基于全景视觉的网球服务机器人的设计与研究研究生开题报告演示幻灯片.pptxVIP

基于全景视觉的网球服务机器人的设计与研究导 师姓 名王凯目录已完成工作图像的采集与预处理网球的识别算法Windows软件的设计与实现图像的采集全景视觉摄像机开源计算机视觉库opencv2.4.91usb得到图像，在opencv中用结构体IplImage来承载图像，图像的预处理颜色空间：RGB：最常用最直观的颜色空间，使用红(Red)绿(Green)蓝(Blue) 三个颜 色分量来描述颜色YUV：视频中常见的颜色格式，Y为亮度分量， UV为色差分量HSI： 是从人的视觉系统出发，用色调（Hue）、 色饱和度（Saturation）和亮度（Intensity） 来描述色彩1图像的预处理转换色彩识别颜色阈值RGB容易获取，通常视频流及图片格式都支持对纯色系的识别简单，但受亮度影响较大没有将照度等信息剥离，难以进行颜色阈值的划分YUV获取较简单，部分视频捕捉设备可直接输出，从RGB转换也较简单将亮度分量剥离，各颜色分布集中，可用于颜色识别需要设定多个阈值范围，阈值参数的调整较复杂HSI一般从RGB转换而来，转换算法较复杂有专门的色调分量，同时亮度分量也被剥离，适合进行颜色识别阈值划定简单，只需要在色调分量上进行范围划定，同时限定一个亮度最低值1对每一帧图像进行预处理： 将IplImage所承载的图像从RGB色域转换到HSI色域，方便后面通过阈值算法识别网球图像的预处理1对每一帧图像进行预处理，将其从颜色空间RGB转换到HSI，方便后期的阈值算法对网球的识别预处理流程1 考虑到图像的实时性，选择运算相对简单的算法5标准模型算法，提高预算速度以保证视频的实时性。图像的预处理1对每一帧图像进行预处理，将其从颜色空间RGB转换到HSI，方便后期的阈值算法对网球的识别预处理流程IPlImage1BGR BGR BGRBGR BGR BGRBGR BGR BGRBGR BGR BGR提取出BYTE[]字节数组大小为[width*height*3]通过算法5，将每个像素的BGR分量转换为HSI分量ImageDataOther infosrcMap[width*height]0000111100000000000000000000000000000000011111111110000000000000000011111110000000000000000000001111110000000000000000000011111100000000000000000001111100000000000000000111111111111100000000000000000000000000图像的HSI[]字节数组通过对HSI阈值的分类，将在设定范围的像素标记在一个srcMap里方便后面的调用显示图像的预处理1对每一帧图像进行预处理，将其从颜色空间RGB转换到HSI，方便后期的阈值算法对网球的识别预处理流程1原始图像预处理后的图像网球的识别1通过对已映射出的srcMap表进行颜色域的连通性检测，然后通过色域识别网球第一阶段，找出srcMap表中色域点将其映射到Map中。识别流程21扫描srcMap第一行像素特殊处理，其中被标记的直接放入Map2扫描第二行到倒数第二行，如果该点边缘点则直接放入Map，如过不是，则扫描其周围的8个点，并将8个点全部标记放入Map3扫描srcMap最后一行像素特殊处理，其中被标记的直接放入MapsrcMapMap网球的识别1通过对已映射出的srcMap表进行颜色域的连通性检测，然后通过色域识别网球第一阶段，找出srcMap表中色域点将其映射到Map中。识别流程2MapsrcMap网球的识别1通过对已映射出的srcMap表进行颜色域的连通性检测，然后通过色域识别网球第二阶段，在Map中找出连续点，识别流程2通过链表节点DomainNode，创建色域链表统计色域信息xstruct DomainNode{ int x; int y; int sum; int top; int bottom; int left; int right; DomainNode* next;};Mapy网球的识别1通过对已映射出的srcMap表进行颜色域的连通性检测，然后通过色域识别网球第二阶段，在Map中找出连续点，识别流程2 每扫描到一个标记点，为其创建一个result节点，并通过临时节点toscan创建链表统计其周围8个点的信息，然后继续向外扩散直到没有连续像素为止。1、result的top bottom right left 信息挑选里面最优的坐标。2、将该标记点以及其周围的8个点中被标记点的坐标信息统计，算出x与y的平均值xtopleftrightMapybottom下一步计划1优化图像识别算法，更好的识别网球及其位置2与机器人运动部件连接，