对象提取杂乱的环境中通过P300-Based IFCE

文摘

机器人导航的基本问题之一就是从图像中提取感兴趣的对象。提取感兴趣的对象面临的最大挑战是如何使用一台机器人类感兴趣的对象模型和提取它们在不同光照条件下快速、可靠。本文开发一种新的方法分段在嘈杂的环境中感兴趣的对象结合P300-based大脑计算机接口(BCI)和一种改进的模糊颜色提取器(IFCE)。诱导P300电位确定相应的地区利益和IFCE获得感兴趣的目标。分类结果不仅代表着人类思维,还提供相关的种子像素和模糊参数提取人类感兴趣的特定对象。然后,IFCE用于提取对应的对象。结果表明,IFCE提供更好的性能比BP网络或传统的FCE考试。使用P300-based IFCE提供了一个可靠的解决方案来协助计算机识别感兴趣的物体在不同光照强度下拍摄的图像。

1。介绍

主要颜色分割的任务之一就是从图像中提取感兴趣的对象(地区),由于各种应用的应用程序依赖于提取的物体的质量。在过去的几年中,许多研究人员已经使用颜色分割算法提取感兴趣的区域,但现有的算法的鲁棒性低照度变化在凌乱的环境中仍然是有问题的。例如,Felzenszwalb和Huttenlocher定义谓词用于测量两个区域之间的边界的证据使用的基于表示彩色图像。发达算法构造图的边界通过比较两个组件之间的差异和他们的内部差异,分别计算最小生成树(MST)和基于绝对强度不同的边的权值或所有三个(红、绿、蓝色)的彩色平面分割彩色图像(1]。多尼和Wesolkowski介绍了彩色图像的边缘检测方法,基于向量夹角的计算两个相邻像素。检测方法只适用于彩色的差异,应用程序在不同的照明是无关紧要的2]。史,graph-partitioning马利克对彩色图像分割问题,提出了一个全球标准,也就是说,规范化,对图像的分割。normalized-cut标准措施总不同群体之间的不同以及组内的总相似。然后,他们使用计算方法优化这一标准基于广义特征值的技术(3]。马利克等人轮廓和纹理分析用于彩色图像分割。他们提供了一个算法对灰度图像分割成不相交的区域的亮度和纹理。轮廓和纹理差异的线索同时被利用。然后,他们介绍了闸门运营商基于texturedness附近的一个像素,促进了信号的组合。最后,spectral-graph削减规范化的理论框架是用于查找图像分区的连贯的质感和亮度(地区4]。Albalooshi和Asari提出一个自组织晶格玻尔兹曼活动轮廓分割(SOLBAC)方法,同时保留的精确的细节感兴趣的对象的地区。尽管方法提高了计算时间成本,计算机不能有效地识别感兴趣的对象(5]。在心理学的对象和模式识别、啤酒和威廉姆斯认为模式或对象识别的过程大脑识别光,形状和颜色作为特定对象或模式。这是“分配意义视觉输入的过程通过识别视野中的对象。“这种能力结合知觉、注意力和记忆(6]。因此,也很难确定任意对象只依赖机器理解,即使它看起来简单的人类,因为识别过程是如此复杂。

一般分割算法通常处理整个图像而不是感兴趣的区域(7]。然而,这些分割算法受计算时间太长,以满足实时要求,因为一些不感兴趣的部分处理时将算法应用于建立robot-tracking系统。对于机器人的操作,只有感兴趣的区域的分割实现机器人实时任务应是优先考虑的事情。例如,对象感兴趣的目标,机器人,门,等等,在本届8]。两个机器人之间的比赛团队,使用快速和可靠的算法提取这些对象是赢得比赛的关键一步。流行的算法提出了这个目标大多是基于颜色的分割和几何图像处理方法(9]。其中,最常用的HSV颜色空间(10),最常用的几何图像处理工具是圆的霍夫变换检测(11,12]。此外,考夫曼等人提出了视觉robot-detection技术训练有素的垂直和水平的颜色直方图和其他功能使用两个BP网络,结合两种神经网络的输出决定最终的分类(13]。杂乱的环境中提取感兴趣的对象的不同和不同光照明下的机器人导航或操作,算法的鲁棒性和快速的处理时间是至关重要的。

