بخشی از مقاله
*** این فایل شامل تعدادی فرمول می باشد و در سایت قابل نمایش نیست ***
تطبيق نقاط کليدي تصاويردرپيمايش مسير
١- چکيده
کنترل و هدايت روبات پرنده در محيط ساختار نايافته با استفاده از توالي از تصاوير، امروزه مورد توجه محققين قرار گرفته است . هدايت بر اساس ثبت کردن تصوير جاري با تصاوير ذخيره شده در حافظه صورت مي گيرد. روش هاي گوناگوني برايثبت تصوير ارائه شده اند که استفاده از نقاط کليدي تصوير در بخشي ازآنها گزار ش شده اند.
در اين مقاله عمل ثبت تصاوير به کمک آشکارساز هريس و خوشه بندي آنها وتعيين نقاط مرکزي خوشه ها، بعنوان نقاط کليدي صورت گرفته است . خوشه بندي ويژگي هاي هريس و استفاده از ممان هايثابت مراکز خوشه ها مي تواند سرعت ثبت تصاويررا به نحو موثري افزايش دهد.
کلمات کليدي: ويژگي، نقاط کليدي،آشکارساز هريس ،ثبت تصوير، هدايت روبات ، خوشه بندي، ممان هايثابت
٢- مقدمه
در زمينه هوش مصنوعي و رباتيک تلاش هاي فراوان و پيشرفت هاي زيادي در خصوص استفاده ازتصاوير براي هدايت و کنترل روبات هاي متحرک صورت گرفته است که اغلب آنها مروط به روبات هاي متحرک چرخ دار و زميني بوده که حرکت در فضاي دو بعدي انجام مي شود. نوع پيشرفته و پيچيده سيستم ، حرکت درفضاي سه بعدي مي باشد که نمونه هايي مانند اشياء پرنده بدون سرنشين و روبات هاي زير دريا [١,٢] را ميتوان نام برد. عامل و انگيزه اصلي استفاده از روبات هاي پرنده مانند BLIM
ها[٢] و اشياء کوچک بدون سرنشين [٣] کاربردهايي مانند مانيتورينگ ترافيک و محيط ،تحقيقا ت آب و هوا ، حمل و نقل و غيره مي باشد.يکي از موارد مهم در هدايت و کنترل روبات هاي شناور، پيوستگي حرکت دريک مسير خاص و مشخص مي باشد که ممکن است بر اثر عوامل ناشناخته محيطي تغيير کند[٤]. استفاده از تصوير و استخراج اطلاعا ت آن ميتواند در اين راه کمک و وسيله اي مناسب باشد. در اين مقاله مي خواهيم در ابتدايک توالي ازتصاوير باتعداد کافي نقا ط شاخص ١و ويژگيته يه کنيم . در حين پيمايش اين توالي از تصاوير ( شکل -١ ) ممکن است يکسري تغييرا ت مقطعي که ناشي از حرکت در محيط ساختار نايافته ٢ است بوجود بيآيد که با انجام تبديلا ت تصويري مناسب ، جهت و موقعيت روبات را تصحيح مي کنيم [٥]. براي اينکه از سودمندي زمان واقعي سيستم برخوردار باشيم ، مجبور به استفاده از روش هايي خاص هستيم که فضاي جستجوي حجيم را کاهش و فرکانس پيمايش را افزايش مي دهند. استفاده ازتکنيک هايثبت تصوير٤ [٦,٧,٨,٩] بمنظور شناسايي وتطبيق سريع نقاط کليدي [٥,١٢] ، علاوه بر داشتن دقت کافي، زمان پاسخ دهي مناسبي را نيز به همراه خواهند داشت . ما ضمن بررسي راهکارهاي گذشته که مبتني بر بافت و ويژگي مي باشند، از آشکارساز هريس براي ثبت تصاوير هوايي به منظور هدايت روبات پرنده استفاده نموده ايم و به منظور بهبود اين روش ، ويژگي هاي هريس برايتصاوير بزرگ و پيچيده که شامل تعداد زيادي وِيژگي مي شوند را خوشه بندي نموده ايم و مرکز خوشه هاي هريس را براي ثبت تصاوير مورد مقايسه قرار ميدهيم . در اين روش ضمن حفظ دقت ،زمان پردازش بطورقابل ملاحظه اي کاهش مييابد.
٣- روش هاي ثبت تصاوير
هدايت و کنترل روبات پرنده نياز به داشتن اطلاعا ت گوناگوني از جمله اطلاعا ت ديناميکي پرواز و ساختار فيزيکي شئء پرنده دارد.آنچه در اين مقاله مورد نظر و توجه است مطالب مروط به هدايت و کنترل روبات ،تنها بر اساس اطلاعا ت موقعيت فعلي و موقعيت صحيح بعدي است که ازتصاويري که توسط دوربين تهيه مي شوند استخراج مي گردند باتوجه به اينکه تصاوير ازفاصله چند همچني کيلومتري سطح زمين وتوسط يک دوربين تهيه مي شوند، فضاي سه بعدي صحنه به صورت دو بعديقابل نمايش و بررسي خواهد بود.
