静止环境下移动视觉系统航向角估计的灰度共现矩阵性能评估

抽象的

提出了一种用于视觉系统航向角估计的信息提取方法。对感兴趣区域进行灰度共现矩阵(GLCM)的积分，选择合适的区域进行光流生成。选取的区域用Horn-Schunck方法产生光流。从生成的光流中估计航向角，并通过移动中值滤波(MMF)增强航向角。为了验证该方法的有效性，我们将其与直接从灰度图像中生成的光流估计方法进行了比较。将该方法的性能与真实航向进行了比较，并通过平均绝对偏差(MAE)来评估其误差。结果表明，该算法能显著改善视觉系统的航向角估计结果。

1.介绍

传感器是测量中最重要的部件。利用传感器采集的数据进行数据分析和控制策略实施。由于传感器的重要性，在这一领域进行了各种工作，以解决这一领域中出现的问题，例如力传感器的新设计[1，2]及触觉显示[3.］．

特别是在机器人的领域中，传感器提供有关测量变量的信息，以便控制机器人，这是最关键的部分。处理此信息以便决定机器人应采取良好性能的操作方式。有各种传感器可用于此目的，例如声纳传感器，位置传感器，红外传感器和相机。作为传感器的相机就业，也称为机器人视觉系统，是一种有趣的想法，它是通过图像采集从周围环境获得有用信息的能力。根据应用，可以以各种方式执行从机器人视觉系统收集的信息的提取。提取过程通常利用图像处理和分析。

视野系统领域的研究是从硬件开发和测试，算法开发专门用于图像处理和分析，以及对使用视觉系统进行特定任务的方法及其实施的策略提案。进行的以前的作品包括操纵光学鼠标的图像采集能力用作传感器[4- - - - - -6]，在视觉导航中利用全景图像[7[机器人视觉中的日志极性成像应用[8]，应用稀疏视觉数据而无需里程读取[9，避障策略[10]、视觉制图[11，以及健壮的实时视觉策略[12］．

在本文中，已经提出了一种新方法，提取有关使用光流的视觉系统标题角度的信息，相信这项工作将有益于机器人导航。由于众所周知，使用该方法产生的一些流动矢量还包含不表示实际运动的错误矢量，因此必须通过集成新方法来改善解释。在这里，我们提出使用灰度Cooccurrence矩阵（GLCM）[13[以及光学流量计算作为前角估计中的改进技术。通过将图像划分为几个感兴趣的区域（AOI），在进行光学流量计算之前，GLCM将由GLCM处理最合适的区域。另外，从产生的光学流量矢量实现，实现了标题角估计，并且使用移动中值滤波器（MMF）进一步扼杀该估计，以消除估计中存在的异常值。使用平均绝对偏差（MAE）进行估计性能，并使用未修饰的光学流量矢量场将所提出的技术的结果与估计结果进行比较。

2.灰度Cooccurrence矩阵

灰度共现矩阵是纹理特征提取中的一种技术[14］．一般来说，图像中的纹理在强度上呈现出局部变化的重复模式。它提供了图像中颜色或强度的空间排列信息，其特征是邻近区域的强度水平的空间分布。GLCM是基于统计方法实现的，其中纹理被操纵作为一个区域强度安排的定量测量。利用GLCM进行了各种工作，例如在[15- - - - - -18］．

具体来说，GLCM被定义为图像中不同像素强度值组合的出现频率列表。在该方法中，考虑了两个像素之间的关系，称为参考像素和相邻像素。这种关系以同现矩阵的形式表示。把它变成一个方程，它可以被描述为

在这里,表示为像素值的发生次数拥有在长度的形象。发生矩阵有维度， 在哪里表示为图像中的灰度级数。在量化下指定图像中的灰度级别。元素然后使用以下等式标准化：

通过归一化，矩阵中的元素具有在零和一个之间的范围内的值，其允许以概率的函数被操纵。

通过GLCM，可以捕获纹理属性。利用共现矩阵，可以有多种方法提取特征向量。本文采用对比法提取特征向量。对比度是一种测量图像中存在的局部变化的方法，表示为

3.光流

光学流动技术通常用于运动检测和估计。基于在整个图像序列上保持不变的假设并表示为亮度并表示为亮度，导出光学流程方程

在这里表示为空间和时间梯度，可以从图像序列估计。同时表示为光学流量矢量，它们是未知数。由于可以仅从单个像素获取光学流程方程，因此，这些未知不能直接解决这些未知数。关于此事，提出了有几种方法，帮助找到这些未知数的解决方案。在本文中，所选择的方法是Horn-Schunck方法[19］．

在Horn-Schunck方法中，为了求解这些未知数，引入了优化约束，并假设（A1）在像素邻域内运动保持不变;（A2）光流平滑地变化。

优化约束定义为

在这里,是权重因素吗是光学元件的偏导数吗和．此外,计算使用下列公式实现:

用光学元件的偏导数表示和，可从4相邻位置计算到位置．所以，

此外，通过差异化和最小化（5) /和在位置时，方程可改写为

在这里,

从 （8），未知数是和．之间的关系，,，可以观察到。因此，可以根据这种关系构造迭代格式，如下式所示:

