邊緣檢測(cè)和證據(jù)理論在機(jī)器人目標(biāo)識(shí)別中的應(yīng)用

王 凱， 夏國(guó)廷， 李立偉， 蘭 勇， 馮 曉

(青島大學(xué)自動(dòng)化與電氣工程學(xué)院，山東青島266071)

0 引言

近年來，人工智能的發(fā)展成為科技前沿的熱門研究領(lǐng)域。仿生機(jī)器人作為機(jī)器人領(lǐng)域中的最先進(jìn)的代表，融合了傳感技術(shù)、信息傳輸、自動(dòng)化控制等多學(xué)科的知識(shí)，成為了研究最為廣泛的一類機(jī)器人。NAO機(jī)器人作為世界上最熱門的仿人智能機(jī)器人，廣泛應(yīng)用于人們的生活中［1-5］。

NAO機(jī)器人具有25個(gè)自由度，并在不同的部位配有相應(yīng)的傳感器，該機(jī)器人的視覺開發(fā)是一個(gè)非常熱門的研究方面。NAO機(jī)器人主要靠視覺系統(tǒng)來感知周圍的環(huán)境，首先采集相應(yīng)的圖像，然后結(jié)合HSI顏色空間的邊緣檢測(cè)進(jìn)行圖像的預(yù)處理。除去圖像噪點(diǎn)，得到較優(yōu)化的圖像，然后再對(duì)目標(biāo)物體進(jìn)行顏色的辨別。

對(duì)于機(jī)器人的不精確環(huán)境下的顏色識(shí)別問題，已有人工智能(AI)、模糊系統(tǒng)(FS)、遺傳算法(GA)和神經(jīng)網(wǎng)絡(luò)(NN)方法來解決。對(duì)于實(shí)時(shí)移動(dòng)的機(jī)器人，F(xiàn)S方法被認(rèn)為是效率和精度最高的方法。一般的顏色識(shí)別方法基本思想是構(gòu)造隸屬函數(shù)，以確定HSI三維顏色空間的定義程度，然后使用Mamdani推斷來計(jì)算檢測(cè)到的輸出顏色［6-11］。

本文為了克服由于最小/最大算子涉及到的非線性問題，主要采用了HSI空間下的Takagi-Sugeno Fuzzy System with Constant Conclusions(TSCC)系統(tǒng)。在一個(gè)決策不精確的環(huán)境下進(jìn)行雙攝像頭的目標(biāo)顏色標(biāo)定，與上述檢測(cè)到的目標(biāo)邊緣信息融合，實(shí)現(xiàn)模糊系統(tǒng)下有色目標(biāo)的識(shí)別［12-14］。

1 邊緣處理

邊緣處理是是整個(gè)圖像處理中最基礎(chǔ)也是非常重要的環(huán)節(jié)，它是后續(xù)圖像處理的數(shù)據(jù)源，提供了高效準(zhǔn)確的原始圖像。圖像處理包含兩個(gè)方面，首先通過HSI顏色空間對(duì)原始圖像進(jìn)行色彩分割;然后對(duì)色彩分割圖像進(jìn)行離散小波濾波處理;最后對(duì)圖像進(jìn)行邊緣檢測(cè)。

1.1 HSI顏色空間

通常色彩空間有 RGB、CMY、YUV、HSV、HSI等。為了更好地對(duì)圖像進(jìn)行數(shù)字化處理，進(jìn)一步提高識(shí)別效果，本文采用了HSI顏色空間進(jìn)行圖像的預(yù)處理。

HSI顏色空間是一種均勻的顏色空間，色彩空間的距離與坐標(biāo)點(diǎn)上的歐幾里德距離成正比(見圖1)。HSI顏色空間具有以下優(yōu)點(diǎn):當(dāng)采用RGB顏色空間時(shí)，改變其中某一顏色的屬性，比如改變色度就必須同時(shí)改變R、G、B 3個(gè)坐標(biāo)。因?yàn)镠SI空間中的3個(gè)坐標(biāo)式是獨(dú)立存在的，當(dāng)采用HSI坐標(biāo)空間時(shí)，只需要改變H坐標(biāo)。

圖1 HSI圓錐空間模型

在NAO機(jī)器人中，彩色圖像都采用RGB模式，因此，需要進(jìn)行顏色空間的轉(zhuǎn)換。RGB模式到HSI模式的常用轉(zhuǎn)換公式如下:

式中:

利用RGB-HSI模式轉(zhuǎn)換原理，將RGB顏色空間下的圖像進(jìn)行轉(zhuǎn)換。

如圖2所示，(a)為RGB顏色空間下的原圖，(b)為HSI顏色空間下的H通道示意圖，(c)為HSI顏色空間下的S通道示意圖，(d)為HSI空間下的I通道示意圖。HSI顏色空間對(duì)R、G、B 3個(gè)分量重新編碼，其中，色度分量在［0，2π］的范圍內(nèi);飽和度分量和亮度分量在［0，1］的范圍內(nèi)。HSI空間有兩個(gè)重要特點(diǎn):亮度分量H與圖像的彩色信息無關(guān)，色度分量S、飽和度分量I與人感知彩色的方式緊密相關(guān)。

