍵技術(shù)及應(yīng)用研究［J］.價值工程，2010:171.

［3］ 李光輝，蔣志堅.基于移動機器人定位和導(dǎo)航的人工路標(biāo)設(shè)計［J］.北京建筑工程學(xué)院學(xué)報，2010，26(4):50-52.

［4］ Li Guanghui，Jiang Zhijian.An Artificial Landmark Design Based on Mobile Robot Localization and Navigation［J］.Fourth International Conference on Intelligent Computation Technology and Automation，2011(1):588-591.

［5］ 郭陽.基于新型人工路標(biāo)的自主移動機器人單目視覺導(dǎo)航相關(guān)問題研究［D］.沈陽:東北大學(xué)，2006.

［6］ 瑞泰創(chuàng)新科技有限責(zé)任公司.ICETEK-DM6437-B實驗手冊［S］.北京:瑞泰創(chuàng)新科技有限責(zé)任公司，2011.

［7］ 李進明，林意.基于交比不變性的攝像機標(biāo)定方法［J］.計算機工程與設(shè)計，2011，32(3):1126-1129.

［8］ Zhang G，He J，Yang X.Calibrating Camera Radial Distortion with Cross-Ratio Onvariability［J］.Optics and Laser Technology，2003 (35):457-461.

［9］ 朱艷偉.基于主成分分析的支持向量機劃分地震相［D］.西安科技大學(xué)，2006.

［10］ Desale R P，Verma S V.Study and Analysis of PCA，DCT and DWT Based Image Fusion Techniques［C］//International Conference on Signal Processing Image Processing and Pattern Recognition，2013:66-69.

［11］桑農(nóng)，張榮，張?zhí)煨?一類改進的最小距離分類器的增量學(xué)習(xí)算法［J］.模式識別與人工智能，2007，20(3):358-364.

［12］段薇，馬麗，路向陽.基于信息增益和最小距離分類的決策樹改進算法［J］.科學(xué)技術(shù)與工程，2013，13(6):1643-1646，1652.

劉紀紅(1969- )，女，遼寧省沈陽市東北大學(xué)，電子科學(xué)與技術(shù)研究所副教授，研究方向為智能信息處理等，liujihong@ise.neu.edu.cn;

張 璐(1989- )，女，漢族，遼寧省沈陽市東北大學(xué)，碩士，研究方向為智能信息處理，zhanglu890508@163.com。

Realization of Artificial Landmark Recognition Algorithm Based on DSP

LIU Jihong*，ZHANG Lu，ZHAO Dongsheng
(School of Information science and Engineering，Northeastern University，Shenyang 110819，China)

In view of the vision navigation technology of using artificial landmark as the guiding identification，one recognition algorithm of artificial landmark based on the guiding light was proposed.Firstly，the algorithm based on gray information is used to recognize and locate the guiding light in the landmark.Then，the algorithm based on invariance of cross-ratio realizes the localization to characters in the artificial landmark.At last，projection method is used to segment characters，meanwhile，both principal component analysis(PCA)method and minimum distance classifier are used to recognize the character.The algorithm is realized on the ICETEK-DM6437-B system board. The experiment shows the algorithm has high stability and meets the requirements of real-time well.

vision navigation;artificial landmark;invariance of cross-ratio;PCA;minimum distance classifier

10.3969/j.issn.1005－9490.2014.02.032

TP391

A

1005－9490(2014)02－0315－07

2013-06-03修改日期:2013-07-09

EEACC:6330