在(10），描述为迭代步骤，并且被描述为流量矢量的邻域平均值,分别。

4.航向角估计策略

在本研究中，选择静态环境作为实验情况。如图所示，相机从左右移动水平平面表面。如图所示1．

使用该摄像机，拍摄视频，并提取图像序列。提取的图像分辨率为像素。在初始阶段，所有图像都被转换为灰度格式，然后调整为大小像素。每个转换图像被分成九个AOI。由于采用GLCM，因此需要将图像的强度缩放到几个灰度级别。在这项研究中，图像已经缩放到八个灰度。在每个AOI中，产生GLCM，并且使用对比标准提取特征向量。通过使用计算的特征向量，选择合适的AOI。

下一阶段采用Horn-Schunck方法生成光流场矢量。矢量操作是用来将每个流矢量解耦到水平和垂直分量的。对水平轴和垂直轴各解耦矢量进行求和，并计算角度估计。利用MMF来获得估计角的平滑度。

为了评估估计性能，所使用的评估标准是指均值误差（MAE）。选择该标准是由于MAE对异常值更加强大，而与其他流行的方法（如root均方误差（RMSE））相比，[20.］．为此，将该方法得到的估计值与实际值进行了比较，实际值为180°。MAE的定义如下: 在哪里

在这里,估算值是和吗是真正的价值。

5.结果与讨论

在这个实验中，相机每秒钟移动10张图像。已经拍摄了100张照片。从图像预处理到角度估计的平均处理时间为0.02秒。这是基于处理100幅图像的计算时间的平均值。这一处理时间大大低于图像采样0.1秒的时间。通过GLCM和基于对比度的特征向量提取，对每幅图像选择AOI。选中的AOI示例如图所示2和3.．

在AOI选择中，计算特征向量的值，并选择中值。之所以决定使用中值，是因为经过GLCM和对比运算后，共现矩阵的对角线值等于零，这意味着相邻出现的相似灰度值被排除在外。我们也知道，对比度值越高，对比度权重越大。这表明，灰度值的大偏差相邻发生。在这个测试中，图像对比度随着相机的移动而改变。这是由于受环境结构变化的影响，图像纹理发生了变化。因此，我们将选择显示GLCM和对比度生成的值中值的AOI。然而，这一决定是在假定所选AOI的对比在时间上没有显著差异的前提下做出的。

使用选定的AOI，计算得到的光流场如图所示4．

另外，对于比较目的，使用没有AOI的图像创建的光学流场如图所示5．

在图5，存在方向分散的向量。还观察到，存在其幅度太小的载体。这些类型的载体分别称为误导载体和不相关的载体。误导vectors可能导致估计的大错误，因为它与实际运动无关。这些向量存在的原因是因为假设亮度恒定，在实际情况下，这不容易维护，尤其是在室外环境中。另一方面，无关的矢量示出在矢量位置检测到几乎小或没有运动。这是由于该位置处的图像纹理，这仍然是常数。因此，通过所提出的方法，发现了光学发电的改进。

使用这些结果，图标明了标题角估计。估计结果在图中给出6和7相应地,。

从数据6和7，可以注意到，当采用所提出的GLCM时，航向角估计有了改进。无GLCM，如图所示7，估计会随着时间而波动，在这种情况下会出现非常大的峰值，导致估计不准确。因此，通过GLCM方法可以显著减小振荡，使估计结果得到改进。

有关估计性能，表1显示使用本节中提到的标准进行评估的结果4．

从表1，结合GLCM的标题角估计的评估结果表现出更好的性能。没有GLCM的MAE结果显示了估计和实际值之间的大偏差存在。这是因为计算的绝对误差是从大量振荡的数量以及平庸但快速振荡的贡献，如图所示7．另一方面，提出的GLCM的MAE值较小。这个小的MAE值是由于图中的估计结果6表示开始时估计值与实际值的偏差较大，随着估计值趋于稳定并达到实际值，偏差变小。因此，MAE的大部分误差来自于实验开始时估计值与实际值之间的巨大差异。

此外，没有图中GLCM的估计结果7表明，经常发生的振荡造成难以识别视觉系统的标题角度。当应用我们所提出的GLCM方法时，可以解决此问题。

六，结论

本文介绍了提出方法估算视觉系统标题角度的有效性。每个捕获的图像被分为九个AOI，并且已经用于提取特征向量的GLCM对比度以识别可用于估计目的的最合适的区域。使用Horn-Schunck方法计算的光流已被用作提取所需信息的基础。使用产生的光流量，使用MMF实现并扼杀了角度的估计。结果表明，与基于未触及的光流量的角度估计相比，观察到估计的改进。通过所提出的方法，可以获得有关系统当前状态的宝贵信息。

