Московский Государственный Университет им. М. В. Ломоносова Механико-математический факультет выпускная дипломная работа разработка методов технического зрения и обработки данных
Скачать 0.6 Mb.
|
Алгоритм классификации объектовДанные об объектах, полученные после отсечения фона, поступают для классификации объектов на своих чужих и мяч. В правилах FIRA описано, что на поле находятся роботы и мячик для гольфа оранжевого цвета [9]. Роботы должны иметь сверху кусок размером не менее 3.5 на 3.5 см цвета команды имеющий не очень сложную форму. Цвет команды выбирается либо синий, либо желтый по жребию. Кроме того, на роботе могут быть еще цветные куски для внутренних целей команды, но они не могут совпадать с цветом, выбранным противником, для идентификации команды. Также команды стараются избегать использования цветов, похожих на оранжевый цвет мячика, хотя это и не запрещено правилами. Формулировку относительно использования цветов следует понимать так: на роботе должен быть кусок командного цвета площадью  и формой максимально неудобной для противника, и максимально удобной для тебя. Цвет этого куска желтый или синий, причем оттенки цветов выбираются командами по-разному. Другие цвета на роботе не должны быть с человеческой точки зрения быть синими либо желтыми, но это не запрещает использование пограничных цветов типа белого с теплыми или холодными тонами, чтобы команда противников потратила кучу времени на настройку программы для отделения этого цвета от своего командного. В этом случае команда может потребовать замены цвета, но решение принимается судьей матча, и скорее оно будет отрицательным, если с человеческой точки зрения кусок цвета не похож на командный. Поэтому команде надо иметь большой запас в разделении цветов.Как уже было сказано, для своих целей мы используем наклейки вида (Error: Reference source not found, Error: Reference source not found). Т.е. половина или более области занято командным цветом и 1 или два куска дополнительно используются для определения ориентации и разделения роботов в команде.
Для классификации в предыдущей версии реализации использовалась только одна компонента H пространства HSL для определения цвета [3]. Согласно определению пространства HSL оно оптимизировано для отделения информации по тону цвета и по его яркости [1]. Компонента H (hue) – цветовой тон, хроматическая составляющая, как бы отвечающая за длину волны света попавшего в датчик; S (saturation) – насыщенность показывает, насколько цвет отличается от серого цвета с тем же цветовым тоном; L (lightness) – яркость, яркость света зарегистрированного датчиком. Однако разделение цветовой информации не является полным [1]. Поэтому в предыдущей реализации использование только одной компоненты было слабым местом и давало большое количество ошибок в различных ситуациях. Поэтому, в новой версии, основным улучшением в этом направлении стало введение классификации по всем трем компонентам. Кроме того, в этой области также были проблемы, которые привели к выбору новой камеры. Это прежде всего возникновение перетекания цветов и как следствия ложных цветов. Преобразование сигнала в аналоговый для последующей передачи в режиме PAL, как уже отмечалось ранее, дает эффект сглаживания переходов цветов. Аналоговый сигнал не может меняться скачкообразно; внутренние параметры камеры ограничивают величину производной сигнала. Поэтому на соседних цветах, особенно на тех, где используются разные компоненты RGB (например, синий – красный) должно быть так, что компонента цвета (например, B) в одном пикселе велика, а в следующем мала. Но на самом деле, начиная с пикселя в котором должно было произойти изменение (в нашем примере там, где компонента мала) происходит переходный процесс в несколько пикселей с последовательным уменьшением значений канала до требуемого значения. На переходе синий – красный участвуют две компоненты цвета, одна из которых растет, а другая убывает. И в результате, мы получаем спектр переходных цветов синий – фиолетовый – малиновый – красный, причем этот спектр цветов может погребать под собой весь конечный цвет. Для своих роботов наклейки были спроектированы так, что конечный цвет оставался, однако приходилось прибегать к различным ухищрениям при определении направления и робота в команде, т.к. в сине – красном роботе непременно находился малиновый цвет (фиолетового при определенном дизайне наклеек находилось пренебрежимо мало). Новая камера не имеет промежуточных процессов преобразования в аналоговый сигнал с последующей оцифровкой, поэтому переходные процессы затрагивают лишь пограничные пиксели и влияние их на картину цвета в целом пренебрежимо мало. Опишем систему определения цветов в новой реализации. Пусть у нас есть именованный набор цветов: красно-оранжевый, желтый, зеленый, синий, фиолетовый и малиновый. Для каждого и этих цветов существует 6 пороговых значений, задающих отрезки по 3м каналам. Замечу, что в этой реализации возможно использование как пространства HSL, так и пространства RGB. В книге (Гонсалес, и др., 2006) замечают, что практика показывает, что отделение одного цвета от других лучше производить в RGB нежели в HSL [1]. А в различных описаниях команд MiroSot встречаются использования и того и другого пространства причем выводы о том, какое лучше неоднозначны. Эти пороговые значения можно изменять в программе, и они сохраняются от запуска к запуску. Кроме того, программа определяет неоднозначности и препятствует пользователю задавать границы отрезков с неоднозначностью. Цвет пикселя относится к именованному значению в случае, если значения компонент цвета лежат в трех отрезках соответственно.
