JS
杂志上的传感器
1687 - 7268
1687 - 725 x
Hindawi出版公司
624670年
10.1155 / 2013/624670
624670年
研究文章
灰度级同现矩阵绩效评估对航向角估计的可移动的视觉系统在静态环境
0000-0001-9275-5264
。
Zairulazha
1、2
0000-0002-1733-9575
Ramli
Rizauddin
1
穆斯塔法
穆罕默德Marzuki
1
首歌
Aiguo
1
教师的工程和建筑环境
43600年马来西亚Kebangsaan大学Bangi,雪兰莪州
马来西亚
ukm.my
2
机械工程学院
马来西亚Teknikal大学马六甲,76100榴梿Tunggal,马六甲
马来西亚
utem.edu.my
2013年
23
5
2013年
2013年
14
03
2013年
07年
05年
2013年
2013年
版权©2013 Zairulazha。等。
这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。
提取信息的方法在估算航向角的视觉系统。应用灰度共生矩阵建立集成的灰度级同现矩阵()在一个感兴趣的领域进行选择是选择一个适合光学流生成的地区是可行的。选择的区域是用于光学流代Horn-Schunck方法。从生成的光流,航向角估计通过移动的中值滤波和增强(MMF)。为了确定应用灰度共生矩阵建立的有效性,我们将结果与不同的光流估计方法是直接从原始灰度图像生成。灰度共生矩阵的性能相比,真正的标题,并通过平均绝对偏差错误评估(美)。结果应用灰度共生矩阵建立确保可以提高视觉系统的航向角的估计结果显著。
1。介绍
传感器是测量中最重要的组件。从传感器收集的数据,数据分析以及控制策略实现可以进行了。由于传感器的重要性,有各种各样的工作在这个领域进行迎合问题出现在这一领域,例如,新设计的力传感器(
1 ,
2 )和触觉显示(
3 ]。
尤其是在机器人领域,传感器提供一个变量被测量信息来控制机器人,这是最关键的部分。为了处理这些信息决定的机器人应该采取行动具有良好的性能。有各种各样的传感器可用于这个目的,例如,声纳传感器、位置传感器、红外传感器和照相机。就业摄像机作为传感器,也称为机器人视觉系统,是一个有趣的想法,由于其功能通过图像采集从周围环境获得有用的信息。根据不同的应用程序,从机器人视觉系统提取信息可以以不同的方式执行。提取过程通常利用图像处理和分析。
领域的一个研究视觉系统从硬件开发和测试,算法发展具体图像处理和分析,有关方法和策略建议使用视觉系统及其实现为一个特定的任务。以前的作品包括操纵进行图像采集功能的光电鼠标作为一个传感器(
4 - - - - - -
6 ),利用全景图像在视觉导航
7 在机器人视觉[],log-polar成像应用
8 ),应用稀疏的视觉数据没有测程法阅读(
9 ),避障策略
10 ),视觉映射(
11 ),和强大的实时战略愿景
12 ]。
本文提出了一种新的方法在提取信息视觉系统使用光流的航向角,相信这将是有益的工作特别是在机器人导航。因为它很好理解,一些流向量使用这种方法也包含错误生成向量不代表实际的运动,有必要提高解释通过集成的新方法。在这里,我们提出了使用灰度级同现矩阵应用灰度共生矩阵建立()(
13 )与光流计算,航向角估计的改进方法。通过将图像划分为几个感兴趣的领域(AOI),选择最适合的应用灰度共生矩阵建立区域将由前一个光流计算。此外,从生成的光流矢量,实现航向角估计,这估计是进一步窒息使用移动中值滤波器(MMF)为了消除离群值存在的估计。估计性能进行了使用平均绝对偏差(MAE)和比较结果从该技术评估结果使用修改的光流矢量场。
2。灰度级同现矩阵
灰度级同现矩阵是一种技术在纹理特征提取
