移动机器人基于单目视觉的自然场景分析.pptVIP

移动机器人基于单目视觉的自然场景分析 指导教师： 答辩人： 20xx.06.21 1.研究的背景与内容2.主要工作与任务 3.使用的特征与算法 4.实验的结果与分析 提纲 移动机器人：无人驾驶车 DARPA 2007 Urban Challenge 获胜者Boss 室外移动机器人平台 1. 研究背景和意义 单目视觉：单摄像头 室外场景分析：通过视觉分析，图像处理识别的手段，挖掘场景特征，为进一步控制无人驾驶车提供信息。 视觉传感器flyCapture系列摄像机。 1. 研究背景和意义 实现移动机器人基于单目视觉的室外场景分析 1. 研究数字图像处理技术。 2.掌握Adaboosting算法。 3.了解颜色空间的提取，纹理特征的提取，超像素分割。 4.做实验，对实验结果进行分析。 2. 主要工作与任务  通过数学抽象建模，将场景分析问题回归如下图所示： 3. 使用的特征与算法 自然场景 摄像头 无人驾驶车 S1, S2, S3,… O1, O2, O3,… 需要分析的场景 无人驾驶车需求的信息 颜色特征 用Lab色彩模型提取颜色信息。提取各颜色通道的均值与方差等信息作为颜色特征信息。 3. 使用的特征与算法 使用LAB颜色空间提取的颜色通道 纹理特征 局部二值模式（LBP）用来做图像局部特征比较，通过阈值来标记中心点像素与其邻域像素之间的差别。来分析纹理特征。 纹理特征分析与提取 3. 使用的特征与算法 超像素分割 超像素分割指的是将数字图像细分为多个图像子区域的过程。图像分割的目的是简化或改变图像的表示形式，使得图像更容易理解和分析。超像素数据大于常规一个点像素数据，但是可以代表一个区域的像素点。 3. 使用的特征与算法 超像素分割效果 Adaboosting 算法 3. 使用的特征与算法 算法特点： 将一些已知问题作为范例输入计算机,通过学习这些范例，对出错部分，进行总结并生成相应的规则。 算法作用： 对训练集中的图片集进行学习，用来分析测试集中的图片场景。 算法前提： 训练集与测试集存在。 3. 使用的特征与算法 实现流程： Adaboosting训练过程举例 3. 使用的特征与算法 弱学习机 强学习机 Boosting 图 3.6 Adaboosting 训练过程举例 决策树 在机器学习中，决策树是一种预测模型，代表的是对象属性与对象值之间的映射关系。 决策点 状态节点 结果节点 3. 使用的特征与算法 图 3.7 决策树 测试集中图片场景 盛草 公路 天空 枯草 颜色特征、纹理特征 四种颜色通道效果比较 图 4.1 RGB LAB HSV YCrCb 提取的颜色通道效果 4. 实验的结果与分析 纹理特征的提取与超像素分割的效果 图4.2纹理特征提取与超像素分割的效果。 4. 实验的结果与分析 关于超像素分割的对比试验 图4.3超像素分割的对比试验 表4.1 使用超像素分割与不使用超像素分割的耗时对比 图像一 图像二 图像三 图像四 图像五 图像六 图像七 使用超像素耗时 250ms 219ms 219ms 234ms 234ms 235ms 219ms 不使用超像素耗时 78ms 47ms 47ms 62ms 62ms 63ms 47ms 4. 实验的结果与分析 实验分析 1.是否使用超像素分割要根据具体工程要求而定。精度高与耗时短不可兼得。当更要求精度高时，使用超像素分割。当更要求耗时短时不使用超像素分割。 2.编程过程中，本想加入红砖这个场景分类。发现分割效果不好，容易出错。猜想是因为红砖的纹理各种各样。使用Adaboosting的方法，训练集中的图片不容易组建。 3.实验的缺陷是光反射强度对场景分析有着很大的影响。在下一阶段的学习中要继续改进。要克服光照对实验的影响。 4. 实验的结果与分析