1
Chương 1. Giới thiệu
Nội dung chính
1.1 Xu hướng phát triển của robot hiện đại
1.2 Những vấn đề của robot di động
1.3 Mục tiêu đề tài và phương pháp thực hiện
1.4 Sơ lược về nội dung đề tài
2
1.1. Xu hướng phát triển của robot hiện đại
Theo dự đoán trong vòng 20 năm nữa mỗi người sẽ có nhu cầu sử dụng một
robot cá nhân như nhu cầu một máy tính PC hiện nay và robot sẽ là tâm điểm của
một cuộc cách mạng lớn sau Internet. Với xu hướng này, cùng các ứng dụng truyền
thống khác của robot trong công nghiệp, y tế, giáo dục đào tạo, giải trí và đặc biệt là
trong an ninh quốc phòng thì thị trường robot sẽ vô cùng to lớn.
Robot đã có những bước tiến đáng kể trong hơn nửa thế kỷ qua. Robot đầu
tiên được ứng dụng trong công nghiệp vào những năm 60 để thay thế con người làm
những công việc nặng nhọc, nguy hiểm trong môi trường độc hại. Do nhu cầu sử
dụng ngày càng nhiều trong quá trình sản xuất phức tạp nên robot công nghiệp cần
có những khả năng thích ứng linh hoạt và thông minh hơn. Ngày nay, ngoài ứng
dụng sơ khai ban đầu của robot trong chế tạo máy thì các ứng dụng khác như trong
y tế, chăm sóc sức khỏe, nông nghiệp, đóng tàu, xây dựng, an ninh quốc phòng
đang là động lực cho sự phát triển của ngành công nghiệp robot.
Có thể kể đến những loại robot được quan tâm nhiều trong thời gian qua là: tay
máy robot (Robot Manipulators), robot di động (Mobile Robots), robot phỏng sinh
học (Bio Inspired Robots) và robot cá nhân (Personal Robots). Robot di động được
nghiên cứu nhiều như xe tự hành trên mặt đất AGV (Autonomous Guided
Vehicles), robot tự hành dưới nước AUV (Autonomous Underwater Vehicles),
robot tự hành trên không UAV (Unmanned Arial Vehicles) và robot vũ trụ (Space
robots). Với robot phỏng sinh học, các nghiên cứu trong thời gian qua tập trung vào
hai loại chính là robot đi bộ (Walking robot) và robot dáng người (Humanoid
robot). Bên cạnh đó các loại robot phỏng sinh học như cá dưới nước, các cấu trúc
chuyển động phỏng theo sinh vật biển cũng được nhiều nhóm nghiên cứu, phát
triển.
1.2. Những vấn đề của robot di động
Robot di động được định nghĩa là một loại xe robot có khả năng tự di chuyển,
tự vận động, dưới sự điều khiển tự động để thực hiện tốt những công việc được
3
giao. Môi trường hoạt động của robot có thể là đất, nước, không khí, không gian vũ
trụ hay là sự tổ hợp của các môi trường trên. Bề mặt địa hình robot di chuyển có thể
là bằng phẳng hoặc thay đổi lồi lõm.
Những ứng dụng thực tế đòi hỏi những robot di động có tính tự động cao và
những kỹ thuật hiện đại, bao gồm sự đa dạng của những cảm biến rẻ mà đáng tin
cậy và tính toán điện tử công suất làm tăng tính tự động hóa của robot di động. Tính
tự động hóa có nghĩa là robot phải dựa vào chính khả năng của nó để xuất ra những
dữ liệu vận hành có ích từ bộ phận cảm biến và tự nó đưa ra quyết định thích hợp.
Một trong các yêu cầu cơ bản của robot tự động thực thụ là khả năng định
hướng tốt trong phạm vi môi trường chưa xác định và hình dung ra một bản đồ định
hướng. Bằng cách sử dụng những quan sát thích hợp từ môi trường, kết hợp với bản
đồ cùng lúc để định hướng cho robot đang là một yêu cầu cần nghiên cứu cho robot
di động. Việc đồng thời định vị và vẽ bản đồ cùng lúc là một phương pháp chung có
liên quan đến việc triển khai một hệ thống di động trong môi trường chưa xác định.