14 ]。一般来说,纹理的图像显示了一个重复的模式局部强度的变化。它提供的信息在空间安排一个图像的颜色和强度,强度水平的空间分布特征。GLCM实现基于统计方法,纹理是操纵的定量测量强度的安排在一个地区。各种工作已经完成,应用灰度共生矩阵建立的好处,比如在
15 - - - - - -
18 ]。
应用灰度共生矩阵建立具体来说,被定义为制表的发生频率有关的不同组合在图像像素强度值。在这种方法中,已考虑两像素之间的关系叫做参考和邻居像素。这种关系的形式显示在同现矩阵。把它变成一个方程,它可以被描述为
(1)
P
d
(
我
,
j
]
=
n
我
j
。
在这里,
n
我
j
来标示的数量出现的像素值吗
(
我
,
j
)
拥有在长度
d
的形象。发生矩阵
P
d
有尺寸
n
×
n
,在那里
n
是表示图像中灰色的水平。灰色的水平下的指定图像量化。的元素
P
d
然后规范化使用以下方程:
(2)
N
(
我
,
j
]
=
P
(
我
,
j
]
∑
我
=
1
n
∑
j
=
1
n
P
(
我
,
j
]
。
通过正常化,元素的矩阵
P
d
有一个值在0和1之间,它允许操纵作为概率的函数。
应用灰度共生矩阵建立通过,纹理属性可以被捕捉到。使用同现矩阵,特征向量可以以几种不同的方式提取。本文对比被选中在提取特征向量。对比是衡量当地的变化出现在一个图像,表示为
(3)
C
(
k
,
n
)
=
∑
我
=
1
n
∑
j
=
1
n
(
我
- - - - - -
j
)
2
N
(
我
,
j
]
。
3所示。光流
光流技术是常用的运动检测和估计。光流方程推导出基于亮度保持不变的假设在整个图像序列表示为
(4)
我
x
u
+
我
y
v
+
我
t
=
0
。
在这里
我
x
,
我
y
,
我
t
被指示为时空梯度,可以从图像序列估计。与此同时
u
,
v
被指示为光流矢量,它们是未知数。由于光学流动方程可以获得从只有一个像素,因此,这些未知数无法直接解决。关于这个问题,提出了几种方法帮助找到一个解决方案的未知数。本文的方法已经被选择Horn-Schunck方法(
19 ]。
在Horn-Schunck方法中,为了解决这些未知数,介绍了优化约束和假设
(A1)
运动在附近像素保持不变;
(A2)
光流不同顺利。
优化约束定义为
(5)
E
t
=
(
我
x
u
+
我
y
v
+
我
t
)
2
+
ζ
(
u
x
2
+
u
y
2
+
v
x
2
+
v
y
2
)
,
ζ
>
0
。
在这里,
ζ
是一个权重因子,
u
x
,
u
y
,
v
x
,
v
y
偏导数的光学组件
u
和
v
。此外,计算
我
x
,
我
y
,
我
t
实现使用以下方程:
(6)
我
x
≈
1
4
{
我
(
n
1
+
1
,
n
2
,
k
)
- - - - - -
我
(
n
1
,
n
2
,
k
)
+
我
(
n
1
+
1
,
n
2
+
1
,
k
)
- - - - - -
我
(
n
1
,
n
2
+
1
,
k
)
+
我
(
n
1
+
1
,
n
2
,
k
+
1
)
- - - - - -
我
(
n
1
,
n
2
,
k
+
1
)
+
我
(
n
1
+
1
,
n
2
+
1
,
k
+
1
)
- - - - - -
我
(
n
1
,
n
2
+
1
,
k
+
1
)
}
,
我
y
≈
1
4
{
我
(
n
1
,
n
2
+
1
,
k
)
- - - - - -
我
(
n
1
,
n
2
,
k
)
+
我
(
n
1
+
1
,
n
2
+
1
,
k
)
- - - - - -
我
(
n
1
+
1
,
n
2
,
k
)
+
我
(
n
1
,
n
2
+
1
,
k
+
1
)
- - - - - -
我
(
n
1
,
n
2
,
k
+
1
)
+
我
(
n
1
+
1
,
n
2
+
1
,
k
+
