Nghiên cứu phát triển hệ Robot – camera tự động tìm kiếm và bám đối tượng di động VICON.

Nghiên cứu phát triển hệ Robot – camera tự động tìm kiếm và bám đối tượng di động VICON.

Nghiên cứu phát triển hệ Robot – camera

tự động tìm kiếm và bám đối tượng di động VICON

PGS TSKH Phạm Thượng Cát, Ths Trần Việt Phong

Phòng công nghệ Tự Động Hóa - Viện Công Nghệ Thông Tin Tel 8363484, e-mail: ptcat@ioit.ncst.ac.vn

Tóm tắt:

Hệ điều khiển visual servoing bám đối tượng di động liên quan đến vấn đề điều khiển và thị giác máy được rất nhiều tác giả quan tâm Hệ thống được trình bày trong báo cáo này bao gồm một robot hai bậc tự do pan/tilt

có gắn một camera Hệ thống có nhiệm vụ bám đối tượng đang di chuyển với quỹ đạo không biết trước, thông qua điều khiển các khớp quay của robot sao cho ảnh của đối tượng thu được ở chính giữa tâm camera Báo cáo đưa ra mô hình động học của hệ, liên quan đến vị trí của đối tượng trong ảnh và góc quay pan, tilt Sau đó, để mục tiêu luôn luôn ở chính giữa ảnh, một mô hình dự báo vị trí và tốc độ của mục tiêu được áp dụng Báo cáo cũng giới thiệu về phương pháp xử lí ảnh, tự động tìm kiếm và nhận dạng đối tượng di động Các kết quả nghiên cứu được áp dụng trong hệ thực nghiệm VICON cho kết quả rất khả quan

Development of a Robot-camera system VICON for automatic recognition and tracking of moving objects

Abstract:

The robotic visual servoing system relates to robot control and machine vision issue has received many attention from reseachers The system introduced in this paper consists of a pan/tilt robot with 2 degree of freedom (pitch and yaw) that controls a videocamera The aim of system is to move robot in such a way that the image of an unknown moving object attains the center of camera We propose a kinematic model that relates the position of object’s centroid in the image plane with the pan and tilt rotation angles In order to permanently maintain the object in the field of vision of videocamera, a prediction algorithm is used This paper also briefly describes image processing, auto detection and recognition of moving objects The experiments with VICON system present good results

1.GIỚI THIỆU

Hệ thống điều khiển robot có thị giác được

sử dụng để theo dõi các mục tiêu di động trong các

ứng dụng của robot công nghiệp và quốc phòng Hệ

thống thị giác có thể được phân thành hai lớp, theo

như cấu trúc của hệ, đó là hệ có camera gắn cố định

và hệ có camera gắn trên tay máy (eye-in-hand)