Настройка границ цветов производится вручную. Это крайне неудобно, т.к. отнимает много времени, поэтому было задумано создать некую автоматическую или полуавтоматическую систему автоматической инициализации цветов. В книге (Гонсалес, и др., 2006) описан возможный подход, при котором запоминаются значения пикселей известной цветовой разметки, по значениям цветов которых определяется среднее и разброс для именованного цвета [1]. Используя этот подход, был реализован следующий метод настройки. Будем показывать камере настроечную матрицу цветов, состоящую из нескольких одноцветных квадратов. Размер матрицы 6 на  , где – это количество оттенков. По идее, чем больше оттенков мы выберем, тем точнее получим настройку, однако создание матрицы с большим количеством оттенков задача более сложная, чем полезная. Поэтому, на практике используется матрица с двумя оттенками. Далее, система – сервер переводится пользователем в состояние настройки цветов. В этом состоянии обработка приходящих изображений осуществляется так: применяется алгоритм отсечения фона на полном изображении, найденные области после всех фильтраций расцениваются как цветовые квадраты матрицы, и в соответствии с координатами этих областей, определяется, какому элементу цветовой матрицы соответствует та или иная область.Далее, по всем пикселям, отнесенным таким образом к именованным цветам считаются среднее значение и разброс по каналам (RGB или HSL) и по ним определяются границы отрезков на каждом из каналов. Полученные настройки на практике оказываются недостаточно точными, и их приходится подстраивать вручную, чтобы корректно классифицировались цвета на переходах. Для удобства такой настройки в реализации системы добавлена возможность увеличения части изображения до или после обработки. С помощью этой возможности пользователь может определить какие пиксели были сегментированы к каким цветам, а также определить значения цветов пикселей в пространствах HSL или RGB.
Напомним, что объекты на поле мы разделяем на роботов чужих, роботов своих и мяч. Для определения направления дальнейших действий с объектом, нам требуется определить, к какому классу он относится. Информация, используемая для классификации, полученная на предыдущих этапах: именованный цвет точек объекта, а также расстояние от центра масс области до положения объекта на предыдущем кадре (здесь включена возможность, что объект на предыдущем кадре найден не был). Известная информация об объектах:
Для классификации по основным классам будем использовать два признака. Процент основного цвета и расстояние до ближайшего места расположения объектов каждого класса объектов (мяч, свои роботы, чужие роботы). В каждом классе выбираются веса для процента и для расстояния, и вычисляется значение для этого класса. Если быть более точным то в классификатор добавляется не расстояние, а его функция, которая при нулевом расстоянии дает единицу, и стремится к нулю при стремлении расстояния к бесконечности. Кроме того, используется расстояние, деленное на диагональ изображения. Формула для значения выглядит так:  Объект причисляется к классу с максимальным значением, если его вес больше порога, иначе объект причисляется к шуму. Такое строение классификатора позволяет учитывать не только количество цвета в объекте, но и дальность от предыдущего положения, что автоматически избавляет нас от случайных ошибок путаницы роботов своей и чужой команды в случае, если они далеко и на чужом роботе есть цвет, определяемый при определенных условиях как командный. |
Похожие:
 | Техническое зрение роботов С целью классификации методов и подходов, используемых в системах технического зрения, зрение разбито на три основных подкласса:... | | Московский государственный университет им. М. В. Ломоносова факультет... Этот материал размещен в блоге Деменевой Н. Н |
| Выпускная работа по «Основам информационных технологий» Базы данных, системы управления базами данных и приложения к ним, используемые для сбора, хранения и обработки информации в биологических... | | Московский государственный университет имени м. В. Ломоносова юридический факультет ... |
 | Московский государственный университет имени м. В. Ломоносова факультет... Федеральное государственное образовательное бюджетное учреждение высшего профессионального образования | | Отчет о научно-исследовательской работе «Разработка методов и средств... «Разработка методов и средств информационной поддержки образовательных процессов с применением перспективных технологий передачи... |
| Самарский государственный университет Механико-математический факультет... Быстро растет количество изданий, посвященных Сети, что предвещает широкое ее распространение даже в далеких от техники областях.... | | Московский Государственный Университет им. М. В. Ломоносова Географический... Объекты наследия как демонстрационная площадка использования возобновляемых источников энергии на Северо-западе Европейской части... |
| Дипломная работа по теме: “ Интерактивная база данных по дендроклиматологии” Работу Моя дипломная работа очень актуальна, потому что дендроклиматология – малоизученная и малоизвестная область биологии. Дендроклиматология... | | Мужчина и женщина в обществе: история, культура, современность Кандидат политических наук, старший научный сотрудник, лаборатория развития гендерного образования, факультет педагогического образования,... |
| Московский государственный университет имени М. В. Ломоносова Краева К. В. К вопросу о специфике экзаменационного стресса у студентов // Вестник Университета. Государственный университет управления... | | Сборник задач и тестов по психологии и педагогике./ Под общей редакцией... Московский государственный университет тонких химических технологий им. М. В. Ломоносова |
| Первый московский государственный медицинский университет имени И. М. Сеченова Работа выполнена в фгу «Центральный научно-исследовательский институт стоматологии и челюстно-лицевой хирургии Росмедтехнологий»... | | В. ломоносова юридический факультет материалы международной конференции... Краева К. В. К вопросу о специфике экзаменационного стресса у студентов // Вестник Университета. Государственный университет управления... |
| Изменения в гиа 2012 Московский государственный университет тонких химических технологий им. М. В. Ломоносова | | Московский Государственный Открытый Педагогический Университет (физико-математический... Однако, очень мало кто действительно представляет себе, как работает этот «черный ящик». В данной работе мы попытаемся описать не... |