在本文中,我们提出一个方法,分段区域(对象)感兴趣的颜色相似度通过P300-based IFCE。首先,我们设计一个3 x3的P300范式刺激目标,也就是说,有趣话题的候选人,包括相应的模糊参数和种子像素。对象一个感兴趣的主题关注标识,而P300刺激闪烁。第二,可靠地提取感兴趣的对象,所提出的IFCE处理每个像素基于检测到的两个向量之间的夹角检测像素种子像素的RGB空间坐标。向量的长度对应像素光照强度和方向对应的颜色。比其他色摘IFCE更加健壮的算法因为像素光照强度和颜色分别代表。该算法提取感兴趣的物体迅速从相应的种子像素和模糊参数是预先确定的培训过程。最后,我们进行了比较研究该算法的BP网络和传统的FCE考试。结果表明,拟议中的P300-IFCE方法对感兴趣的区域分割非常健壮。本研究不仅有利于患者严重的运动障碍,但也作为一种辅助手段,健全的人协助,当两只手很忙,例如,我们目前的项目控制的水下机械手通过脑电波(14]。在这个应用程序中,操作员使用P300范式控制水下机械手,在运营商的双手是用来操作水下航行器运动。

本研究的动机正试图解决以下问题:首先,在嘈杂的环境中有效地提取感兴趣的对象通常患有以下:怎样用计算机模型对象像人类理解,如何从嘈杂的环境中提取感兴趣的对象在不同的光照条件下。为了解决这两个问题,我们提出的方法对象提取通过P300-based IFCE。P300范式是用来识别一个物体感兴趣的机器人导航来简化复杂的过程识别对象的使用电脑。虽然P300范式不能直接代表运营商的心灵,它间接映射操作员心理活动为他/她的意图识别机器应提取的对象,而IFCE算子用于处理不同光照条件改善的质量中提取感兴趣的对象。第二,开发一个智能机器人系统的趋势是试图把人类和机器智能。本文研究将试图融合脑波,间接或直接代表人类的意图,和模糊基于逻辑IFCE运营商,这是一个典型的计算算法,来提高性能的对象在嘈杂的环境中提取。心理学心理活动通过大脑信号可能不需要一个复杂的计算过程,但目前很难对工程师使用的结论从心理学研究实施过程不知道里面的原则。最后,本研究将特别有利于严重运动障碍;他们无法表达自己的思想通过键盘,鼠标,甚至说一个字。在这种情况下,P300范式,作为一种辅助工具,建立好辩的交流为他们选择一个感兴趣的对象,以表达他们的心理活动。 By analysing the P300 components from their brain signals, the machine can identify which objects of interest should be extracted with help of the IFCE algorithm.

到目前为止,大部分的BRI方法主要集中在低水平通过大脑信号控制机器人系统(15- - - - - -21]。例如,工作(22,23)使用四个或六个视觉刺激设计SSVEP或ERP模式控制仿人机器人的步行行为。相反,本文中的研究应用P300范式BRI系统在高级别上帮助感兴趣的计算机表达一个物体,一个人类的理解。介绍后,部分2详细描述了IFCE以及如何使用它来提取一个对象。部分3介绍了P300-based seed-pixel选择,其中包括建立一个P300模型,获取数据和分析信号,保证种子像素代表感兴趣的对象。部分4提出了一些杂乱的环境和实验比较了P300-based IFCE与另外两个算法验证的健壮性和效率提出P300-based IFCE方法。另外,最后一节吸引了一些结论,并提出了未来工作的一些想法。

2。改进的模糊颜色提取器

模糊颜色提取器(FCE)第一次被提出作为一个迭代Fuzzy-Segmentation (IFS)算法由Li [24]。他IFS应用于提取化学羽毛的颜色组件和它的气味来源识别气味源的视觉确认(25]。模糊颜色器可以直接提取化学柱及其源通过定义它们的颜色模式。然而,颜色模式在RGB空间中定义的组件和R, G, B由于不同光照强度的变化。一旦光照强度变化,颜色应该是调整模式。摘要传统FCE考试修改通过定义一个新的颜色模式来改善其不同光照强度下的鲁棒性。,新颜色模式被定义为两个像素的向量的夹角在RGB空间坐标,然后取代了R, G, B值作为输入的传统FCE考试。基于新定义的颜色模式中,一个像素划分为属于或不属于目标模糊化和去模糊化之后。IFCE将详细解释如下。