Trong hệ camera cố định, các camera được gắn cố

định so với hệ tọa độ thực, thu thập ảnh của cả mục

tiêu và của cả môi trường Mục đích của hệ này là

cung cấp tín hiệu điều khiển tay máy sao cho tay

máy đạt tới vị trí mong muốn Mục đích của cấu

trúc eye-in-hand là điều khiển tay máy sao cho ảnh

của mục tiêu cố định hoặc di động luôn luôn được

duy trì ở vị trí mong muốn trên mặt phẳng ảnh thu

được Trên cơ sở ảnh thu được từ camera, được số

hóa và tích hợp trong vòng điều khiển phản hồi, hệ

thống điều khiển các khớp của tay máy (DOF) Để

cải thiện chất lượng của hệ bám, các thuật điều

khiển khác như thích nghi, tối ưu, lọc Kalman

thường được sử dụng Số bậc tự do của robot tùy

thuộc từng bài toán cụ thể, ví dụ khi

thể thay đổi không biết trước (do gió, ánh sáng thay

đổi) Các nghiên cứu về hệ môi trường động bị bỏ

khá xa so với hệ môi trường tĩnh do bị ảnh hưởng

khá lớn của tốc độ tính toán, cũng như độ chính xác

của việc phân tích ảnh Do vậy, có nhiều thuật toán

để cải thiện tốc độ xử lý ảnh và xem xét đến các

yếu tố nhiễu tác động lên quá trình thu thập ảnh

Một thách thức khác của bài toán visual servoing là

việc phân loại đối tượng Một robot có thể phải đối

mặt với rất nhiều đối tượng khác nhau, trong đó chỉ

có một đối tượng quan tâm, còn các đối tượng khác

thì không Do vậy chúng ta phải mở rộng khả năng

của hệ thống bao gồm chức năng thông minh tự

nhận dạng chính xác đối tượng cần tìm Để nhận

được thông tin về vị trí của mục tiêu trong môi

trường động, các đặc trưng của mục tiêu rất quan

trọng Các điểm lỗ, các góc cạnh, các đặc trưng

hình học của mục tiêu được phân tích thông qua

quá trình nhận dạng Đặc tính về trọng tâm của mục

tiêu có thể dễ dàng tính thông qua momen bậc nhất

của ảnh, trong trường hợp môi trường tĩnh, nhưng

trong trường hợp môi trường động, việc này rất khó

thực hiện vì chi phí thời gian tính toán lớn Một giải

pháp hay được sử dụng để lọc nhiễu, dự báo vị trí

tiếp theo của mục tiêu, do đó giảm đáng kể thời

gian xử lí ảnh, được trình bày trong trong bài báo là

phương pháp lọc Kalman

Hệ thống VICON được thiết kế dựa trên sơ đồ hình

1 được thử nghiệm trong phòng thí nghiệm cho kết

quả tốt, mặc dù có một số hạn chế sẽ được trình bày

ở phần sau Bài báo này được tổ chức như sau

Phần thứ nhất mô tả hệ bám mục tiêu di động Phần

thứ hai trình bày về mô hình động học của hệ

thống Phần tiếp theo giới thiệu về mô hình bộ lọc

Kalman trong dự báo vị trí mục tiêu Phần thứ 4 là

thuật toán nhận dạng, xử lí ảnh Kết quả thử nghiệm

hệ thống VICON sẽ được trình bày ở phần 5 Cuối

cùng là kết luận và hướng nghiên cứu tiếp theo

2 MÔ TẢ HỆ BÁM MỤC TIÊU DI ĐỘNG

Hệ bám mục tiêu di động được trình bày

trong bài này như hình 2 Hệ thống bao gồm một bệ

quay hai bậc tự do (2DOF), camera CCD có thể di

chuyển đồng thời theo hai hướng pan và tilt

Hình 2 Thiết bị điều khiển pan/tilt-camera

Cấu trúc hệ điều khiển visual servoing gồm hai

thành phần chính Phần thứ nhất là phần xử lí ảnh,

dựa vào chuỗi ảnh liên tiếp thu được từ camera để nhận dạng và tính toán vị trí của đối tượng quan tâm Phần thứ hai là phần điều khiển, dựa vào thông tin vị trí của đối tượng trong mặt phẳng ảnh, tính toán tín hiệu điều khiển robot sao cho ảnh của đối tượng di chuyển duy trì ở chính giữa mặt phẳng ảnh

Precision deg/step Range deg Max velocity deg/s

Bảng 1 Các đặc trưng chủ yếu của Robot

Các thông số cơ bản của robot được giới thiệu như trên bảng 1

Do các tín hiệu điều khiển dựa trên thông tin xử lí ảnh, nên một mô hình ánh xạ từ mặt phẳng ảnh vào không gian robot cần được thực hiện Hơn nữa, để giảm ảnh hưởng của nhiễu và giảm khối lượng tính toán trong xử lí ảnh nên các bước tiền xử lí, nhận dạng, thích nghi cũng được sử dụng Các bước này

sẽ lần lượt được trình bày dưới đây

3 MÔ HÌNH HÓA ĐỘNG HỌC ROBOT

Nhằm mục đích duy trì ảnh của mục tiêu càng gần tâm của mặt phẳng ảnh, chúng ta thiết lập mối quan hệ tương đối giữa biến quan sát được x0

và y0 là tọa độ của đối tượng trên hệ tọa độ gắn với mặt phẳng ảnh (IP), đối với biến điều khiển của

c

Xc

Oc

P(X, Y, Z)

Zc

Z Y'

d2

θ

φ

d1

X

Z'

