Progetto e Realizzazione di un Sensore Ibrido Omnidirezionale/pin ...

More documents

Recommendations

Info

calcolate alcune statistiche: il colore medio destro CmD (nelle sue componenti RmD – valore medio della banda del rosso a destra, GmD, BmD) e il colore medio sinistro CmS (nelle sue componenti RmS – valore medio della banda del rosso a sinistra, GmS, BmS); l’intensità media destra ImD e sinistra ImS e la loro varianze VmD (varianza media dell’intensità sul lato destro) e VmS; infine la variazione media del colore, tra i pixel di test (ad esempio (x Si ,y i )) ed i pixel sottostanti (quindi (x Si ,y i +1)), di destra (FmD) e di sinistra (FmS): FmD = [ ? Dc( Im(x Di ,y i ) , Im(x Di ,y i +1) ) ] / N N è il numero di punti dell’insieme di test di destra, Im(x,y) è il colore RGB del pixel (x,y) dell’immagine rettificata da catadiottro in figura 4.7, Dc è la funzione di appartenenza alla classe fuzzy di differenza colore di cui si parlerà in seguito, e la sommatoria è estesa a tutti i pixel del gruppo di test in questione. Si opera quindi una classificazione delle regioni in base ad alcuni dei parametri elencati: la loro larghezza media Lm, la loro altezza A, nonché la media delle loro altezze A e la loro variazione di spessore lungo l’altezza (semplicemente stimata tramite la differenza tra Lm e LM). E’ da notare come la maggior parte delle situazioni incontrate nei test ha prodotto in termini di queste regioni differenza, delle classi di regioni ben definite e facilmente gestibili per l’identificazione degli ostacoli: 1) regioni lunghe ((A > 0.7A) OR (A > 110/Sens)) e spesse (Lm > 40/Sens) o con variazioni elevate dello spessore (LM > 2Lm), che presentino in ogni caso un secondo apice (x2,y2), che nella maggior parte dei casi, estendendosi lungo due o più lati dell’ostacolo ne permettono da sole l’identificazione: if { [(A > 0.7A) OR (A > 110/Sens)] AND [(Lm > 40/Sens) OR (LM > 2Lm)] } AND [(x2,y2) è definito] 2) regioni lunghe ((A > 0.7A) OR (A > 110/Sens)) e sottili (Lm = 40/Sens) e con variazioni basse dello spessore (LM = 2Lm), o che comunque presentino un solo apice inferiore, che richiedono quasi sempre di essere combinate con altre regioni al fine di individuare l’ostacolo, e che quindi vengono considerate per prime nella 88
successiva fase di matching: if { [(A > 0.7A) OR (A > 110/Sens)] AND [((Lm = 40/Sens) AND (LM = 2Lm)) OR ((x 2 ,y 2 ) non è definito)] } 3) regioni corte ((A = 0.7A) AND (A = 110/Sens)) e con un basso rapporto altezza/spessore medio (Lm = 0.16A), che vengono interpretati come parte di piccoli ostacoli da individuare attraverso l’espansione della regione stessa (i piccoli ostacoli difficilmente generano regioni differenze su entrambi i lati da combinare, ma piuttosto dei blob che ricoprono parte dell’oggetto stesso): if { [(A = 0.7A) AND (A = 110/Sens)] AND (Lm = 0.16A) } 4) regioni corte ((A = 0.7A) AND (A = 110/Sens)) e con un elevato rapporto altezza/spessore medio (Lm < 0.16A), che vengono interpretati come regioni analoghe a quelle del tipo sub 2), ma che essendo più corte sono meno attendibili e quindi rivestiranno un ruolo secondario nella fase di matching: if { [(A = 0.7A) AND (A = 110/Sens)] AND (Lm < 0.16A) } Per cercare di rendere più limitato l’insieme delle regioni differenza e quindi semplificare le successive fasi di interpretazione, viene utilizzata una tecnica di estensione delle regioni dei casi sub 2) e sub 4) allo scopo di cercare di collegarle ad altre analoghe con stessa orientazione e simili colorazioni ai lati (ossia ipotizzando che siano legati allo stesso ostacolo). In particolare l’algoritmo prevede di estendere verso l’alto (per una lunghezza limitata a 30/Sens pixel) la regione in questione lungo la direzione tan(ang1) riferita al sistema di coordinate del robot e indicata dalla retta passante per il suo apice superiore (x s ,y s ) e il suo baricentro (x b ,y b ). Nel caso in cui durante questa operazione si incontri un’altra regione differenza appartenete al caso sub 2), sub 3) o sub 4), si dovrà ipotizzare o meno l’appartenenza delle due regioni allo stesso ostacolo. Ciò avviene se: − la direzione tan(ang2) della seconda regione definita nel sistema di riferimento del robot come la direzione della retta passante per l’apice inferiore (x 1 ,y 1 ) e il baricentro (x b ,y b ) della seconda regione, è tale che: ang1 – ang2 < 0.2 rad; − i colori medi delle due regioni o sul lato destro (CmD1 e Cmd2) o sul lato sinistro 89