Đối với một robot di động tự động, định hướng là một công việc để di chuyển một
cách an toàn từ nơi này đến nơi khác.
Việc định hướng gặp nhiều khó khăn do nhiều vấn đề khá phức tạp. Vấn đề
gây trở ngại chính là những hạn chế của việc ước tính năng lượng, những khó khăn
trong việc phát hiện và nhận biết đối tượng, những khó khăn trong việc tránh xung
đột với các đối tượng khác nhau, và những khó khăn liên quan tới việc sử dụng
thông tin cung cấp từ môi trường.
1.3. Mục tiêu đề tài và phương pháp thực hiện
Mục tiêu đề tài:
Xây dựng mô hình mobile robot có khả năng tự động dò tìm và di chuyển đến
điểm đích. Ngoài khả năng định hướng, robot phải tránh được các vật cản có trên
quãng đường di chuyển. Mục đích sâu xa của đề tài là phát triển một robot tự động
thông minh, có thể được sử dụng trong lĩnh vực phục vụ con người, giúp việc như
4
robot hướng dẫn du khách hoặc làm một số công việc đơn giản trong văn phòng
hoặc tại gia như mang café, hút bụi, lau nhà, …
Phương pháp thực hiện:
Thiết kế mô hình một robot di động tự động, trong đó bao gồm phần gia công
cơ khí, mạch công suất, mạch vi điều khiển, đồng thời kết hợp kỹ thuật xử lý ảnh
thông qua máy tính (hay thị giác máy tính). Khối thị giác được chọn là thiết bị chơi
game Kinect, thông qua xử lý từ máy tính nó sẽ kết hợp với mạch vi điều khiển giúp
robot có khả năng định hướng về đích và tránh vật cản hoàn toàn tự động.
1.4. Sơ lược về nội dung đề tài
Nội dung đề tài bao gồm 5 chương:
Chương 1: Giới thiệu: Sơ lược về nội dung đề tài.
Chương 2: Phát hiện vật cản tính góc lái và xác định điểm đích: giới thiệu
đánh giá một số phương pháp tránh vật cản và tìm ra phương pháp tối ưu
nhất. Cuối cùng tìm hiểu thuật toán tìm điểm đích bằng màu sắc.
Chương 3: Chương trình điều khiển: Bao gồm nội dung chương trình điều
khiển và lưu đồ thuật giải.
Chương 4: Kết quả thực nghiệm: Nội dung chương 4 tập trung vào các
thuật toán để điều khiển robot.
Chương 5: Kết luận và hướng phát triển: Nội dung chương 5 trình bày
tóm tắt các kết quả mà đề tài đã đạt được và hướng phát triển để khắc phục
những giới hạn nhằm hoàn thiện đề tài tốt hơn.
5
Chương 2. Phát hiện vật cản tính góc lái
và xác định điểm đích
Nội dung chính
2.1 Phương pháp tránh vật cản
2.2 Thuật toán tránh vật cản
2.3 Xác định vật thể đích
6
2.1. Phương pháp tránh vật cản
Tránh vật cản luôn là bài toán thường gặp trong robot di động, đối với những
ứng dụng trong nhà thì môi trường mà robot di chuyển trong đó luôn là môi trường
động và phức tạp, trong đó có nhiều vật cản và vị trí của những vật cản có thể ở bất
kỳ đâu trên đường di chuyển của robot. Rất nhiều phương pháp tránh vật cản cho
robot di động đã được nghiên cứu và phát triển, trong phần dưới đây sẽ đề cập một
số phương pháp tránh vật cản tiêu biểu.
Phương pháp Bug
2.1.1.