Y

Hình 3 Mô hình động học hệ

Trong hình 3, ta có thể nhìn thấy rằng φ và θ là các góc quay xung quanh trục tương ứng là OZ và OZ’, sao cho, sau khi di chuyển tâm của mục tiêu di động có tọa độ P(X, Y, Z) sẽ được ánh xạ lên tâm của mặt phẳng ảnh

Mô hình động học của hệ sẽ được thể hiện trong hai phần Đầu tiên là xây dựng một mô hình hình học xấp xỉ quan hệ giữa biến điều khiển và biến quan sát Tiếp theo, sử dụng xấp xỉ đó để xây dựng mô hình động học của hệ

1 Mô hình xấp xỉ hình học

Gọi OXYZ là hệ toạ độ thực của hệ robot-camera

và OXcYcZc là hệ toạ độ gắn với camera P(X, Y, Z)

là toạ độ của đối tượng trên hệ toạ độ thực, toạ độ

của P chiếu lên mặt phẳng ảnh là (xp, yp) Hình 4

thể hiện quan hệ hình học của góc quay φ là góc

quay của hệ robot-camera sao cho tâm của đối

tượng P(X, Y, Z) nằm trên trục OcZc Từ hình vẽ 4,

có thể nhận thấy:

X

Y

)

và

λ

−

=

−

=

=

c

d X

Y Z

X

)

tan(

1

(2)

trong đó X và Y thể hiện vị trí của tâm mục tiêu

trong hệ tọa độ thực, d1 là khoảng cách từ trục OY

đến trục OcXc , λ là tiêu cự camera

Từ (1) ta nhận thấy, để tính được φ chúng ta phải

biết X và Y, là các đại lượng không đo được, cũng

không quan sát được, khi chỉ dùng một camera tĩnh

Cũng từ (2) ta nhận thấy rằng, từ xP, là biến có thể

quan sát được, và λ là đại lượng có thể đo được, ta

có thể tính được α

Nếu sai số để có thể xấp xỉ φ ≈ α là đủ nhỏ, thì φ có

thể tính qua α, do đó có thể tính φ từ các đại lượng

đo được và quan sát được

Nếu φe là sai lệch khi thực hiện xấp xỉ này thì ta có

φ = α + φe Do đó ta có thể viết:

) tan(

) tan(

1

) tan(

) tan(

) tan(

)

tan(

e

e

φ α

φ α

φ

−

+

= +

từ (1), (2), (3) ta có:

⎟

⎟

⎠

từ (4) có thể nhận thấy rằng sai số khi thực hiện xấp

⎞

⎜

⎜

+

−

=

φ

2 2

1Y d arctan

-

d và Y, tức là X >> d Y

n giải của robot và sai số do nhiễu

ác biến quan sát được x , y và đo lường được λ

2 Mô hình động học của hệ robot-camera

xỉ có thể chấp nhận được, trong các trường hợp sau:

limY→0 φe =

đối tượng

- limd1→0 φe = 0 Khi gốc O và Oc là trùng nhau

limX→∞ φe = 0 Khi khoảng cách X rất lớn so với

Các giả thiết này được áp dụng cho mô hình động

học của hệ thống đang xét với sai số nhỏ φc ≈ 0.005

rad Sai số này có thể chấp nhận được nếu so với

sai số do độ phâ

trong xử lí ảnh

Đối với xấp xỉ góc θ cũng tính tương tự Ta có thể

kết luận rằng, khi tính φ và θ có thể giả thiết rằng O

và OC trùng nhau Mục đích của xấp xỉ này là

chúng ta có thể tính góc quay pan φ và góc tilt θ từ

Nhằm mục đích tìm mô tả quan hệ giữa xp và yp đối với φ và θ, đầu tiên ta tìm ma trận chuyển đổi đồng nhất của hai phép quay camera xung quanh O một góc φ và θ

O

Oc

R

Hệ toạ độ quy chiếu của robot được xác định theo quy tắc David - Hetenberg như trên hình 3

Hình 4 Phép chiếu quay quanh trục OZ

Ma trận chuyển từ hệ toạ độ O’X’Y’Z’ về hệ toạ độ OXYZ:

Ma trận chuyển từ hệ toạ độ OcXYZ về hệ toạ độ O’X’Y’Z’ khi quay quanh O’Z’ góc θ:

Ma trận đồng nhất khi chuyển từ hệ toạ độ camera

đồng nhất khi chuyển từ hệ tọa độ thực O về hệ tọa

độ camera O

' O O

O ' O

O

O C R R C

c, theo định nghĩa ta có:

( ) ( )O T

O

O O

O

Do vậy:

=

c

O O R

Hình 3 và hình 4 chỉ ra rằng các điểm P(X, Y, Z) sẽ được chiếu lên tâm của mặt phẳng ảnh IP sau khi thực hiện phép quay φ và θ Do vậy, khi biết ma trận đồng nhất O c, ta có thể viết được như sau:

O

R

(5)

cos( φ) 0 sin( φ) 0

sin( φ) 0 -cos( φ) 0

0 1 0 0

0 0 0 1

O O'

cos( φ)cos(θ) sin(φ)cos(θ) sin(θ) 0

-cos( φ)sin(θ) -sin(φ)sin(θ) cos(θ) 0

sin( φ) -cos(φ) 0 0

0 0 0 1

Y

P(X, Y, Z)

X c

Y

c

xp

IP

d 1

X

cos( θ) -sin(θ) 0 0

sin( θ) cos(θ) 0 0

0 0 1 0

0 0 0 1

' O

O C

R =

c

0

0

Trong đó, (c, 0, 0, 1) và (X, Y, Z, 1) là tọa độ đồng

nhất của điểm P khi nhìn trong hệ toạ độ Oc và hệ

toạ độ O tương ứng

Giải (5) ta có:

-Xcos(φ)sin(θ) - Ysin(φ)sin(θ) + Zcos(θ) = 0

ta có:

⎟

⎠

⎞

⎜

⎝

⎛

=

φ

X

Y arctan

(7)

( )⎟

⎠

⎞

⎜

⎝

−

=

Y

Z arctan

từ giả thiết xấp xỉ (1) và (2) ta có:

⎟⎟

⎞

⎜⎜

⎛ λ

−

=

φ arctan x p

(8)

( )⎟⎟

⎠

⎞

⎜⎜

⎝

⎛

φ λ

=

θ arctan y p cos

Công thức (8) biểu diễn quan hệ giữa vị trí của mục

tiêu trên hệ tọa độ ảnh và các biến điều khiển của

robot, qua đó ta có thể điều khiển robot sao cho ảnh

của mục tiêu tiến tới chính giữa của mặt phẳng ảnh

Trước khi trình bày về phần xử lý ảnh, ta giới thiệu

về phương pháp dự báo vị trí, tốc độ của mục tiêu

trên ảnh để điều khiển sao cho ảnh của mục tiêu

luôn duy trì ở chính giữa mặt phẳng ảnh khi mục

tiêu di chuyển, đồng thời phép dự báo này cũng làm

giảm khối lượng tính toán xử lí ảnh

3 DỰ BÁO VỊ TRÍ CỦA MỤC TIÊU TRONG

MÔI TRƯỜNG CÓ NHIỄU BẰNG BỘ LỌC

KALMAN

Bài toán bám mục tiêu di động với quỹ

đạo không biết trước yêu cầu phải dự báo được vị

trí và tốc độ của đặc trưng ảnh ở bước tiếp theo Bộ

lọc Kalman được sử dụng để ước lượng dự đoán

căn cứ vào thông tin ảnh thu được từ camera số tại

thời điểm hiện tại Bộ lọc Kalman được coi như bộ

ước lượng trạng thái hệ thống, có cấu trúc lọc đơn

giản và độ hội tụ tốt cùng với khả năng lọc nhiễu

cao [8], [9], [10]

Mô hình cần được ước lượng dự báo được mô tả

bởi hệ phương trình trạng thái:

k k k

k k k

ζ Cx

y

Gω Ax

x

+

=

+

=

+

+

1

1

(15)

ở đây, x và y tương ứng là vector trạng thái và

vector đầu ra của hệ thống, các chỉ số ‘k’ và ‘k+1’

chỉ các vector tại thời điểm thứ k và k+1 Đối với

bài toán ước lượng đặc trưng ảnh, ta có:

T k k k k

k =[u u& v v& ]

k k

k =[u v ]

y

trong đó (uk, vk) và tương ứng là toạ

độ và tốc độ của ảnh đối tượng trên mặt phẳng ảnh

ở thời điểm thứ k

) , (u &&k v k

- Nhiễu quá trình ωk là nhiễu thể hiện độ không chính xác của mô hình và được giả thiết là nhiễu ồn

trắng có giá trị kỳ vọng bằng 0 và ma trận tương quan Q; ζk là nhiễu đo lường do độ không chính xác của sensor và cũng được giả thiết là nhiễu ồn

trắng có giá trị kỳ vọng bằng 0 và ma trận tương quan R Trong mô phỏng Q, R được chọn xác định

dương và là các ma trận đơn vị

Trong bài toán dự báo vị trí và vận tốc của điểm đặc trưng, ta xấp xỉ chuyển động của mục tiêu giữa hai lần cắt mẫu T có vận tốc không đổi Các ma trận được tính như sau:

⎥

⎥

⎥

⎥

⎦

⎤

⎢

⎢

⎢

⎢

⎣

⎡

=

1 0 0 0

1 0 0

0 0 1 0

0 0 1 A

T

T

⎥

⎦

⎤

⎢

⎣

⎡

=

0 1 0 0

0 0 0 1 C

G = I

Gọi P là ma trận tương quan sai lệch, ban đầu P 0

chọn là ma trận đơn vị, chỉ số “-“ xác định giá trị trước thời điểm hiện tại

Ta có thuật toán lọc Kalman [9]:

Đầu ra của bộ dự báo cho ta vị trí và tốc độ của điểm đặc trưng

Mô phỏng của bộ lọc dự báo Kalman được trình bày trên hình 5, khi ảnh của mục tiêu di chuyển với quỹ đạo thẳng

Hình 5 Kết quả bộ lọc Kalman

X Y

Z 1

cos( φ)cos(θ) sin(φ)cos(θ) sin(θ) 0

-cos( φ)sin(θ) -sin(φ)sin(θ) cos(θ) 0

sin( φ) -cos(φ) 0 0

0 0 0 1

Trong thực tế, áp dụng bộ lọc Kalman phụ thuộc

nhiều vào việc lựa chọn ma trận tương quan Q, R

Ngoài ra nếu mục tiêu di chuyển với sự thay đổi

quỹ đạo nhanh chóng, tức là giả thiết tốc độ mục

tiêu là hằng số giữa hai lần lấy mẫu không còn

chính xác thì việc dự báo bằng bộ lọc Kalman sẽ

tiến tới kết quả không ổn định Khi đó có thể sử

dụng phương pháp dự báo khác như phương pháp

Luenberger [10]

