第6章-机器人视觉PPT课件.ppt

;“机器人视觉(computervision)”这个学科所研究的问题领域十分广阔，不仅包括通用技术，而且也包括为数众多的专用技术——如字符识别、相片解释、脸谱识别、指纹识别和机器人控制等等。;?;透视投影是多对一的变换。多个不同的场景可能生成相同的图像。

;更麻烦的是，图像易受到周围光线不足或其他因素的干扰，这样，我们就不能直接转换图像来重建场景。

因此，agent通过运用可能处于有关场景中的物体的特定知识、有关场景中的各种表面的特性以及由这些表面反射回摄像机的周围照明度等一般知识来从图像中获取有用的信息。

;概念四;示例;系统的输入来自一个低解析度(30x32)的电视图像。一个电视摄像机被架在汽车上对准前面的道路，电视图像被采样并为神经网络产生一系列960维的输入向量。;机器人视觉的两个阶段;;图像处理阶段主要把原始图像转换成更适合于景物分段的图像。图像处理包括降低噪声、增强边缘和寻找图像区域等不同的滤波操作。;;示例;假设只有积木的布局比较重要。

那么，图标模型应为一个表结构((CBAFLOOR))，它表示C在B上，B在A上，而A在地板上。

若C被移到地板上，那么图标模型应为((CFLOOR)(BAFLOOR))(也可以是((BAFLOOR)(CFLOOR))，但这里我们假设积木的相对水平位置无关紧要，这样，表结构的第一级元素的顺序就无表达意义)。因为每一个元件的最后一个元素均为FLOOR，所以我们可以去掉这一项来缩短表结构。;对于根本不用图标模型的机器人来说，景物分析会用另一种方法把处理过的图像直接转换成适合于机器人任务的特征。如，若机器人必须判定积木C上是会有其他积木，那么，一个对环境的描述应包括一个特征值，如CLEAR_C，积木C上无其他物体时这个特征值为1，否则为0。;图像处理;平均法的作用：;图像处理中的二维离散式卷积如下：;;;2.边缘增强;;3.边缘增强与平均法的结合;在二维空间中把边缘增强和高斯平滑结合起来，二维高斯函数的拉普拉斯变换有点像一顶倒置的帽子，(这里，移动了坐标空间)。它又被称为“sombrero(宽边帽)函数”，帽宽决定了平滑度。用这个帽函数来卷积图像，就??以完成整个求平均和边缘寻找的操作。这个操作又被称为“拉普拉斯过滤(laplacianfiltering)”，它产生的图像叫做“拉普拉斯过滤图像”。;;4.区域查找;一个区域就是一组满足以下特性的相互连接的像素：

1)一个区域由类似的成分组成。常用的同质特性(homogeneityproperty)如下：

(a)在这个区域中，像素的亮度值之间的差别不超过某个ε。

(b)k次多项式(k的值比较低且事先指定)的表面可与此区域内像素的亮度值以小于ε的最大误差(即表面与区域亮度值之间的误差)拟合。

2)任意两个毗邻的区域内的所有象素的组合不满足同质特性。

通常，把一个图像分割成区域的方式不止一种，但每个区域总是与世界中的一个物体或其有意义的一部分相对应。;;;5.运用亮度以外的其他图像的属性;场景分析;1.解释图像中的线条和曲线;在这种策略中，已知场景仅包含平面，从而使相交于一点的平面不超过三个(这种平面组合体称为“三面体顶点多面体(trihedralvertexpolyhedral)”)。;;标记线条的景物分析过程如下：;;基于模型的视觉;;立体视觉和深度信息;;经常不断地学习,你就什么都知道。你知道得越多,你就越有力量

StudyConstantly,AndYouWillKnowEverything.TheMoreYouKnow,TheMorePowerfulYouWillBe;谢谢大家

荣幸这一路，与你同行

ItSAnHonorToWalkWithYouAllTheWay