2.1。颜色模式定义

传统上,描述图像的RGB颜色空间,颜色由红,绿,蓝的组件在一个正交笛卡尔坐标系,如图1。每个像素的颜色 ,用处理,分离其红、绿、蓝组件( )[7]。例如,区分两种不同的像素 和 三个变量必须计算,提出了(1)。本文提出了一个新的颜色模式压缩这三个变量为一个变量。首先,每个像素在RGB空间被认为是一个三维向量从原始像素点,由点如图所示和在图1。向量的长度代表了光照强度时的方向向量代表的颜色。因此,照明强度和一个像素的颜色分解的表示方法能够适应光照条件的变化。压缩的单一变量被描述为(2), 代表两个像素之间的差异和。在新的颜色模式中,两个向量的夹角取代了三距离的RGB值,从而降低光照强度变化的影响: 在哪里 , , , ,和包含图像的显示数组的大小。

2.2。模糊规则

在这里,我们应用下列模糊规则来处理输入 :如果 是零,然后 和 是匹配的。如果 是正面的还是负面的,然后 和 是无与伦比的。

事实上, 通常对应于一个种子像素,可以代表一个对象中提取。因此,意味着“匹配” 与种子像素匹配。两个规则表明,像素 属于对象提取的夹角 和种子像素的RGB坐标系统是足够小;否则, 不属于对象。

2.3。模糊化和去模糊化

当我们获得的角度 会员可以计算。图2(一个)显示了隶属度函数( )输入模糊变量(负的,零,和积极的)所定义的 图2 (b)显示了隶属度函数( )为输出的模糊变量(匹配,无与伦比的)定义的 在哪里 。基于隶属度函数的角度 ,模糊规则产生匹配的重量和无与伦比的重量根据 图2 (b)显示地区产生的输出域的情况下和减少和。脆的输出值,,由centroid-defuzzification计算方法,如所示 在哪里代表的包络函数减少的地区和在模糊输出域。如果 ,在那里是一个阈值, 提取;否则, 不是提取。IFCE可以被理解为一个映射操作符之间的角度 在RGB空间和区别强度的模糊度量空间。

2.4。次区域代和对象提取

给定一个种子像素,相似的像素在一个图像中提取“匹配”。然而,提取的像素可能包括一些离散点。不仅对象本身,而且一些噪声提取。通常情况下,噪声是随机分布的离散和,所以必须采取一些措施忽略它。与此同时,像素属于一些条件需要合并在一起,以便提取整个对象。

在这里,我们使用一种技术,与传统的基于区域增长的方法不同(26生成条件。次区域生成,如图3,发生一起“匹配”的过程。首先,第一个种子像素代表对象从刺激引起的目标获得P300的潜力。第二,种子像素之间的角度和图像中每一个像素计算最小角是选为起始像素。第三,我们使用了IFCE确定“匹配”像素在一个基于模式的子图象,如图3 (c)。当所有的“匹配”基于种子像素像素确定在次区域,次区域提取完成。然后,选择一个新的像素最小角从剩下的像素和重复上述过程提取下一个亚区。提取过程一直持续到(7)是不满意或不“匹配”像素邻区: 在哪里代表了R, G, B值和预设的阈值是基于经验。 计算一个像素之间的距离和种子像素的RGB空间。方程保证像素提取是种子像素附近为了提取像素的颜色是类似于种子像素。不过,这基于不同颜色阈值可能会改变,但不是图片。阈值保持不变的对象相似的颜色。

最后,几个条件。在本文中,假设的次区域像素是最多的对象。像素的提取过程中,可能会有一些坏像素属于不提取次区域的对象,因为光的反射。因此,我们填写的像素丢失对象。当unextracted像素提取两个像素的数量小于给定的阈值,unextracted像素应当被视为对象,提取的一部分。这个过程是在每一个行和列执行。因此,只表示对象提取的次区域。

3所示。种子像素和模糊参数

提出了一种从杂乱的图像对象提取方法,结合了P300范式和IFCE。正如大多数对象识别方法(27,28),该方法包括离线和在线阶段。离线阶段是建立一个数据集的参数IFCE杂乱的图像中的对象,包括种子像素和模糊参数,而在线阶段是使用P300范式选择感兴趣的对象,也就是说,选择相应的参数IFCE-based对象数据集的提取过程。