4 NHẬN DẠNG VÀ BÁM MỤC TIÊU DI

ĐỘNG

Nhận dạng mục tiêu di động là bước quan

trọng trong hệ tự động tìm kiếm và bám mục tiêu di

động Mục đích của quá trình này là thực hiện các

phép xử lí ảnh để tìm kiếm đối tượng cần quan tâm,

xác định vị trí của nó trong mặt phẳng ảnh hiện

thời Trong quá trình tìm kiếm, ta chia một ảnh là

tập hợp các pixel bao gồm hai thành phần, hoặc là

thuộc đối tượng, hoặc là thuộc nền Ta xem xét việc

tìm kiếm để nhận dạng các điểm thuộc đối tượng

trong mỗi ảnh thuộc chuỗi ảnh thu được

Có rất nhiều cách để nhận dạng một đối tượng, ví

dụ ta có thể áp đặt mô hình của đối tượng đã biết

trước (màu sắc, hình dáng) lên toàn bộ ảnh, từ đó

tìm ra vị trí phù hợp nhất của đối tượng trong ảnh

Tuy nhiên cách này phải tốn nhiều thời gian, và

không hiệu quả trong thực tế Một phương pháp

nhanh hơn để xử lí ảnh và nhận dạng đối tượng

được trình bày như lưu đồ trên hình 6

Hình 6 Lưu đồ xử lí ảnh

Để đánh giá trạng thái của một pixel là đối tượng

hay là nền, chúng ta giả thiết là đối với các pixel

thuộc nền, cường độ sáng thay đổi chậm, trong khi

đó đối với pixel thuộc đối tượng, cường độ sáng

thay đổi lớn Như vậy, một phép so sánh được thực

hiện giữa các pixel trong ảnh hiện thời, nếu giá trị

của pixel lớn hơn ngưỡng đặt trước, pixel đó có giá

trị 1, nếu không pixel có giá trị 0 Nếu ngưỡng quá

lớn, pixel thuộc đối tượng có thể lẫn với nền, nếu

ngưỡng quá nhỏ, thì sự thay đổi ánh sáng trong môi

trường sẽ tạo ra nhiều pixel có giá trị 1, mà các diểm này lại không phải là điểm quan trọng Ngưỡng hợp lí được tạo ra sau khi thực hiện một số phép lọc nhiễu và các bước tiền xử lí ảnh khác Khi ảnh đã được xử lí ngưỡng, ảnh nhị phân thu được sẽ gồm các pixel có hai trạng thái 0 và 1 Các pixel 0 thuộc nền và các pixel 1 thuộc các đối tượng, ta phải phân tích các đối tượng được thể hiện Tuy nhiên ảnh thu được sẽ bao gồm rất nhiều đối tượng khác nhau, bao gồm cả nhiễu, nhưng trong đó chỉ có duy nhất một đối tượng cần quan tâm Các bước xử lí ảnh nhị phân tiếp theo được thực hiện nhằm loại bỏ nhiễu, hoặc điền đầy các lỗ của đối tượng, cũng làm giảm khối lượng tính toán của các bước xử lí ảnh tiếp theo Quá trình phân đoạn ảnh thành từng đối tượng riêng rẽ được thực hiện thông qua algorithm đánh nhãn liên tiếp (Sequential Labeling Algorithm) Quá trình này có thể tạo ra hàng trăm đối tượng khác nhau, trong đó chỉ có một số đối tượng gần với đối tượng quan tâm Một quá trình quét tiếp theo sẽ loại bỏ các đối tượng không hợp lý so với đối tượng mẫu

Bước tiếp theo là phân tích các đặc trưng của các đối tượng vừa thu thập được trên ảnh, và quyết định xem đối tượng nào thuộc lớp đối tượng quan tâm

Sử dụng phương pháp momen bất biến hoặc phương pháp quyết định Bayes là các biện pháp tương đối hiệu quả [4] Việc còn lại là xác định vị trí trọng tâm của mục tiêu trên ảnh tương đối đơn giản, thông qua xác định momen bậc nhất

Quá trình xử lí ảnh được thực hiện không phải trên toàn bộ ảnh thu được, mà sử dụng kết quả dự báo ở trên để làm giảm thời gian tính toán Hình 7 thể hiện ảnh kết quả sau khi đã thực hiện nhận dạng Bắt đầu

Tiền xử lý

a) ảnh gốc b) ảnh sau khi xử lí

Hình 7 ảnh sau khi qua các bước xử lí

5 THỬ NGHIỆM HỆ THỐNG

Hệ thống VICON được xây dựng bao gồm một robot tay máy với hai bậc tự do pan và tilt của hãng DPerception Inc, như hình 1, với các đặc trưng chủ yếu của robot giới thiệu trong bảng 1 Camera CV-M50, monochrome CCD Camera của hãng JAI Corporation, có tiêu cự λ = 8mm, tín hiệu

ra video 25 hình/s Quá trình thu thập ảnh và số hóa ảnh được thực hiện nhờ card xử lí ảnh FrameLocker của hãng Ajeco, tốc độ xử lí 33ms Thiết bị tính toán và điều khiển là một máy tính Touchscreen màn hình 6.4 inchs, theo chuẩn PC104, tốc độ xử lí 800MHz/s, do hãng Nagasaki IPC Technology chế tạo Phần mềm của hệ điều khiển và xử lí ảnh được viết bằng ngôn ngữ C trên môi trường MS-DOS