1
)
- - - - - -
我
(
n
1
+
1
,
n
2
,
k
+
1
)
}
,
我
t
≈
1
4
{
我
(
n
1
,
n
2
,
k
+
1
)
- - - - - -
我
(
n
1
,
n
2
,
k
)
+
我
(
n
1
+
1
,
n
2
,
k
+
1
)
- - - - - -
我
(
n
1
+
1
,
n
2
,
k
)
+
我
(
n
1
,
n
2
+
1
,
k
+
1
)
- - - - - -
我
(
n
1
,
n
2
+
1
,
k
)
+
我
(
n
1
+
1
,
n
2
+
1
,
k
+
1
)
- - - - - -
我
(
n
1
+
1
,
n
2
+
1
,
k
)
}
。
偏导数的光学组件
u
和
v
,它可以计算从4-adjacent位置到位置
(
我
,
j
)
。因此,
(7)
u
x
2
+
u
y
2
+
v
x
2
+
v
y
2
=
1
4
(
{
u
(
我
,
j
)
- - - - - -
u
(
我
- - - - - -
1
,
j
)
}
2
+
{
u
(
我
+
1
,
j
)
- - - - - -
u
(
我
,
j
)
}
2
+
{
u
(
我
,
j
+
1
)
- - - - - -
u
(
我
,
j
)
}
2
+
{
u
(
我
,
j
)
- - - - - -
u
(
我
,
j
- - - - - -
1
)
}
2
+
{
v
(
我
,
j
)
- - - - - -
v
(
我
- - - - - -
1
,
j
)
}
2
+
{
v
(
我
+
1
,
j
)
- - - - - -
v
(
我
,
j
)
}
2
+
{
v
(
我
,
j
+
1
)
- - - - - -
v
(
我
,
j
)
}
2
+
{
v
(
我
,
j
)
- - - - - -
v
(
我
,
j
- - - - - -
1
)
}
2
]
。
此外,通过差异化和最小化(
5 )/
u
和
v
在位置
(
我
,
j
)
方程可以写成
(8)
∂
E
t
∂
u
(
我
,
j
)
=
2
(
u
(
我
,
j
)
·
我
x
(
我
,
j
)
+
v
(
我
,
j
)
·
我
y
(
我
,
j
)
+
我
t
(
我
,
j
)
)
×
我
x
(
我
,
j
)
+
2
ζ
(
u
(
我
,
j
)
- - - - - -
u
- - - - - -
(
我
,
j
)
)
=
0
,
∂
E
t
∂
v
(
我
,
j
)
=
2
(
u
(
我
,
j
)
·
我
x
(
我
,
j
)
+
v
(
我
,
j
)
·
我
y
(
我
,
j
)
+
我
t
(
我
,
j
)
)
×
我
y
(
我
,
j
)
+
2
ζ
(
v
(
我
,
j
)
- - - - - -
v
- - - - - -
(
我
,
j
)
)
=
0
。
在这里,
(9)
u
- - - - - -
(
我
,
j
)
=
1
4
(
u
(
我
- - - - - -
1
,
j
)
+
u
(
我
+
1
,
j
)
+
u
(
我
,
j
+
1
)
+
u
(
我
,
j
- - - - - -
1
)
)
,
v
- - - - - -
(
我
,
j
)
=
1
4
(
v
(
我
- - - - - -
1
,
j
)
+
v
(
我
+
1
,
j
)
+
v
(
我
,
j
+
1
)
+
v
(
我
,
j
- - - - - -
1
)
)
。
从(
8 ),未知
u
(
我
,
j
)
和
v
(
我
,
j
)
。之间的关系
u
- - - - - -
(
我
,
j
)
,
v
- - - - - -
(
我
,
j
)
,
u
(
我
,
j
)
,
v
(