Page 1 and 2:
Università degli Studi di Parma Fa
Page 3 and 4:
3.2. Soluzione roto-traslazionale 7
Page 5 and 6:
sensore HOPS, nel terzo (brevemente
Page 7 and 8:
Capitolo 1. La visione artificiale
Page 9 and 10:
1.2. Le fasi di elaborazione delle
Page 11 and 12:
1.3. La visione artificiale e la ro
Page 13 and 14:
una ricostruzione tridimensionale c
Page 15 and 16:
1.4. Obiettivi generali e introduzi
Page 17 and 18:
Capitolo 2. Calibrazione di un sens
Page 19 and 20:
misurare la risoluzione dell’imma
Page 21 and 22:
Figura 2.1 Nel processo descritto l
Page 23 and 24:
calibrazione deve individuare) e I(
Page 25 and 26:
2.2. Sensore catadiottrico per la v
Page 27 and 28:
Tutti questi aspetti fanno sì che
Page 29 and 30:
2.2.2. Realizzazione del prototipo
Page 31 and 32:
egione centrale e una esterna dello
Page 33 and 34:
2.2.3.1. Tecnica di calibrazione ge
Page 35 and 36:
dell’equazione f(R) con R distanz
Page 37 and 38: 160 140 120 d (pixel) 100 80 60 40
Page 39 and 40: Figura 2.9 Questa interpolazione li
Page 41 and 42: Scegliere in questo modo i punti ca
Page 43 and 44: Figura 2.14 Figura 2.15 Dall’osse
Page 45 and 46: Figura 2.16 Invece di eseguire ques
Page 47 and 48: Nelle figure è mostrato il confron
Page 49 and 50: Figura 2.25 Figura 2.26 49
Page 51 and 52: 2.3.1. Variante della tecnica di ca
Page 53 and 54: Figura 2.29 Qui si può notare come
Page 55 and 56: y c = round( C(Y a ) ) x c = round[
Page 57 and 58: 2.4.1. Analisi dei requisiti Dato u
Page 59 and 60: Figura 2.32 59
Page 61 and 62: Figura 2.33 IMAGELAB utilizza le ta
Page 63 and 64: Ed ora passiamo ai moduli del siste
Page 65 and 66: Uses MATRICI; -- qui MATRICI viene
Page 67 and 68: Figura 2.34 Figura 2.35 Si può not
Page 69 and 70: di destra, ad essa competerà una l
Page 71 and 72: 3.2. Soluzione roto-traslazionale C
Page 73 and 74: Figura 3.2 Figura 3.3 Figura 3.4 73
Page 75 and 76: 4.2. Algoritmi utilizzati e risulta
Page 77 and 78: Figura 4.2 La prima operazione che
Page 79 and 80: La seconda operazione è una trasfo
Page 81 and 82: Figura 4.8 Figura 4.9 Figura 4.10 8
Page 83 and 84: Nell’immagine ottenuta dal confro
Page 85 and 86: Figura 4.14 85
Page 87: tutte le altre vengono calcolati un
Page 91 and 92: Per commentare l’esempio, secondo
Page 93 and 94: Le regioni differenza che non risul
Page 95 and 96: Mentre i primi due indicatori si fo
Page 97 and 98: Utilizzando i seguenti valori di so
Page 99 and 100: Figura 4.19 I tempi medi di esecuzi
Page 101 and 102: Figura 4.20 Acquisizione frontale A
Page 103 and 104: Acquisizione frontale Acquisizione
Page 105 and 106: 4.3. Sviluppi futuri In questa prim
Page 107 and 108: 5.2. Definizione dei requisiti Il m
Page 109 and 110: sistema R1.5 Identificare il campo
Page 111 and 112: 5.3. Analisi dei requisiti e modell
Page 113 and 114: Feature Robot Ogni elemento di cui
Page 115 and 116: Suddividiamo i concetti tra queste
Page 117 and 118: 5.4. Progetto del modulo visivo Com
Page 119 and 120: Package Coordinamento Generale Comu
Page 121 and 122: Vediamo poi il processo di start up
Page 123 and 124: ImmagineRGB ImmagineRGB Ricostruita
Page 125 and 126: 5.5. Sviluppi futuri Nello svolgime
Page 127 and 128: Gli sviluppi futuri si concentreran
Page 129 and 130: Bertozzi M., Broggi A. Real Time La
Page 131 and 132: Mallot H.A., Zielke T., Storjohann
show all

Progetto e Realizzazione di un Sensore Ibrido Omnidirezionale/pin ...

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?