圖2 RGB轉(zhuǎn)HSI示意圖

由于從RGB顏色空間到HSI顏色空間的轉(zhuǎn)換是非線性的，對(duì)圖像的噪聲較為敏感，因此采用離散小波變換對(duì)圖像進(jìn)行平滑去噪，即分別對(duì)R、G、B分量進(jìn)行濾波處理。

1.2 離散小波變換去噪處理

本文利用離散小波變換(Discrete Wavelet Transform，DWT)進(jìn)行圖像的去噪處理，避免了由于連續(xù)小波變換導(dǎo)致的較大的計(jì)算量。使用濾波器進(jìn)行離散小波變換的示意圖如圖3所示。圖中:S代表的是原始信號(hào)，通過高通濾波器與低通濾波器產(chǎn)生了A與D信號(hào);A信號(hào)表示的是原始信號(hào)的近似值;D信號(hào)表示的是原始信號(hào)的細(xì)節(jié)值。實(shí)現(xiàn)離散小波變換，將內(nèi)部尺度因子與平移因子進(jìn)行了適當(dāng)?shù)碾x散化。在圖像處理中，噪聲大多存在于高頻部分，通過小波變換可對(duì)圖像進(jìn)行有效的降噪處理。

圖3 離散小波變換示意圖

1.3 HSI邊緣檢測(cè)

在對(duì)數(shù)字圖像進(jìn)行邊緣檢測(cè)時(shí)，有幾種常用的邊緣檢測(cè)算子:梯度算子、Roberts邊緣檢測(cè)算子、Sobel邊緣檢測(cè)算子、Prewitt邊緣檢測(cè)算子、Laplacian邊緣檢測(cè)算子等。但實(shí)際應(yīng)用中，Canny算子不止是簡(jiǎn)單地通過計(jì)算圖像的梯度信息檢測(cè)邊緣，而是通過鄰域像素點(diǎn)的特點(diǎn)進(jìn)行邊緣的尋找和連接，這樣就可以獲得更加完整的邊緣。

本文提出在HSI顏色空間中采用離散小波變換Canny算子邊緣檢測(cè)的方式對(duì)圖像進(jìn)行處理，通過最大熵決策機(jī)制提取梯度信息，融合多方向的邊緣信息。用一結(jié)構(gòu)元素作為“探針”探測(cè)融合的圖像邊緣信息，保留與結(jié)構(gòu)元素相匹配的結(jié)構(gòu)，抑制正負(fù)脈沖噪聲，保持細(xì)節(jié)和邊緣。圖像識(shí)別流程可簡(jiǎn)單描述如圖4所示。

圖4 HSI邊緣識(shí)別流程圖

Canny算子具有較好的檢測(cè)性能和比較高的定位精度，并且邊緣響應(yīng)次數(shù)較少，可以實(shí)現(xiàn)單像素邊緣的檢測(cè)，而且不會(huì)受噪聲的影響產(chǎn)生偽邊緣。圖5所示為離散小波變換下的可自動(dòng)適應(yīng)閾值Canny算子得到的示意圖。

圖5 Canny算子示意圖

Roberts邊緣檢測(cè)算子只用了相近的4個(gè)點(diǎn)的灰度值進(jìn)行邊緣的計(jì)算，所以該算子可以實(shí)現(xiàn)精確的定位并且計(jì)算量很小，但是對(duì)噪聲比較敏感。Prewitt算子通過計(jì)算鄰域內(nèi)像素點(diǎn)之間的差值進(jìn)行邊緣的檢測(cè)，由于邊緣部分得到的計(jì)算數(shù)值比較大，可以利用這個(gè)優(yōu)勢(shì)消除一部分的虛假邊緣，對(duì)于噪聲有一定的平滑能力，具有降噪的效果，如圖6、7所示。

圖6 Robert算子

對(duì)經(jīng)過Canny算子得到的圖像進(jìn)行非極大值抑制，即對(duì)邊緣進(jìn)行細(xì)化處理。通過比較鄰域內(nèi)的梯度幅值，保留了梯度變化最為劇烈的位置達(dá)到精確定位的目的，如圖8所示。

圖7 Prewitt算子

圖8 對(duì)像素進(jìn)行非極大值抑制示意圖

設(shè)f(x)為定義在二維離散空間上的離散函數(shù)，結(jié)構(gòu)元素g1(x)和g2(x)為Z2上的有限子集，則廣義形態(tài)開(GO)和廣義形態(tài)閉(GC)濾波器分別為:

圖像的像素進(jìn)行非極大值抑制之后，對(duì)圖像的點(diǎn)φ(x，y)進(jìn)行雙閾值標(biāo)定，即對(duì)邊緣色度進(jìn)行帶狀區(qū)域M識(shí)別，在閾值范圍之內(nèi)的像素點(diǎn)標(biāo)定為

采用雙閾值法對(duì)邊緣點(diǎn)進(jìn)行像素點(diǎn)的標(biāo)定，給邊緣點(diǎn)留有一定的裕量，提高了目標(biāo)識(shí)別的準(zhǔn)確性和邊緣的容錯(cuò)性，使得目標(biāo)輪廓無限逼近真實(shí)目標(biāo)。圖9為NAO機(jī)器人HSI空間下經(jīng)過非極大值限制和雙閾值法進(jìn)行處理的的目標(biāo)識(shí)別示意圖。

圖9 目標(biāo)邊緣檢測(cè)

2 雙攝像頭顏色識(shí)別系統(tǒng)

通常，目標(biāo)的不確定性的主要原因之一是源于它的不精確性。事實(shí)上，識(shí)別信息的不精確性會(huì)增強(qiáng)決策的不確定性。同樣地，利用信息的不確定性也會(huì)導(dǎo)致其處理序列的不精確性，通常這兩個(gè)缺陷是相關(guān)的。

為了改善以上缺陷，本文構(gòu)建了雙攝像頭融合的系統(tǒng)。圖10顯示了該架構(gòu)的結(jié)構(gòu)開發(fā)方法，它的運(yùn)行是基于模糊系統(tǒng)中的證據(jù)理論。單一攝像頭色彩識(shí)別容易受不確定因素(例如:光照，動(dòng)態(tài)目標(biāo)移動(dòng)，容錯(cuò)誤差等)影響，導(dǎo)致識(shí)別精度下降。假定有n個(gè)攝像機(jī)可供觀察目標(biāo)，這些輸出值被傳送到融合機(jī)制做出顏色判定［15］。

圖10 多攝像頭顏色識(shí)別流程

2.1 模糊系統(tǒng)

設(shè)Ω是一個(gè)有限的非空集合，包含顏色識(shí)別問題中所有可能的決策。P=2Ω是所有可能的子集組成的源集，Ω和P分別為:

證據(jù)理論始于使用基本概率分配(BPA)在Ω中表示證據(jù)的程度的思想，BPA中的m是一個(gè)從P到［0，1］對(duì)源集中的每個(gè)元素標(biāo)定可靠度的映射，具有以下屬性:

空集的0值代表完全不相信假設(shè);1代表完全相信。ω的值表示為m(Ω)，代表不確定的數(shù)量，具有非空集的子集稱為焦點(diǎn)元素。在此背景下，系統(tǒng)的輸出，即尋求顏色Ci的結(jié)果必然是一個(gè)包含所有可能的集合:

沖突情況不代表被丟棄，可以認(rèn)為是在選擇閾值時(shí)，對(duì)顏色的標(biāo)定是不確定的。為了減少目標(biāo)搜尋的時(shí)間復(fù)雜度，對(duì)每種顏色Ci的辨別空間Ωi定義如下:

Ωi中包含所有可能的子集的源集空間由Pi提供:

模糊化方法在于將一個(gè)清晰的目標(biāo)值作為模糊系統(tǒng)的輸入。如圖11所示嚴(yán)格劃分識(shí)別空間，建構(gòu)具有三角形和梯形隸屬函數(shù)。在該框架中，給每個(gè)子集分配模糊的隸屬函數(shù)。因此，系統(tǒng)提供的輸出是在可能的識(shí)別空間子集上模糊化。根據(jù)這一原則，與TSCC系統(tǒng)相關(guān)的值向量的模糊輸出被構(gòu)造出來。在這種情況下，對(duì)于顏色C的矢量值m(C)由下式給出:

圖11 模糊系統(tǒng)下的色度分布

2.2 顏色識(shí)別

基于以上理論，本文使用NAO機(jī)器人頭部的上下兩個(gè)攝像頭進(jìn)行驗(yàn)證所述的融合方法，通過兩臺(tái)攝像機(jī)識(shí)別目標(biāo)建筑的顏色。

