移动机器人图像目标识别

范经伟

摘 要：本文对数字图像处理，把数字图像看成函数进行处理，各个像素作为数字化来处理。本文对目标与背景的灰度不同等预处理对目标进行提取，提取对应的移动机器人目标特征值，移动机器人目标的面积来识别。并对移动机器人为目标运用不同算法进行边缘检测，并通过微分算子法，拉普拉斯高斯算子，canny法等预处理检测移动机器人的边缘，并标记出移动机器人的边缘。

关键词：移动机器人；图像处理；目标检测；目标识别

0 引言

主要研究了机器人图像识别处理算法：图像增强、图像滤波、和边缘检测和图像分割。其中在图像增强过程中，对所得图像的灰度进行了调整。在图像滤波研究中研究了基本图像滤波算法，中值滤波算法的结果比较让人满意。在目标识别中，主要研究了基于图像矩的目标检测方法，应用了边缘检测技术，对各种边缘检测算法都进行了比较研究。图像是一种重要的信息源，图像处理的最终目的就是要帮助人类理解信息的内涵。数字图像处理技术的研究内容涉及光学系统、微电子技术、计算机科学、数学分析等领域，是一门综合性很强的边缘学科。随着计算机的迅猛发展，图像处理技术已经广泛应用于各个领域。

随着信息化时代的不断发展，人们越来越多地使用信息化的手段来解决各种问题——办公自动化、先进制造业、电子商务等利用计算机技术而产生的新兴行业正不断靠近我们的生活。在信息社会中，我们每天都接触大量的数据——工作数据、个人数据、无意间获得的数据等——在这些数据中，有些数据需要我们人工处理，而有些则可以利用计算机快速准确的完成——字符识别就是其中的一个范畴。

1 图像识别的机理

图像识别是人工智能的一个重要领域。为了编制模拟人类图像识别活动的计算机程序，人们提出了不同的图像识别模型。例如模板匹配模型。这种模型认为，识别某个图像，必须在过去的经验中有这个图像的记忆模式，又叫模板。当前的刺激如果能与大脑中的模板相匹配，这个图像也就被识别了。例如有一个字母A，如果在脑中有个A模板，字母A的大小、方位、形状都与这个A模板完全一致，字母A就被识别了。这个模型简单明了，也容易得到实际应用。但这种模型强调图像必须与脑中的模板完全符合才能加以识别，而事实上人不仅能识别与脑中的模板完全一致的图像，也能识别与模板不完全一致的图像。例如，人们不仅能识别某一个具体的字母A，也能识别印刷体的、手写体的、方向不正、大小不同的各种字母A。同时，人能识别的图像是大量的，如果所识别的每一个图像在脑中都有一个相应的模板，也是不可能的。为了解决模板匹配模型存在的问题，格式塔心理学家又提出了一个原型匹配模型。这种模型认为，在长时记忆中存储的并不是所要识别的无数个模板，而是图像的某些“相似性”。从图像中抽象出来的“相似性”就可作为原型，拿它来检验所要识别的图像。如果能找到一个相似的原型，这个图像也就被识别了。这种模型从神经上和记忆探寻的过程上来看，都比模板匹配模型更适宜，而且还能说明对一些不规则的，但某些方面与原型相似的图像的识别。但是，这种模型没有说明人是怎样对相似的“刺激”进行辨别和加工的，它也难以在计算机程序中得到实现。因此又有人提出了一个更复杂的模型，即“泛魔”识别模型。

2 机器人目标图像预处理

主要研究了机器人图像识别处理算法：图像增强、图像滤波、和边缘检测和图像分割。其中在图像增强过程中，对所得图像的灰度进行了调整。在图像滤波研究中研究了基本图像滤波算法，中值滤波算法的结果比较让人满意。在目标识别中，主要研究了基于图像矩的目标检测方法，应用了边缘检测技术，对各种边缘检测算法都进行了比较研究。图像是一种重要的信息源，图像处理的最终目的就是要帮助人类理解信息的内涵。数字图像处理技术的研究内容涉及光学系统、微电子技术、计算机科学、数学分析等领域，是一门综合性很强的边缘学科。随着计算机的迅猛发展，图像处理技术已经广泛应用于各个领域。