سه روش مختلف براي استخراج نقا ط کليدي و يژگي هاي تصاوير بکار برده مي شوند که بر اساس آنها عمل هدايت روبات انجام مي شود اين روشها در زير به اختصار مورد تجزيه وتحليل قرارمي گيرند.
استخراج نقا ط کليدي بصورت دستي
استخراج نقا ط کليدي بصورت بافتي
استخراج نقا ط کليدي بصورت ويژگي
٣-١- استخراج نقاط کليدي صورت دست
فرآيند هدايت روبات شامل دو مرحله است در مرحله اول صورت Off Line اس که ب ت عمل ذخيره سازي ويادگيري مسير پرواز صورت مي گيرد مسيري که متشکل ازتعدادي
1 تصوير مرتبط و بهم پيوسته مي باشد که يک مسير خاص رامشخص مي کند. در اين مرحله زمان نقش مهمي ندارد و فرآيند ميتواند طولاني باشد. مرحله دوم بصورت برخط مي باشد که علاوه بر استخراج نقا ط کليدي مطابق مرحله اول ، عمل تطبيق و بازيابيتصوير جاري باتصاوير ذخيره شده نيز بايد صورت بگيرد. در اين مرحله است که زمان نقش مهمي دارد و ميزان انحرا ف از مسير اصلي بواسطه چرخش ، انتقال ويا بزرگنمايي بدست مي آيد. در فرآيند 3 انتخاب نقا ط کليدي بصورت دستي،تعدادي نقا ط کنترلي توسط کاربر ازتصوير جاري وتصاوير ذخيره شده استخراج مي گردد[١٢,١٦]. در اين سيستم بايد از يکسان بودن سيستم مختصاتي در تصوير جاري و تصاوير ذخيره شده مطمئن شد.
شکل -٢ در اين شکل ديده مي شود که شش نقطه کنترلي در هر دو تصوير بصورت دستي انتخاب شده که نقاط متناظر بوسيله فلش هايي به هم متصل شده اند. هر چه دقت انتخاب مکان نقاط کليدي زيادتر باشد، تطبيق بهتر صورت مي گيرد ( تصوير سمت چپ بصورت آينه تصوير سمت راست مي باشد ). نقاط کليدي بصورت دايره هاي بزرگي انتخاب شده اند که امکان جستجو در يک فضاي محلي، برايپيدا کرد ن بهترين نقطه تطبيق را ايجاد کنند.
بر اساس نوع نگاشت تصوير جاري روي تصاوير ذخيره شده ،تعداد نقا ط کنترليمتفاوت هستند (جدول -١ ).
استفاده از نقا ط کليدي که بصورت دستي انتخاب وتطبيق داده مي شوند در کارهاي همزمان براي سرعت هاي کم ، نياز به پردازش تصوير کمتري داشته و در عوض از هوش انساني استفاده مي شود. دقت اين روش وابسته به دخالت و نقش کاربر مي باشد. هرچه تعداد نقا ط کنترلي زيادتر باشد حساسيت سيستم کمترمي شود وزمان محاسبه بيشترمي گردد ولي با کاهش نقا ط کنترلي حساسيت سيستم بيشتر مي شود وزمان کاهش مي يابد.
٣-٢- استخراج نقاط کليدي بصورت بافتي
تصاوير بر اساس محتواي اطلاعاتي که دارند به دو دسته محتواگرا١ و ويژگي گرا٢تقسيم مي شوند[١٠,١٧]. زماني که اطلاعا ت ظاهريتصوير کميت بيشتري داشته باشد از صورت محتوا استفاده مي شود و زماني که ويژگي تصوير ب
هاي تصوير داراي اطلاعا ت بيشتري باشند از ويژگي ها استفاده مي شود. در روش محتواگراتعدادي از نقا ط کليدي صورت بافتي ذخيره و بازيابي مي شوند و بر اساس مسير ب آنها عمل ثبت تصوير جاري باتصاوير ذخيره شده صورت مي گيرد. شکل -٣ نمونه اي از نقا ط کليدي را صورت ب بلوکهاي ٤٠*٤٠ پيکسل ، همراه هيستوگرام آنها نشان مي
دهد.
اساس ثبت کردن تصوير جاري باتصاوير ذخيره شده دراين روش ، پيدا کردن نقاطي که حداکثر ميزان همبستگي ٣ با نقا ط کليدي ذخيره شده در حافظه را دارند مي باشد(شکل - ٤ ).