图4显示P300-based对象参数的选择过程。在这个过程中,利益主体首先专注于一个对象所代表的P300视觉刺激。然后,他/她大脑信号通过脑电图装置进行了分析和分类选择感兴趣的参数对象的数据集。最后,相应的参数传递给IFCE提取对象的主题聚焦。流程的详细说明解决在以下段落。

3.1。P300范式

在各种脑电图模型中,P300的优点有多个目标,精度高,训练时间短。因此,我们设计了一个3×3 P300拼字的用户界面,如图5感兴趣的,代表一个对象包含种子像素的rgb值信息和模糊参数。一旦目标,也就是说,感兴趣的对象,被选中时,相应的参数传递给了IFCE提取对象在一个图像。因此,P300的精度和实时性能模型可以直接影响IFCE的性能。在本文中,我们需要7目标和储备2额外的目标扩大种子像素的数量。

P300实验包括离线训练和在线实验。离线训练用于训练分类器的在线实验。P300实验,分别重复由闪烁的六行和列一一分之一随机顺序。行或列的演讲时间是200 ms, interstimulus区间(ISI) (29日]是300 ms;因此一个显示周期(一个重复)是1.8秒。一个闪烁每一行和每一列重复一次,和每一个目标闪烁两次。大量的重复构成审判的,主题是要求只专注于一个目标。每个目标由6离线训练过程中的重复和3重复在线实验。在本文中,每个目标闪烁6次(即3试验)在P300模型输出结果。主题是建议目标提出了数倍(30.]。图6显示了时间序列的离线试验、在线试验,一个重复,一个闪光灯。

脑电图信号记录8受试者参与6会话的P300-model测试,包括3离线和在线实验。收购了神经信号放大,预处理的模拟低通滤波器50赫兹,和数字化采样频率为1000赫兹。标准的脑电图帽30通道用于收购脑电图信号。

3.2。信号分析

信号分析包括预处理、特征提取和分类。在预处理,数字带通滤波器的带宽0.1到30 Hz过滤数据段从刺激出现持续800毫秒。然后,我们选定的数据从50毫秒到800 ms去除平均组件。最后,减少50倍频后的数据被用来形成特征向量。30在特征提取中,数据通道被连接在一起的头尾。因此,目标的特征向量和不属预定目标的。分类中,我们使用一个Fisher线性判别分析(FLDA)作为我们的分类器。两类目标和不属预定目标的标有标签1和−1,分别。FLDA分类器在线实验使用离线数据的分类器训练。

3.3。Seed-Pixel和Fuzzy-Parameter选择

seed-pixel数据集包括每个像素的RGB值和相应的模糊参数,如表所示1。O1和O7表示七个对象在混乱的环境中,对应于第一个七刺激P300模型。RGB值获得的原始图像,一个相机。为每个组的R, G, B值,一个像素属于对象是随机抽取的,除了一些反光的像素。其余的参数表1得到的结果显示模糊训练过程基于经验。一旦选定一个目标的七个,对应的参数将被交付给IFCE和感兴趣的对象提取。

因此,这个话题可以从一组预定义的选择一个种子像素像素直接确定不同的目标。不仅种子像素,而且模糊参数进行了优化选择,因为他们都是pretrained之前的实验。自从seed-pixel选择简单,seed-pixel决心大大减少计算时间和提高系统的实时性能。

4所示。实验和结果

4.1。P300-Based评价模型

P300-based模型的评价包括两个部分:离线训练和在线实验。在离线训练过程中,获得的数据处理和分类在前一节中所述用于火车FLDA分类器不同的科目。在网上的实验中,我们应用FLDA分类器识别目标和实时为受试者提供反馈。

八个主题(七右撇子,一个左撇子)与正常视力自愿接受实验。收集到的神经信号分为FLDA分类器的训练和测试数据。客观地评价P300-based模型,获得的数据是随机选择火车FLDA分类器,然后剩下的数据作为测试数据测试FLDA分类器。评估过程重复训练和测试的过程FLDA分类器6次。表2列表分类结果的准确率为每个时间和科目。