3 移动机器人图像检测与分割

所谓边缘是指其周围像素灰度有阶跃变化或屋顶变化的那些像素的集合。边缘广泛存在于目标与背景之间、物体与物体之间、基元与基元之间。物体的边缘是由灰度不连续性反映的，因此一般边缘检测方法是考察图像的每个像素在某个领域内灰度的变化，利用边缘邻近一阶或二阶方向导数变化规律来检测边缘。边缘是图像最基本的特征，一幅图像主要信息是由它的轮廓边缘提供的。所以，边缘提取与检测在图像处理中占有很重要的地位，其算法的优劣将直接影响所研制系统的性能。

4 移动机器人图像目标识别

目标识别技术的研究始于六十年代，其含义是用计算机对图像进行加工处理，以得到某些预期的效果，并从中提取有用信息，从而实现人对事物或现象的分析、描述、判断和识别。它的主要目的是确定视野图像中是否存在目标。如果存在日标，给个合理的解释，即判断出目标是什么及确定它的位置。它属于模式识别的范畴，也可以把模式识别狭义地理解为图像目标识别。

5 基于不变矩匹配的目标识别

计算机系统在识别图像时，应具有的一个重要特性是对图像的平移、旋转及比例变换具有不变性。一个最直观的方法是要求图像特征本身具有“不变性”，即尽可能寻求图像本身的“不变性”特征。因此，不变性特征的研究一直是感知科学和计算机视觉的研究重点。不变矩算法就是一种通过提取具有平移、旋转和比例不变性的数学特征，从而进行图像识别的方法。实践表明，直接用原点矩或中心矩作为图像的特征，不能保证特征同时具有平移、旋转和比例不变性。事实上，如果仅用中心矩表示图像的特征，则特征仅具有平移不变性；如果利用归一化中心矩，则特征不仅具有平移不变性，而且还具有比例不变性，但不具有旋转不变性。看来，要同时具有平移、旋转和比例变换不变性，直接使用原点矩或中心矩是不行的。为此，M.K.Hu在1961年首先提出了不变矩，他给出了连续函数矩的定义和关于矩的基本性质，证明了有关矩的平移不变性、旋转不变性以及比例不变性等性质，具体给出了具有平移不变性、旋转不变性和比例不变性的七个不变矩的表达式。

6 目标识别实验

图像经过中值滤波、图像分割后，此时需要将图像按不同区域标记，其中关键是对连通域进行标记并给同一连通成分的所有点分配同一标记。我们先构造一个N×（N+2）的邻接区域统计矩阵F，矩阵的第i行存储着Ri区域的邻接区域列表、邻接区域个数以及Ri的标记位。

统计矩阵标记算法如下：

1、扫描整个图像，当有区域未被标记时，则循环遍历每个标记区域，遍历标记区域的邻接区域列表，依次取出该标记区域的非标记邻接区域p，再检查p的所有邻接区域，如果p的所有已标记过的邻接区域的标记相同，则把p也标记成同样的值。

2、如果p的已标记过的邻接区域的标记不相同，但这些标记被用于了同一组元，构成连通域，需将它们合并。可从中选择一个标记并分配给p及连通域中所有像素点，通常将最小的标记分配给一个连通域。

3、p被标记后，将p从所在的标记区域的邻接区域列表中删除，相应的邻接区域个数减1。

4、循环执行步骤1-3，直到每一区域分配唯一的标记。不同的区域分别以标号1到5进行了标记。

当所有区域都标记后，计算各个区域的矩形度，取矩形度最接近1的区域为目标区域，其他区域置为背景。矩形度计算公式为： 其中AR为最小外接矩形面积，A为目标面积，R为描述目标形状与矩形的相似度。R≤1，R越接近1，目标形状越接近矩形，R=1时目标即为矩形。

7总结

本文对移动机器人目标识别在不同环境中使用不同检测方法，图像经过中值滤波、图像分割后，此时需要将图像按不同区域标记，其中关键是对连通域进行标记并给同一连通成分的所有点分配同一标记，最后识别出目标。

参考文献

[1] 孙兆林.MATLAB6.x图像处理[M]. 北京：清华大学出版社.2002.

[2] 贾云得.机器视觉[M].北京：科学出版社.2000.

[3] 文怀兴，张鑫.基于双目视觉识别技术的智能挖掘机器人研究[J].机械设计与制造.2009（2）：186-188.

[4] 王健强，吕游.一种面向工业机器人智能抓取的视觉引导技术研究[J].机械设计与 制造2009（9）：172-174.

[5] 求是科技.Visual C++数字图像处理典型算法及实现[M].北京：人民邮电出版社，2006.

[6] 马颂德，张正友.计算机视觉-计算理论与算法基础.北京：科学出版. 1998.

[7] 孙增沂.机器人智能控制.北京：北京教育出版社.1993.