ảnh nhị phân

ảnh phân vùng

Nhận dạng mục tiêu

Xác định tọa độ mục tiêu Kết thúc

Thực nghiệm hệ thống với mục tiêu đặt cách

camera khoảng 6.5 m Mục tiêu được gắn động cơ

di chuyển với tốc độ khoảng 0.5m/s Hình 8 chỉ ra

một số frame ảnh trích từ chuỗi ảnh thu được từ

camera, minh họa khả năng bám đối tượng cũng

như tìm kiếm tự động đối tượng

a) Frame ảnh ban đầu b) Frame ảnh thứ 4

c) Frame ảnh thứ 5 d) Frame ảnh thứ 6

e) Frame ảnh thứ 7 f) Frame ảnh thứ 8

Hình 8 Chuỗi ảnh thu được sau khi thực hiện xử lí

ảnh và điều khiển hệ robot-camera

Từ kết quả thực nghiệm thấy rằng, hệ bám mục tiêu

di động với tốc độ xử lí ảnh khoảng 15 frame/s Với

tốc độ này, thí nghiệm cũng chỉ ra rằng, khi mục

tiêu di chuyển với tốc độ nhanh thì ảnh mục tiêu sẽ

di chuyển ra ngoài vùng quan sát của camera, do

vậy hệ sẽ không bám được mục tiêu Các thuật xử lí

ảnh và nhận dạng sẽ được cải thiện nhằm tăng chất

lượng của hệ thống

6 KẾT LUẬN

Báo cáo này đã mô tả ngắn gọn hệ thống

tự động bám đối tượng di động sử dụng thông tin

phản hồi hình ảnh Động học của hệ được xây

dựng, vị trí của đối tượng trong ảnh được nhận

dạng theo kỹ thuật đã được trình bày ở trên Nhằm

mục đích duy trì mục tiêu ở tâm của ảnh, phương

pháp dự báo Kalman cho vị trí tiếp theo của mục

tiêu được áp dụng Hệ thống đã cho kết quả tốt khi

thử nghiệm, tuy nhiên để nâng cao tính ổn định và

tốc độ bám, các nghiên cứu tiếp theo sẽ được thực

hiện để hệ thống càng hoàn chỉnh hơn

7 TÀI LIỆU THAM KHẢO

1 J.Somlo, B.Lantos, P.T.Cat Advanced robot control Akademiai Kiado press, 1997

2 Wolfram Stadler Analytical robotics and mechatronics McGraw-Hill, Inc press, 1995

3 D Maravall, L Baumela Adaptive control of a video camera for the automatic detection and tracking of mobiles

4 Charles A Rechards, Nicholaos Papanikolopoulos The automatic detection and visual tracking of moving objects by eye-in hand robotics system

5 Bharat N Shah,Paul.Y.Oh Biomimetic Visual Servoing Using A Partitioned Control Scheme

6 Apostolos Dailianas, Robert B Allen, Paul

segmentation algorithms

7 Halina Kwa_nicka and Bartosz Wawrzyniak

License plate localization and recognition in camera pictures Artificial Intelligence Methods

8 K Daniilidis, C Krauss, M Hansen and G Sommer Real-Time Tracking of Moving Objects

with an Active Camera Real-Time Imaging 4,

(1998)

9 Kyu Bum Han, Yoon Su Back Visual servo tracking strategy using time-varying kalman filter estimation Yonsei University, Seoul, Korea

10 J.A Piepmeier, G.V McMuray, H.Lipkin

Tracking moving target with Model Independent Visual Servoing: A predictive estimate Approach

Proceeding of the 1998 IEEE, Int Conf On intelligent robot and system, Leuven, Begium,

1998

11 Armel Cretual, Francois Chaumette Image-based visual servoing by integration of dynamic measurements IEEE Int Conf Robot Automat.,

Vol 3:1994-2001, May, 1998

12 Venkataraman Sundareswaran, Patrick Bouthemy, Franácois Chaumette Visual servoing using dynamic image parameters

13 Trần Việt Phong Xây dựng hệ điều khiển robot trên cơ sở phản hồi hình ảnh Luận văn thạc sỹ, Đại

học Bách Khoa 2002