機器人視覺導航中的圖像處理問題研究.pdf

1、人類數千年來不斷進步和發(fā)展的基礎是生產力的不斷提高，從奴隸制到封建制度，再到現(xiàn)代社會，其主要勞動人員也從奴隸變成農民，以及現(xiàn)代的工程師?，F(xiàn)在，大家公認的是，下一代社會勞動的主體將會是機器人。所以針對機器人的應用和研究對社會的影響和人們生活水平的提高具有長遠和積極的影響。
　　公認的智能機器人研究方向主要有五個:機器本體、執(zhí)行器、系統(tǒng)集成、人工智能、機器視覺。其中，人工智能和機器視覺的現(xiàn)有背景是，一是國際研究發(fā)展十分迅速;二是我國在

2、該方向的現(xiàn)有水平是處于世界前沿;三是目前這兩項被我國政府規(guī)劃成為我國機器人產業(yè)在未來的重點發(fā)展方向。
　　智能機器人必須具有一定的人工智能，即能夠記憶、感知、推理、決策和學習。人工智能需要有通道才能獲得外部的信息，其中機器人對外部的感知信息的通道雖然有很多，但是視覺占了其主要部分，所以基于視覺的對外部環(huán)境的感知是各國研究人員研究的重點方向之一。同時，為了完成人類賦予機器人的任務，智能機器人必須能夠學會定位自己和規(guī)劃自己的運動，從而

3、學會行走，于是這一任務也變得十分重要。
　　本文基于這些研究目標，以機器人視覺導航為主線，在研究和結合現(xiàn)有的人工智能的識別和優(yōu)化兩大領域的現(xiàn)有發(fā)展前沿的基礎上，主要做了四個方面的工作:
　　1.圖像去噪。針對椒鹽噪聲，本文研究了遺傳算法（Genetic Algorithm，GA）優(yōu)化的BP神經網絡(Back Propagation Network，BPN)和極限學習機(ExtremeLearning Machine，ELM)

4、兩種智能算法并加以應用，一種是使用GA-BPN算法作為識別器，采用棋盤格圖像作為訓練樣本的方法，訓練出噪聲識別器;另一種是采用ELM算法，結合Rank-Ordered Absolute Differences(ROAD)、RankOrdered Logarithmic Difference(ROLD)算子，進行二次檢測的方法，訓練出適應于不同噪聲密度的兩個識別器，再對圖像的噪聲進行識別。在此噪聲點識別的基礎上，利用圖像的整體信息，設計了

5、一種加權濾波方法，對這些噪聲點進行還原，實驗結果表明，這兩種方法對椒鹽噪聲效果均十分理想，特別是在高密度的情況下更加優(yōu)異。
　　2.特征提取。該部分總結了在邊緣特征方面的工作，本文嘗試采用小波理論的方法提取質量較好的邊緣，具體使用遺傳算法對圖像小波變換的尺度進行選擇，從而構成一種自適應的高斯小波尺度空間。融合該空間下不同尺度檢測的圖像邊緣，使得整幅圖像的邊緣細節(jié)豐富清晰，具有更好的抗噪性能。
　　3.環(huán)境理解。該部分結合交通

6、標志識別的應用問題，研究了深度學習理論中卷積神經網絡的LeNet-5模型，然后針對德國交通標志標準數據庫的樣本進行了識別，最終實驗數據表明，現(xiàn)有的基于深度學習的方法要比傳統(tǒng)的幾種方法識別準確率要高，達到了預期的目標;同時實驗數據表明，該算法也可以用作RoboCup救援機器人項目中的尋找受害者的工作。
　　4.路徑規(guī)劃。為了解決機器人在復雜路況下的路徑規(guī)劃，本文在研究了現(xiàn)有的優(yōu)化算法，對粒子群優(yōu)化算法進行了適應該環(huán)境的改進，在融合了

7、多樣性算法中(Attractive and Repulsive Particle Swam Optimizer, ARPSO)和雁群算法(Geese Particle Swam Optimizer, GPSO)的優(yōu)點，解決了其原有缺點后，形成了新的適合于本目標的優(yōu)化算法ARGPSO。采用了柵格地圖、基于行為路徑規(guī)劃選項。然后，定義了路徑最短、拐彎最小以及安全距離等多個目標函數，選擇了基于表現(xiàn)的適應度函數。再而，依據標準的多目標粒子群原理