我
,
j
)
可以观察到。因此,迭代计划可以在此基础上构造的关系,见以下方程:
(10)
u
n
+
1
=
u
- - - - - -
n
- - - - - -
我
x
·
我
x
u
- - - - - -
n
+
我
y
v
- - - - - -
n
+
我
t
ζ
2
+
(
我
x
)
2
+
(
我
y
)
2
,
v
n
+
1
=
v
- - - - - -
n
- - - - - -
我
y
·
我
x
u
- - - - - -
n
+
我
y
v
- - - - - -
n
+
我
t
ζ
2
+
(
我
x
)
2
+
(
我
y
)
2
。
在(
10 ),
n
被描述为迭代步骤,然后呢
u
- - - - - -
,
v
- - - - - -
被描述为附近的流矢量意味着什么
u
,
v
,分别。
4所示。航向角估计的策略
在这项研究中,一个静态的环境中被选中作为一个实验的场景。一个相机在水平平面上从左到右移,如图
1 。
图1
在静态环境中从左到右相机运动。
![]()
使用这个相机,捕捉视频,图像序列提取。提取图像的分辨率
320年
×
176年
像素。在初始阶段,所有图像转换为灰度图格式,然后调整大小
99年
×
99年
像素。每个转换图像分为九个苍老师。应用灰度共生矩阵建立以来,图像的强度需要扩展到一些灰色的水平。在这项研究中,图像已经扩展到八灰色的水平。在每一个苍老师,应用灰度共生矩阵建立的生成,并提取特征向量使用对比标准。通过计算特征向量,选择一个合适的苍老师。
在下一阶段,光流场矢量是使用Horn-Schunck生成方法。矢量操作使用,每个流是水平和垂直分量的解耦。每个解耦矢量求和对于实现水平和垂直轴,和角度评估计算。MMF应用获得平滑估计的角度。
为了评估估计性能,使用的评价标准是平均绝对误差(MAE)。选择的标准是由于美更健壮的异常值,相比其他流行的方法如均方根误差(RMSE) (
20. ]。为此,估计从该方法收集与实际值相比,180°。美被定义如下:
(11)
美
=
1
米
∑
我
=
1
米
|
e
我
|
,
在哪里
(12)
e
我
=
f
我
- - - - - -
y
我
。
在这里,
f
我
评估价值和吗
y
我
是真正的价值。
5。结果与讨论
在这个实验中,十所捕获的图像移动相机在每一秒。一百张图片已经被捕。平均处理时间,从图像预处理,直到角估计是0.02秒。这是平均值的基础上计算一百年时间来处理图像。这个处理时间远小于0.1秒的图像采样时间。应用灰度共生矩阵建立使用和特征向量提取对比的基础上,选择了苍老师为每个图像。选定的例子葵图所示
2 和
3 。
图2
图像
t
=
5.6
年代。
![]()
图3
选择葵的形象
t
=
5.6
年代。
![]()
苍老师的选择,计算特征向量的值,中值被选中。使用中值决定的原因是因为,灰度共生矩阵操作和对比后,同现矩阵的对角价值等于零,这意味着相似的灰度级值,出现下一个,被排除在外。也明白,高对比度值效应造成的大对比权重。这显示灰度级上大偏差值发生下。在该测试中,图像对比度变化以及摄像机的运动。这是由于图像纹理的变化,环境的变化影响的结构。因此,苍老师,应用灰度共生矩阵建立显示生成的值之间的中值的选择和对比。然而,假设下的决定,在选定的苍老的对比没有显著的对比差异的时间。
由于使用选定的AOI、计算光流场如图
4 。
图4
使用选定的苍老师在光流矢量场
t
=
5.6
年代。
![]()
此外,出于比较目的,光流场使用一个图像创建没有葵如图
5 。
图5
使用图像光流矢量场没有苍老师
t
=
5.6
年代。
![]()
在图