اين روش از اين لحاظ انتخاب شده که پياده سازي سخت افزاري آن براي سيستم هاي زمان حقيقي به راحتي صورت مي گيرد. ولي نسبت به تغييرات روشنايي تصوير حساس است . محدوده مشخصي ازتغييرا ت تصوير بصورت چرخش ، مقيا س و انتقال را جوا ب مي دهد. علاوه بر اينها، استفاده از روش همبستگي در شرايطي که تعداد نقا ط کليدي تهيه شده زياد باشد ممکن است با نقا ط کليدي ديگري اشتباه شوند زيرا در اين نوع ثبت کردن هيچ گونه درکي ازمحتويتصوير وجود ندارد.
٣-٣- استخراج نقاط کليدي بصورت ويژگي
تغيير شکل هايي ٤ که ممکن است د تصوير جاري بوجود بيايد به دو دسته سراسري ومحليتقسيم مي شوند[٥]. در تغيير شکل هاي محلي بايد از چندين تابع نگاشت بصورت محلي استفاده کرد و ويژگيآنها را بعنوان نگاشت اصلي مد نظرقرار داد
اماتغيير شکل هايي که د تصوير جاري بصورت سراسري است مورد نظر اين مقاله مي باشد لذا نياز به استخراج يکسري ويژگي هايتصوير است . ازجمله توابع سراسري دو متغيره بصورت زير است
2 روشهاي مختلفي مانندگراديان ، هسيان ١،آشکارساز هريس برايتفکيک ويژگي هايتصوير وجود دارد که بنا به دلايل گفته شده از آشکارساز هريس استفاده مي شود. در اين رکوردش ن آک ن پندرره ج زا ت ت وميخلدر نظر گرفته مي ط شتديورب آجن ا جرا ف ، مقدار متوس
3 محاسبه مي کنند. در نواحييکدست تغييرا ت تصوير کم است و در لبه هاتغييرا ت تصوير دريک جهت مي باشد ولي در گوشه هاتغييرا ت تصوير درتمام جهات وجود دارد اين ايده برايمجموع تغييرا ت يک پنجره بصورت رابطه
که در آن 1ionthheerwwiisnedow wu,v نوشته مي شود.
گوشه ها بصورت حداکثر مقدارتغييرا ت در نواحي محلي بالاتر از مقدار آستانه خواهند بود. اين تغييرا ت در جهت هاي [(١,١−),(٠,١),(١,١),(١,٠)] بدست مي آيند.
رابطه تغييرا ت تصوير براي نواحي پيوسته بصورت کانولوشن پنجره مربوطه باتصوير بدست ميآيد که بعد از محاسبا ت لازم ، رابطه هريس [١٤,١٥] بصورت رابطه
گروه و شعاع همسايگي گروه مي باشند ( شکل ٦ ). در اين روش ديده مي شود هر چه شعاع همسايگي و حداقل تعداد اعضاء يک خوشه بيشتر باشد، تعداد ويژگي ها کم خواهد شد که مي تواند درکاهش زمان پردازش تصوير اخيتلعيدادمونثق بط اشلادم ولبيرا بيايدتابدع ثت ب ت تدصکوه يربعيدشادتي بن شوديژکگه ي گهر تعدادي از ويژگي ها برهمديگر منطبق نشدند باز بتوان تعدادي ويژگيمناسب پيدا کرد. بعد از خوشه بندي ويژگي ها، بايد خاصيت منحصر بفرد بودن به هر ويژگي داده شود که براي اين کار ازتوصيفگرها که بصورت يک بردار هستند و ميتوانند از مولفه هايمتفاوتي برخوردار باشند استفاده نموده ايم که درقسمت بعد به اختصار به آنها پرداخته مي شود.
شکل -٦ خوشه بنديويژگي هاي هريس شکل -٥ حداقل اعضاء هر گروه ٢٠ و شعاع همسايگي٢٠ است
٣-٣-١ توصيفگر١ ويژگي
بمنظور نمايش تفاوت بين ويژگي ها با يکديگر، از توصيفگرهاي متعددي ميتوان استفاده نمود. که در اين مقاله توصيفگرهاي مورد استفاده ممان هايثابت هستند
[١٠]که هر يک شامل هفت مولفه بوده و تغييرا ت چرخشي، بزرگنمايي، انعکاسي را بر طرف مي کنند[١٢,١٣]. اين هفت مولفه از ممان مرکزي هنجار شده تا ممان درجه سوم تهيه مي شوند. وصيفگرهاي ممان 2 ثابت و نحوه استفاده ازآنها بصورت زير است . براييک تابع پيوسته (x,y )f ممان درجه (qp ) بصورت ∞∞