Phương pháp Bug là phương pháp tránh vật cản cơ bản nhất, đây là phương
pháp mô phỏng theo sự di chuyển của loài kiến. Theo đó, khi robot di chuyển và
gặp chướng ngại vật trên đường đi thì robot sẽ di chuyển vòng quanh vật cản. Sau
khi di chuyển hết một vòng chu vi vật cản robot sẽ xác định vị trí điểm nằm trên
đường chu vi gần nhất với điểm đích, tại điểm này robot sẽ di chuyển thoát ra và đi
về điểm đích như trong hình 2.1a. Tuy nhiên phương pháp này lại không hiệu quả
như mong muốn nên đã có một số cải thiện và tạo ra phương pháp Bug2. Trong
phương pháp Bug2 thì điểm thoát của robot là giao điểm giữa đường di chuyển
quanh vật cản và điểm nối giữa điểm xuất phát và điểm đích như trong hình 4.1b.
Hình 2.1: Phương pháp tránh vật cản Bug
Ưu điểm:
+
Đơn giản, dễ thực hiện.
7
+
Xác định được đường biên của vật cản.
Nhược điểm:
+ Robot phải dừng lại trước vật cản để thu thập thông tin.
+ Do phương pháp này robot sẽ di chuyển quanh chu vi vật cản nên
tốc độ xử lý chậm.
+ Phụ thuộc vào khoảng cách từ robot tới vật cản.
+ Phụ thuộc vào bề mặt, hình dáng của vật cản.
2.1.2.
Phương pháp Potential Field
Trong phương pháp Potential Field được đề xuất bởi Khatib, thì robot được
xem là một chất điểm di chuyển trong môi trường mà trong đó chất điểm này chịu
tác động của trường lực ảo được tạo ra bởi đích và các vật cản. Trong đó, trường
lực tạo ra bởi đích gọi là trường lực hút và trường lực đẩy được tạo ra từ các vật
cản.
Trường lực được biểu diễn bằng những vecto lực và tùy vào vị trí của robot so
với đích và vật cản mà vecto lực có độ lớn và hướng khác nhau.
a) Trường lực hút
Trường lực hút được hút thể hiện tương quan về vị trí giữa đích và các điểm vị
trí robot trong môi trường như trong hình 2.2. Vị trí robot càng xa đích thì độ lớn
của vecto lực hút càng lớn và ngược lại. Hàm thế năng của trường lực hút được
định nghĩa dưới dạng hàm parabol:
Uatt(q) =
kattd2goal(q)
(2.1)
Trong đó, katt là hê số tỷ lệ dương và dgoal là khoảng cách từ điểm đích tới
robot. Hàm thế năng là không âm và có giá trị cực tiểu khi robot ở vị trí đích khi đó
Uatt(q)=0.
8
Hình 2.2: Trường lực hút biểu diễn dưới dạng biểu đồ điểm và vecto lực.
b) Trường lực đẩy
Trường lực đẩy thể hiện mối tương quan về vị trí giữa robot và vật cản như
trong hình 2.3. Vecto lực đẩy có độ lớn càng lớn khi robot di chuyển gần đến vật
cản và nhỏ dần khi robot di chuyển ra xa vật cản. Tuy nhiên, vecto lực đẩy không
ảnh hưởng đến sự di chuyển của robot khi robot có khoảng cách đủ xa so với vật
cản.
Do đó hàm thế năng của trường lực đẩy được định nghĩa:
Urep(q)={
(
)
(2.2)
Trong đó là krep hệ số tỷ lệ dương, d(q) là khoảng cách từ robot đến vật cản. d0
là hằng số dương được gọi là khoảng cách ảnh hưởng của vật cản đối với robot.
Hàm thế năng của trường lực đẩy Urep mang giá trị dương trong khoảng cách
gần với vật cản và tiến đến vô cùng khi nằm trong vùng vật cản. Khi robot tiến ra xa
vật cản với khoảng cách lớn hơn d0 thì trường thế đẩy tiến về giá trị 0.
9
Hình 2.3: Trường lực đẩy biểu diễn dưới dạng biểu đồ điểm.
c) Tổng hợp lực ảo
Robot di chuyển trong môi trường và chịu ảnh hưởng của trường lực tổng
hợp, bao gồm trường lực hút và trường lực đẩy.