离线训练后,在网上的实验中,最高的FLDA分类器精度从6评估每个科目的选择。然而,在线实验,我们最终分类结果后,根据3重复投票。以上两票的目标将被选为最终目标。同样的,表3列表的分类结果的准确率为每一次一个主题在网络实验。我们进行了在线实验3次,每次实验包括9目标2周期。然后,每个实验的准确率进行了总结。

通过分析评价结果,我们发现离线和在线实验的准确率高于95%。此外,一些主题,尽管没有经验与P300-based模型,可以达到100%的准确率。结果表明P300-based模型非常适合seed-pixel选择。

4.2。利益分割的对象

为了演示IFCE的优点,我们对比使用BP网络分割结果,传统的FCE考试,和IFCE。对象识别的结果将在接下来的部分。

数据7(一)和7 (b)显示两个原始图像采取NAO机器人(31日相机设置为解决的) 像素。图片中所示的对象都是基于相机本身的材料。然而,图像并不依赖于相机所以任何相机的财产,可以把颜色图片应该工作。图片显示一个普通的日常生活场景和光照强度变化从清晨的阳光和灯光在深夜。颜色阈值方法(32)不能用于从图像分割对象,因为有太多的颜色在图像。因此,本文运用BP网络(13)和传统的FCE考试部分图像为了与IFCE对比结果。数据8和9显示7对象获得的分割结果使用BP网络,FCE考试和IFCE。此外,BP网络和FCE考试也用subregion-generation方法在分割的过程中。

当照明条件与阳光清晨,结果如图8(一),8(d)8(g)表明,BP网络与明亮的颜色FCE考试工作并取得了良好的性能。对于一些黑暗的颜色,数字8(b)和8(e)表明,BP网络和FCE考试基本上提取对象,但是对象的细节并没有透露,一些噪声像素也随着对象中提取。此外,在数据8(c)和8(f),感兴趣的对象完全淹没在噪声。然而,拟议中的IFCE能够成功地提取感兴趣的对象的所有7。当光照强度变化在晚上亮着灯,结果在图9显示IFCE的强鲁棒性,在与BP网络和FCE考试。所示的数字9(一),9(b),9(c),9(e)9(g),提取感兴趣的对象,但这两种方法表现糟糕的演讲的细节和噪声消除。数据9(d)和9(f)显示错误的区域提取感兴趣的对象。请注意,数据8和9共享相同的参数虽然光照强度是不同的。因此,IFCE比BP网络和FCE考试更健壮。对数字8(f)和9的两个参数(f), IFCE变化得到分割结果。总的来说,IFCE能够适应光照强度的变化而调整参数,但BP网络可能需要接受再培训,当光照强度变化。在我们的实验中,我们使用了IFCE分割图像并获得感兴趣的对象。

4.3。讨论

为了说明光照强度的变化,我们比较之间的饱和度和明度7两幅图像中的对象。表4列出了变异率相同的像素在不同光照强度下。如表所示,IFCE能够部分感兴趣的区域saturation-variation利率从9.1%到57.2%不等,lightness-variation利率从4.4%到33.3%不等。因此,IFCE是广泛的自适应光照强度变化。对象的数据8(f)和9(f),不仅造成分割的难度是比较大的光照强度变化也小;因此,重新调整过程仍然需要获得对象。

此外,BP网络的训练过程的参数和IFCE(类似传统的FCE)是不同的。BP网络往往需要多种样本来获得一个好的模型,而IFCE只需要一个像素属于对象来训练模糊参数。因此,BP网络需要提取尽可能多的像素属于对象,为了获得足够的训练样本。感兴趣区域覆盖小面积可能不足以训练BP网络。对任何感兴趣的区域,一个种子像素能够训练模糊参数分割。因此,IFCE有更多潜在的减少人类和计算机的负担。

seed-pixel选择而言,它是图像分割的关键的第一步。本文第一个初始种子像素是手动选择使用鼠标点击感兴趣的对象上的一个像素和相应的模糊参数预置。在离线阶段的设置过程中,其余的种子像素提取该对象会自动确定基于(7)。评估的标准定义良好的性能通过观察对象轮廓尽可能完整和冗余像素尽可能少。seed-pixel这个战略选择过程结合手动选择的初始种子像素和自动确定剩余的种子像素提供更好的性能比只使用手动选择所有的种子像素。P300-based模型直接选择一个种子像素和从一个预先制定相应的模糊参数数据集没有偶然误差的帮助下P300-based模型。此外,大脑信号的引入提供了一种有效手段协助计算机识别的对象感兴趣的人类。