5 ,存在向量的方向分布。它也观察到向量的大小是太小了。这些类型的向量称为误导向量和无关的向量,分别。误导向量可能导致大的估计错误,因为它是与一个真正的运动。这些向量存在的原因是由于亮度恒定的假设,在一个真实的情况,这是不容易维护,特别是在户外环境。另一方面,无关向量显示几乎很小或没有检测到运动向量的位置。这是由于图像纹理在这个位置,这是保持不变。因此,通过该方法,改进光流代发现。
利用这些结果,航向角估计是发现。数据的估计结果
6 和
7 相应地,。
图6
使用该方法角度估计。
![]()
图7
角估计不使用该方法。
![]()
从数据
6 和
7 ,它可以注意到方位角估计应用灰度共生矩阵建立了应用时给出了一个改进。应用灰度共生矩阵建立没有,如图
7 随着时间的推移,估计波动,极其巨大的峰值发生,导致可怜的估计。因此,应用灰度共生矩阵建立通过方法,观察到显著减少振荡使估计结果改善。
相关的估计性能,表
1 显示了结果的评估进行了使用标准中提到的部分
4 。
表1
绩效评估使用平均绝对误差(MAE)。
方法
平均绝对误差(程度)
没有苍老师
40.9
与苍老师
32.5
从表
1 航向角估计的评价结果,应用灰度共生矩阵建立了更好的性能。应用灰度共生矩阵建立美结果没有显示大偏差估计与实际值之间存在。因为计算的绝对误差是来自数字大振荡以及平庸但快速振荡,如图
7 。另一方面,应用灰度共生矩阵建立提出的美值较小。这个小美价值是由于估计结果图
6 显示大偏差估计和实际值之间发生在一开始,和偏差变小的评估变得稳定,达到实际价值。因此,大多数错误,导致美来自大变化估计与实际值之间的实验。
此外,应用灰度共生矩阵建立评估结果没有图
7 表明,振荡发生频繁导致困难识别视觉系统的航向角。这个问题可以解决应用灰度共生矩阵建立当我们提出方法的应用。
6。结论
本文提出的方法的有效性在估算航向角的视觉系统。每个捕获映像被分为九个苍老师,应用灰度共生矩阵建立和对比被用来提取特征向量,以确定最合适的地区,可用于评估目的。光流计算使用Horn-Schunck方法已被用来作为依据提取所需信息。使用生成的光流,估计角已经实现并使用MMF窒息。结果表明,改善估计相比,观察到一个角度估计基于光流。通过该方法,无价的信息可以获得系统的当前状态。
确认
作者承认的高等教育马来西亚,马来西亚Kebangsaan大学,马来西亚Teknikal大学马六甲的赞助这项研究。
[
]1
首歌
一个。
吴
J。
秦
G。
黄
W。
小说self-decoupled四自由度手腕力/力矩传感器
测量
2007年
40
9 - 10
883年
891年
2 - s2.0 - 34848875102
10.1016 / j.measurement.2006.11.018
[
]2
首歌
G。
元
H。
唐
Y。
首歌
Q。
通用电气
Y。
一种新型三轴力传感器掷铅球运动员的高级培训
传感器和执行器
2006年
128年
1
60
65年
2 - s2.0 - 33645166015
10.1016 / j.sna.2006.01.016
[
]3
吴
J。
首歌
Z。
吴
W。
首歌
一个。
Constantinescu
D。
图像轮廓显示vibro-tactile系统
《IEEE虚拟现实创新国际研讨会(ISVRI 11)
2011年3月
145年
150年
2 - s2.0 - 79957640144
10.1109 / ISVRI.2011.5759619
[
]4
Palacin
J。
Valganon
我。
佩尼亚
R。
室内移动机器人测程法测量的光电鼠标
传感器和执行器
2006年
126年
1
141年
147年
2 - s2.0 - 31044456026
10.1016 / j.sna.2005.09.015
[
]5
Tresanchez
M。
Palleja
T。
Teixido
M。
Palacin
J。
光学鼠标传感器作为增量式旋转编码器
传感器和执行器
2009年
155年
1
73年
81年
[
]6
Tresanchez
