快速图像分割算法及在MSRS NAO中的应用.docVIP

快速图像分割算法及在MSRS NAO中的应用 　　摘要：针对MSRS NAO仿真机器人的彩色图像分割问题， 提出了一种改进的快速颜色阈值分割算法。首先利用手工颜色标定对被标识物采集其最大、最小值、出现频率最大的HSB值，相对于自动颜色标定的方法更加准确，针对性更强。为了简化计算，进一步提出了元素值为布尔型的索引表，通过逻辑与运算为真来标识物体；最后设计了一个类型矩阵，元素的值不仅可以标识每种物体，而且可以方便地进行逻辑与和逻辑或运算，并给出了针对多个物体的标识算法。实验结果表明，改进后的算法对多个物体的标识，准确性得到了很大提高，改善了算法的时间复杂度，速度提高了近4倍。 　　关键词：MSRS NAO ；颜色阈值；手工颜色标定；快速分割算法 　　中图分类号：TP39文献标志码：A 　　NAO类人仿真比赛采用微软公司的Microsoft Robotic Studio作为仿真环境，以Aldebaran公司的NAO机器人为仿真模型（简称 MSRS NAO）。MSRS NAO视觉系统需要对真彩色图像和动态目标的实时识别。一个鲁棒、准确、实时的视觉系统，直接影响到后续决策，直接关系到比赛的结果。 　　足球机器人视觉系统在处理方法和步骤上与一般的图像识别系统很相似，但又有其重点和难点。首先，虽然场地上的球、球门和角柱等物体颜色和形状已知，但由于光照、运动及遮挡等问题，导致颜色和形状提取、识别困难。其次，视觉系统每秒钟至少要处理25帧320×240的彩色图像，总计约5.5 MB的数据量，对视觉系统的实时性提出极高的要求。另外还要求有很高的精度。 　　图像分割是图像处理的第一步，分割质量和速度直接影响后续的图像处理及识别。图像分割是根据灰度、彩色、纹理或几何形状等特征把图像划分成若干互不相交的区域，使得这些特征在同一区域内，表现出一致性或相似性，而在不同区域间表现出明显不同。在机器人视觉系统中，只对图像中某些部分感兴趣，比如球、球门、场地线等，这些部分被称为物体或前景。为了辨识和分析物体，需要将其从图像中分离并提取出来，在此基础之上再进行对象特征的提取和参数测量。 　　现有大多数图像分割算法是针对灰度图像，彩色图像分割算法分类有基于区域、聚类、阈值、边缘等[1-2]。基于边缘的方法将彩色图像分成三个灰度空图像，分别进行边缘检测，再进行综合，常见有梯度算子法、LOG算子法、边界跟踪法[3]；基于阈值的方法，主要是根据图像中要提取的目标物体灰度值和背景灰度值的差异来选择一个合适的阈值，然后判断图像中的各像素点的特征属性是否满足阐值的要求，若满足则该像素点属于目的区域，否则属子背景区域，依此产生二值图像[4-5]。此法对物体与背景区别较大的景物分割特别有用，常见有直方图；基于区域的方法，是将具有相似性质的像素集合起来构成区域，即将图像划分为具有最大一致性的区域，其一致性准则可基于灰度、色彩、纹理、形状或模型等，常见的方法包括区域生长法、区域分裂法、区域生长与分裂法和分水岭分割法[6]；基于聚类的方法，不需要训练样本，是一种非监督学习方法，其基本思想是根据像素值的相似度将所有像素分为若干个聚类（物体类和背景类），每个聚类中的像素具有较高的相似度，而不同聚类间的像素值差别较大，常见的方法有K-均值法、模糊C-均值法和移动均值法[7-8]。 　　1图像分割的形式化定义 　　彩色图像分割的关键在于如何利用丰富的彩色信息达到分割的目的，要分割一幅彩色图像，首先要选取合适的颜色模型，其次选取适合此模型的分割方法。 　　没有一种分割方法对所有颜色特征都有效，需要根据环境进行算法的选择。由于在NAO类人仿真比赛环境中各种物体在原始图像中具有颜色分明的特点，所以，采用基于颜色阈值的分割算法是最佳的。而且，此算法时间复杂度较低，并且可以使用索引表程序设计技巧进一步降低其复杂度。 　　2一种新的手工颜色标定的方法 　　图像分割的准确性基本上就取决于颜色空间的选取和颜色标定，其中颜色标定是最困难的，颜色标定就是确定场上各个物体的颜色属性，作为图像分割的依据。由于在NAO类人仿真比赛中各种物体的颜色属性是一成不变的。在因此，设计了一种工颜色标定的方法，由于其针对性强，相对于自动颜色标定的方法更加准确。 　　首先，从比赛环境中导出图像，其次利用拾色器进行颜色标定。拾色器可以给出选定像素点的颜色信息HSB值。在这里使用Photoshop中的拾色器进行颜色拾取，然后标定。 　　使用Photoshop中的吸管工具，对于一个待标识物体，探测属于它的各个像素点的HSB值，记录下最大值、最小值和出现频率最大的值。在探测过程中抛弃对那些颜色与物体本身的颜色极不相同但属于物体内部的点，如球的被光照后形成的白点，这些白点对实验统计是无意义的。然后，根据这些值