致谢

作者感谢马来西亚高等教育部、马来西亚Kebangsaan大学和马来西亚马六甲Teknikal大学对这项研究的赞助。

参考文献

1. A. Song, J. Wu, G. Qin, and W. Huang，“一种新型的自耦四自由度手腕力/力矩传感器”，测量，卷。40，不。9-10，pp。883-891,2007。视图:出版商的网站|谷歌学术
2. G. Song，H. Yuan，Y. Tang，Q. Song和Y.Ge，一种新型三轴力传感器，用于拍摄运动员的高级训练，“传感器和执行器，卷。128，没有。1，pp。60-65,2006。视图:出版商的网站|谷歌学术
3. 吴建军，宋志刚，吴文武，A. Song，和D. Constantinescu，“一种用于图像轮廓显示的振动-触觉系统”，于IEEE国际虚拟现实创新研讨会的诉讼程序（ISVri'11），第145-150页，2011年3月。视图:出版商的网站|谷歌学术
4. J. Palacin, I. Valgañon，和R. Pernia，“室内移动机器人里程测量的光学鼠标”，传感器和执行器，卷。126，没有。1，pp.141-147,2006。视图:出版商的网站|谷歌学术
5. M. Tresanchez, T. Pallejà， M. Teixidó，和J. Palacín，“作为增量旋转编码器的光学鼠标传感器”，传感器和执行器，卷。155，没有。1，pp。73-81,2009。视图:谷歌学术
6. M. Tresanchez, T. Pallejà， M. Teixidó，和J. Palacín，“使用光学鼠标传感器的图像采集能力来构建一个绝对旋转编码器，”传感器和执行器，第157卷，第1期1，页161-167,2010。视图:谷歌学术
7. F. Labrosse，“使用扭曲全景图像的短程和远程视觉导航”，机器人技术与自主系统，第55卷，第55期9，第675-684页，2007。视图:出版商的网站|谷歌学术
8. V. Javier Traver和A. Bernardino，“机器人视觉感知的对数极成像综述”，机器人技术与自主系统，第58卷，第2期4, pp. 378-398, 2010。视图:出版商的网站|谷歌学术
9. M. Kronfeld，C.Weiss和A.Zell，“群体支持的户外本地化，具有稀疏的视觉数据”机器人技术与自主系统，第58卷，第2期2，页166-173,2010。视图:出版商的网站|谷歌学术
10. K. Souhila和A. Karim，“基于光流的机器人避障”，国际先进机器人系统杂志，第4卷，第4期。1，页13-16,2007。视图:谷歌学术
11. L. Wang，H. Li，R. Hartley，“视频本地模式基于图像匹配的视觉映射”第十八届国际模式识别会议论文集(ICPR '06)，第2卷，第67-70页，2006。视图:谷歌学术
12. G. Medioni, a . R. J. François, M. Siddiqui, K. Kim，和H. Yoon，“个人服务机器人的健壮实时视觉”，计算机视觉与图像理解，第108卷，第108号1-2，页196 - 203,2007。视图:谷歌学术
13. R. M. Haralick，K.Shanmugam和I. Dinstein，“图像分类的纹理特征”，“IEEE系统、人与控制论汇刊，第3卷，第2期。6，页610-621,1973。视图:谷歌学术
14. V. Bino Sebastian, A. Unnikrishnan，和K. Balakrishnan，“灰色水平共现矩阵:泛化和一些新特征”，国际计算机科学，工程和信息技术杂志，第2卷，第2期2，pp。151-157,2012。视图:谷歌学术
15. K.Padmavasavi，N.U.Kumar，E. V.K.Rao和M. Madhavilatha，“在嘈杂的条件下使用GLCM在小波域中的基于GLCM的基于自适应统计阈值的边缘检测的性能评估”ICGST国际期刊图形，视觉和图像处理（GVIP），第10卷，第5期。3，第35-44页，2010。视图:谷歌学术
16. M. M. Mokji和S. A. R. S. A. Bakar，《基于共现矩阵边缘信息的自适应阈值法》，电脑杂志，第2卷，第2期8，页44-52,2007。视图:谷歌学术
17. K. H. Ghazali, M. M. Mustafa, A. Hussain，和F. Engineering，“使用图像处理技术的自动除草策略的机器视觉系统”，美国-欧亚农业与环境科学杂志，第3卷，第2期。3，第451-458页，2008。视图:谷歌学术
18. C. Lane，R.L. Burguete和A. Shterenlikht，“选择最佳DIC图案和子集尺寸”的客观标准第十一届国际实验与应用力学大会暨展览论文集，pp。2008年6月900-908。视图:谷歌学术
19. B. K. P. Horn和B. G. Schunck，“确定光学流动”人工智能，第十七卷，第二期1-3页，185 - 203,1981。视图:谷歌学术
20. R. J. Hyndman和A. B. Koehler，“另一种预测准确性的衡量，”国际预测杂志第22卷第2期4，页679-688,2006。视图:出版商的网站|谷歌学术

版权

版权所有©2013 Zairulazha Zainal等。这是分布下的开放式访问文章知识共享署名许可协议如果正确引用了原始工作，则允许在任何媒体中的不受限制使用，分发和再现。