对于任何给定的实验环境,我们分析这些对象在一个图像所需的特定操作任务建立一个数据集的P300范例。在这篇文章中,我们通常选择的对象通常用于机器人导航任务,所以该方法工作只要对象存在于环境因为每个对象即使在不同条件下具有相同的参数。数据集变得未知环境中多个对象时需要提取。

P300范式应用到目标识别的原因在房屋面积如下:首先,它是一个未解决的问题:如何有效地使用机器代表感兴趣的对象,一个人类的理解。像通过脑电波控制机器人运动,应用P300范式是间接地将人类的意图为机器人导航识别感兴趣的对象,这是能够提供丰富的视觉刺激扩大对象感兴趣的在复杂环境中,实现正确识别精度高,因为他们代表人类的意图。第二,视觉刺激的形式直接提出感兴趣的对象,而不是简单的单词或广场,因为感兴趣的对象可能为受试者提供更多的本能理解视觉刺激的信息的意义和帮助对象专注于他们的心理活动33),这精英高质量的P300电位。最后,P300-based IFCE将是第一个试图结合BCI技术与机器视觉,这可能会导致融合人类知识和机器智能。

5。结论

在本文中,我们将以脑波图为基础的P300模型集成到对象提取工艺。对象的提取是一个复杂的过程从心理学的角度,所以它是一个计算机很难理解对象的利益而无需人工干预。因此,本文借助P300-based模型帮助计算机提取感兴趣的对象。,P300-based范式被用来诱导刺激目标代表感兴趣的对象包括其种子像素的图像。一旦通过P300脑信号,获得了种子像素的分割方法使用IFCE处理图像感兴趣的生成条件,形成了从图像中感兴趣的对象。

验证系统的可行性,我们进行了一些实验和比较使用提出的分割方法获得的结果与使用其他方法获得的。八个调查对象参加了P300离线和在线实验,平均准确率达到95%以上。P300接口的每个目标代表一个种子像素包含相应的RGB值和模糊参数的对象。目标锁定了主题后,数据将被转移到IFCE分割。最后,IFCE测试在两个图像在日常生活环境中有不同的光照强度。结果表明,IFCE有更好的性能比BP网络和传统的FCE考试,尤其是对一些对象与黑暗的颜色。此外,没有必要调整的模糊参数IFCE即使在光照强度变化。因此,即使图像变化作为一个整体,该方法仍然有效,只要原始图像中的对象出现在一个新的形象。如果形象出现的一个新对象,获得相应的参数来更新数据集通过短时间的训练过程然后可以用来提取对象。

由于有趣话题提取的鲁棒性和精度,精确的颜色和形状信息可以生动地表现出来,这提供了一个有效的方法来自动识别感兴趣的对象匹配属性与对象通过P300脑信号。一旦发现感兴趣的对象,审计署能够找到一条通向方法对象并进行操作(34]。然而,当前IFCE算法旨在提取对象与“单身”类似的颜色。作为一个非常复杂的对象,我们可以考虑与他人结合颜色信息,如对象的形状和纹理,代表对象。此外,我们尝试设置多个种子像素代表一个对象“多个”通过IFCE相似的颜色来提取它们。然后,这些附近的多个相似的颜色将会合并在一起形成了对象。一般来说,每个对象可能有其特定的颜色不同于其他人,所以使用这些特定的颜色可以很方便的方式来解决这个问题。

我们未来的工作将集中在应用P300范式到机器人视觉因为处理图像获得相机的一个机器人在日常生活中提供了各种各样的应用程序。IFCE P300-based范式结合将使机器人操作更有效和高效的服务在复杂环境中,特别是提供了一种辅助手段对那些无法用双手在某些情况下。此外,这是我们第一次尝试把大脑信号与对象提取算法。在未来,首先我们将开发算法来自动更新数据集任何未经训练的对象出现的时候,其次我们将应用一个优化算法,如遗传算法(GA),来确定初始种子像素和模糊集,而不是手动调整。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

本研究工作是由中国国家自然科学基金批准号下61473207。可是周由中科院几百人才支持计划,深圳,格兰特。JCYJ20151030140325151 KQTD20140630180249366。