M。
Palleja
T。
Teixido
M。
Palacin
J。
使用光学鼠标传感器的图像采集功能建立一个绝对旋转编码器
传感器和执行器
2010年
157年
1
161年
167年
[
]7
Labrosse
F。
短期和长期视觉导航使用扭曲的全景图像
机器人和自治系统
2007年
55
9
675年
684年
2 - s2.0 - 34548050860
10.1016 / j.robot.2007.05.004
[
]8
哈维尔·特拉弗
V。
贝纳迪诺
一个。
回顾log-polar成像在机器人视觉感知
机器人和自治系统
2010年
58
4
378年
398年
2 - s2.0 - 77249143310
10.1016 / j.robot.2009.10.002
[
]9
Kronfeld
M。
维斯
C。
泽尔
一个。
Swarm-supported户外用稀疏的视觉数据本地化
机器人和自治系统
2010年
58
2
166年
173年
2 - s2.0 - 75149160395
10.1016 / j.robot.2009.09.012
[
]10
Souhila
K。
卡里姆
一个。
基于光流机器人避障
国际先进的机器人系统杂志》上
2007年
4
1
13
16
2 - s2.0 - 34147132761
[
]11
王
l
李
H。
哈特利
R。
基于视频本地模式的图像匹配视觉映射
2
18学报》国际会议模式识别(ICPR 06年)
2006年
67年
70年
[
]12
Medioni
G。
弗朗索瓦
a . r . J。
西迪基
M。
金
K。
尹
H。
强劲的个人服务机器人实时视觉
计算机视觉和图像理解
2007年
108年
1 - 2
196年
203年
[
]13
Haralick
r·M。
Shanmugam
K。
汀斯坦
我。
纹理特征的图像分类
IEEE系统,人与控制论
1973年
3
6
610年
621年
2 - s2.0 - 0015680481
[
]14
Bino塞巴斯蒂安
V。
Unnikrishnan
一个。
巴拉科瑞斯南
K。
灰度共生矩阵:概括和一些新特性
国际期刊的计算机科学、工程和信息技术
2012年
2
2
151年
157年
[
]15
Padmavasavi
K。
库马尔
n . U。
饶
e . v . K。
Madhavilatha
M。
绩效评估应用灰度共生矩阵建立自适应统计使用的基于阈值的边缘检测的小波域噪声条件下
图形,视觉上ICGST国际期刊和图像处理(GVIP)
2010年
10
3
35
44
[
]16
Mokji
M . M。
Bakar
s . A . r . s .。
基于共生矩阵的自适应阈值边缘信息
电脑杂志
2007年
2
8
44
52
[
]17
Ghazali
k . H。
穆斯塔法
M . M。
侯赛因
一个。
工程
F。
机器视觉系统自动除草策略使用图像处理技术
American-Eurasian农业和环境科学》杂志上
2008年
3
3
451年
458年
[
]18
车道
C。
Burguete
r . L。
Shterenlikht
一个。
客观标准的选择一个最佳的DIC模式和子集的大小
学报》第11届国际大会在实验和应用力学和展览
2008年6月
900年
908年
2 - s2.0 - 57649222227
[
]19
角
b . k . P。
Schunck
b G。
确定光学流
人工智能
1981年
17
1 - 3
185年
203年
[
]20.
Hyndman
r . J。
克勒
答:B。
另一个看看预测精度的措施
国际期刊的预测
2006年
22
4
679年
688年
2 - s2.0 - 33749517168
10.1016 / j.ijforecast.2006.03.001