根據(jù)表1，棕色的數(shù)字是5(C5)。在檢測(cè)過程中，兩臺(tái)攝像機(jī)捕捉同一個(gè)對(duì)象但給出不同的結(jié)果，即Out1=5.85和Out2=4.45。但是，兩者的結(jié)果卻處于沖突狀態(tài)(相機(jī)之間分別猶豫不決{紅色(C4)，棕色(C5)}和{棕色(C5)，黃色(C6)}之間。在這個(gè)例子中，Out1=5.85(與相機(jī)1有關(guān))是更接近黃色，但它不是黃色(因?yàn)檫@個(gè)值在褐色的區(qū)間檢測(cè)之外，即5.85［5.9，6.1］)。在這種情況下，識(shí)別系統(tǒng)(模糊系統(tǒng))猶豫在紅色和棕色之間。換句話說，顏色可以是紅色或棕色。同樣的標(biāo)定在攝像機(jī)2中作出Out2=4.45，引起沖突棕色和紅色之間的情況(顏色可以是棕色或紅色)。在這個(gè)框架中，一些關(guān)于棕色的庫(kù)顏色存儲(chǔ)在沖突的替代顏色中:{紅色，棕色}和{棕色，黃色}。證據(jù)理論的目的是解決這些出現(xiàn)的沖突問題，以便更精準(zhǔn)地做出相關(guān)顏色的標(biāo)定。

表1 顏色標(biāo)識(shí)碼

如果待檢測(cè)目標(biāo)物體被認(rèn)為是可靠的，基于距離的算法也被使用，那么檢測(cè)到的顏色肯定會(huì)是棕色。如圖11所示，棕色是距離最近的，到相對(duì)于相機(jī)1的輸出。然而目標(biāo)源只有部分可靠，而基于距離的算法則不能給出連貫可靠的結(jié)果。在這種情況下，初始的證據(jù)理論可以作為一個(gè)可替代方案，因?yàn)樵诮鉀Q沖突的決策進(jìn)程中證據(jù)理論具有提取有用信息和整合可靠性的能力。

在此例證的背景下，減少的辨別空間是Ω5={C4，C5，C6}和包含所有可能的功率集合空間的子集:

根據(jù)圖11能夠從中得到模糊系統(tǒng)下的色度分布情況。事實(shí)上，表2顯示了單攝像機(jī)系統(tǒng)下的m1和m2兩個(gè)攝像頭沒有可靠性。在加權(quán)之前，模糊系統(tǒng)的m1和m2之間的沖突等于0.802。這里需要注意的是，來自不同的證據(jù)源(攝像頭)在精確的環(huán)境下可能會(huì)得到不完全可靠的信息。

表2 單攝像機(jī)系統(tǒng)下的顏色識(shí)別

因此，在融合過程中必須考慮證據(jù)源的可靠性，如果這些源可靠性較好，可以給定它們一定的權(quán)值來表征影響。在本算法中，假定攝像機(jī)m1的可靠度α1=0.7，攝像機(jī)m2的可靠度α2=0.6。對(duì)于每個(gè)證據(jù)源，加權(quán)方法都會(huì)乘以可靠性因素。因此，可靠度改變了每個(gè)來源的權(quán)值以反映其信譽(yù)，從而改善決策過程。表3顯示了相機(jī)可靠性 α1=0.6、α2=0.7。系統(tǒng)中m1和m2之間的沖突k=0.337意味著兩個(gè)來源之間的合理沖突加權(quán)之后的可靠性被削弱。使用Dempster-Shafer(DS)規(guī)則和最大pignistic概率給出的決定如表3所示，從中可以看出，融合后的決定是棕色C5。所以機(jī)器人可以識(shí)別目標(biāo)對(duì)象并據(jù)此做出決策。

表3 融合后的顏色識(shí)別決策

考慮單攝像頭、雙攝像頭系統(tǒng)分別識(shí)別有色目標(biāo)，其中雙攝像頭系統(tǒng)采用的是所述模糊系統(tǒng)證據(jù)理論方法。識(shí)別性能結(jié)果如表4所示。

表4 顏色識(shí)別性能 %

在HSI顏色空間中，模糊系統(tǒng)下的雙攝像頭系統(tǒng)識(shí)別質(zhì)量和精度要提高約29%，經(jīng)計(jì)算融合過程的執(zhí)行時(shí)間為0.37 s，保證了目標(biāo)識(shí)別的實(shí)時(shí)性。

3 結(jié)語

本文采用基于HSI顏色空間的離散小波變換方式，利用可自動(dòng)適應(yīng)閾值Canny算子邊緣檢測(cè)方法和雙閾值法提高了圖像邊緣的準(zhǔn)確性和容錯(cuò)性，使得目標(biāo)輪廓無限逼近真實(shí)目標(biāo)。通過基于TSCC系統(tǒng)下的證據(jù)理論融合與決策機(jī)制對(duì)NAO機(jī)器人雙攝像頭系統(tǒng)進(jìn)行圖像的顏色標(biāo)定，將目標(biāo)圖像的識(shí)別性能提高了約29%。本研究未來將著重于將這種方法擴(kuò)展到3D彩色域，使用模糊和漸變的相機(jī)進(jìn)行動(dòng)態(tài)多元目標(biāo)識(shí)別。