引用

1. p . f . Felzenszwalb和d . p . Huttenlocher“高效的基于图像分割,”国际计算机视觉杂志》上卷,59号2、167 - 181年,2004页。视图:出版商的网站|谷歌学术搜索
2. r·多尼和美国Wesolkowski边缘检测使用RGB彩色图像矢量角,”学报工程解决方案,第二年,1999年IEEE加拿大电气和计算机工程会议692年,页687 -埃德蒙顿,加拿大阿尔伯塔省。视图:出版商的网站|谷歌学术搜索
3. j·史和j·马利克规范化削减和图像分割,”IEEE模式分析与机器智能,22卷,不。8,888 - 905年,2000页。视图:出版商的网站|谷歌学术搜索
4. j·马利克,s . Belongie t梁,j .史”为图像分割轮廓和纹理分析,”国际计算机视觉杂志》上,43卷,不。1,7-27,2001页。视图:出版商的网站|谷歌学术搜索
5. f . A . Albalooshi和v . k . Asari”,自组织晶格玻尔兹曼活动轮廓(SOLBAC)方法快速、健壮的对象区域分割,”《IEEE国际会议上图像处理(ICIP 15)魁北克市,页1329 - 1333年,QC,加拿大,2015年9月。视图:出版商的网站|谷歌学术搜索
6. k·布鲁尔和e·威廉姆斯,”心理学的对象和模式识别:一个简短的介绍,“ISBN: 978-1-904542-16-2, 2004。视图:谷歌学术搜索
7. g .赵y, g . Chen等人“一个基于模糊逻辑的颜色分割方法,”国际光学工程学会卷,8739学报学报国防、安全、和感知2013年美国巴尔的摩,马里兰州。视图:出版商的网站|谷歌学术搜索
8. h .北野m .浅田和另外y Kuniyoshi,野田佳彦大泽生,e·h·松原,”“机器人足球世界杯”:人工智能和机器人技术的挑战问题,“人工智能杂志,18卷,不。1,第85 - 73页,1997。视图:谷歌学术搜索
9. j . m .卡纳斯d·普伊格大肠Perdices et al .,“视觉目标检测的标准平台联盟举办的“组合和概率计算,24卷,不。2、1344 - 1349年,2015页。视图:谷歌学术搜索
10. 佐藤y, y Takemura k Azeura et al .,“基于SOM的颜色恒常性算法机器人杯机器人”学报2008年密码学和信息安全研讨会上(2008年者)卷,2008年,页1495 - 1500,宫崎骏,日本。视图:谷歌学术搜索
11. 梁x Y l . i Yong-Xin j . Zhang et al .,”霍夫变换应用于视觉系统举办的。”机械设计与制造,2008年。视图:谷歌学术搜索
12. 完了,m·劳斯和K.-F。Kraiss”,实时自适应颜色分割的中型联盟举办的”“机器人足球世界杯”2004:机器人足球世界杯八世,第409 - 402页,2004年。视图:谷歌学术搜索
13. 美国考夫曼,g . Mayer g . Kraetzschmar g .手掌,“视觉机器人探测机器人杯使用神经网络”“机器人足球世界杯”2004:机器人足球世界杯八世,第273 - 262页,2005年。视图:谷歌学术搜索
14. j·j·张,w . Li,毛x, m·李和g·陈,“运营一个水下机械手通过P300脑电波,”学报2016年23日机电一体化国际会议和机器视觉在实践中(M2VIP),页1 - 5,南京,中国,2016年11月。视图:出版商的网站|谷歌学术搜索
15. c·j·贝尔·谢诺r . Chalodhorn和r . p . n . Rao”控制的仿人机器人的非侵入式脑机接口在人类中,“《神经工程,5卷,不。2、214 - 220年,2008页。视图:出版商的网站|谷歌学术搜索
16. m . j .赵问:孟,w . Li Li f .太阳,和g·陈,“Cerebot OpenViBE-based脑波控制系统”学报2013年IEEE机器人和仿生学国际会议上(ROBIO 13),页1169 - 1174,深圳,中国,2013年12月。视图:出版商的网站|谷歌学术搜索
17. k . Bouyarmane j . Vaillant n .杉f·基斯,我。古河道和j·森本晃司,“脑机接口控制全身运动人形,”神经系统科学第138条,卷。8日,2014年。视图:出版商的网站|谷歌学术搜索
18. b . j . Choi和s h·乔”,一种低成本的EEG脑-机接口系统的混合仿人机器人导航和认可,“《公共科学图书馆•综合》,8卷,不。9篇文章ID e74583 2013。视图:出版商的网站|谷歌学术搜索
19. e . Tidoni p . Gergondet a Kheddar, s m . Aglioti“视听反馈提高了BCI在仿人机器人的导航控制的表现,”Neurorobotics前沿第二十条,卷。8日,2014年。视图:出版商的网站|谷歌学术搜索
20. p . Stawicki f .赌博,Volosyak,“开车半自治移动机器人控制SSVEP-based BCI,”计算智能和神经科学ID 4909685条,卷。2016年,14页,2016。视图:出版商的网站|谷歌学术搜索
21. x毛泽东,m·李,李w . et al .,“因为它使得基于脑电图的进步大脑机器人交互系统,”计算智能和神经科学1742862卷,2017篇文章ID, 25页,2017。视图:出版商的网站|谷歌学术搜索
22. w·m . Li Li j .赵问:孟,m .曾和g·陈,“p300模型cerebot-a受雇人形机器人,”机器人智能技术和应用程序2卷,274先进的智能系统和计算,第502 - 495页,2014年。视图:出版商的网站|谷歌学术搜索
23. j .赵w·李,m·李”SSVEP的比较研究——和P300-based模型的远程呈现人形机器人的控制,”《公共科学图书馆•综合》,10卷,不。11日文章ID e0142168, 2015。视图:出版商的网站|谷歌学术搜索
24. w·李,“迭代模糊分割算法识别气味源在海岸附近的海洋环境中,”学报2007年IEEE机器人与自动化国际研讨会上计算智能(CIRA ' 07)佛罗里达州杰克逊维尔市,页101 - 106,美国2007年6月。视图:出版商的网站|谷歌学术搜索
25. 李x y, Kang y et al .,“识别罗丹明染料羽来源在近岸海洋环境化学和视觉传感器、集成”传感器,13卷,不。3、3776 - 3798年,2013页。视图:出版商的网站|谷歌学术搜索
26. n . a . Mat-Isa m . y . Mashor n . h·奥斯曼,“种子区域生长特征提取算法;其在改善宫颈癌筛查潜在用途,”国际期刊的计算机网络和管理,13卷,2005年。视图:谷歌学术搜索
27. p . f . Felzenszwalb和d . p . Huttenlocher对象识别图形结构,”国际计算机视觉杂志》上,卷61,不。1,55 - 79、2005页。视图:出版商的网站|谷歌学术搜索
28. 张炳扬。Juang L.-T。陈,“移动物体识别shape-based神经模糊网络,”Neurocomputing,卷71,不。13 - 15,2937 - 2949年,2008页。视图:出版商的网站|谷歌学术搜索
29. c . j . Gonsalvez和j . Polich P300幅值是由target-to-target间隔,”心理生理学,39卷,不。3、388 - 396年,2002页。视图:出版商的网站|谷歌学术搜索
30. w·m . Li Li j .赵问:孟,m .曾和g·陈,“p300模型cerebot-a受雇人形机器人,”机器人智能技术和应用程序2卷,274先进的智能系统和计算502年,页495 -施普林格国际出版,2014年。视图:出版商的网站|谷歌学术搜索
31. j . Kulk和j·s·威尔士”,走优化技术评价NAO机器人,”《公共科学图书馆•综合》,7卷,不。6,306 - 311年,2011页。视图:谷歌学术搜索
32. m . Cheriet j . n .说,c . y .孙“递归的阈值图像分割方法,”IEEE图像处理,7卷,不。6,918 - 921年,1998页。视图:出版商的网站|谷歌学术搜索
33. w . m . Li Li和h .周,“通过视觉刺激增加N200势描述仿人机器人的行为,”国际期刊的神经系统,26卷,不。1,文章ID 1550039, 2015。视图:谷歌学术搜索
34. 毛x, h .他和w·李”路径找到一个NAO人形机器人,通过视觉和接近传感器融合”学报》第12届世界大会在智能控制和自动化(WCICA 16)桂林,页2574 - 2579年,中国,2016年6月。视图:出版商的网站|谷歌学术搜索

版权

版权©2017全新课题毛等。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。