U(q) = Uatt(q) + ∑
Trong Uatt(q) là thế năng hút liên quan đến đích và
(2.3)
là thế năng đẩy
liên quan đến vùng vật cản. Sự ảnh hưởng của thế năng hút sẽ kéo robot về hướng
mục tiêu, trong khi thế năng đẩy sẽ đẩy robot ra khỏi vật cản. Vecto của lực ảo 𝐹(p)
được cho bởi gradient của vecto U:
𝐹(p) = −∇U(q)= -
(2.4)
Vecto 𝐹 được định nghĩa là tổng của hai vector Fatt(q) = −∇Uatt của thế năng
hút và Frep(q) = −∇Urep của thế năng đẩy.
𝐹 (q) = 𝐹rep(q) + 𝐹att(q)
(2.5)
Lực 𝐹 là lực dẫn của robot, hướng của lực 𝐹 là hướng di chuyển của robot và
cường độ lực thể hiện tốc độ của robot như hình 2.4.
10
Hình 2.4: Tổng hợp lực ảo tác động lên robot
Ưu điểm:
+ Phù hợp môi trường đơn giản không có nhiều vật cản.
+ Phương pháp này phù hợp với tránh vật cản bằng cảm biến siêu
âm.
Nhược điểm:
+ Sập bẫy khi di chuyển đến ngõ cụt tạo bởi nhiều vật cản phức
tạp.
+ Không qua được khe giữa hai vật cản.
+ Dao động khi gặp vật cản: hạn chế này sảy ra ở việc tính toán
thuật toán.
+ Dao động khi đi trong ngõ hẹp: nguyên nhân do robot nhận được
lực đẩy từ cả hai bức tường.
2.1.3.
Phương pháp Vecto Field Histogram (VFH)
Vecto Field Histogram (VFH) được giới thiệu bởi Borenstein và Korem là
phương pháp tránh vật cản mà sử dụng biểu đồ lưới hệ tọa độ Đề Các hai chiều
(histogram grid) để mô tả môi trường. Biểu đồ được cập nhật liên tục nhờ những dữ
liệu khoảng cách đo được bởi cảm biến. Trong phương pháp VFH có ba bước thực
hiện chính:
Bước 1: Xây dựng biểu đồ lưới hệ tọa độ Đề Các hai chiều về môi trường
11
Bước 2: Từ biểu đồ lưới hai chiều, chọn vùng cửa sổ hoạt động xung quanh
robot từ đó rút ra biểu đồ biểu đồ cực một chiều từ biểu đồ vùng cửa sổ
được chọn.
Bước 3: Tính toán điều khiển góc lái.
a) Xây dựng biểu đồ lưới hai chiều
Trong bước đầu tiên của phương pháp VFH là tạo ra biểu đồ lưới 2 chiều về
môi trường xung quanh vị trí tức thời của robot và biểu đồ này được chia thành
những ô lưới mà được đặt tên là vùng biểu đồ lưới C. Mỗi ô lưới mang 2 thông tin
là vị trí ô lưới so với robot và giá trị chắc chắn (certainty value) biểu thị độ chắc
chắn về khả năng vật cản nằm trong không gian ô lưới đó như hình 2.5.
Hình 2.5: Bản đồ ô mắt lưới hai chiều.
b) Xây dựng biểu đồ cực một chiều
Ở bước hai thì biểu đồ hai chiều của môi trường sẽ được rút gọn về biểu đồ
cực một chiều biểu thị những thông tin về vật cản. Trong vùng biểu đồ lưới 𝐶 ta
chọn một cửa sổ vuông 𝐶* chứa ws x ws ô lưới và có kích thước bé hơn 𝐶 nhằm thu
nhỏ phạm vi vùng mô tả. Tâm cửa sổ 𝐶* là vị trí của robot và sẽ di chuyển khi robot
di chuyển. Biểu đồ cực một chiều biểu thị mối quan hệ về khoảng cách giữa robot
với vật cản trong môi trường xung quanh, khoảng cách này được tính từ giá trị các
ô lưới trong một cung (sector) với độ mở α0 như minh họa trong Hình 2.6.
12
Chuyển vùng cửa sổ tích cực 𝐶* thành biểu đồ cực H với giá trị của các ô tích
cực trong lưới được đại diện bởi một vecto cản (obstacle vecto), hướng của vecto
được xác định bởi góc β từ ô xem xét đến điểm trung tâm robot như trong Hình 2.7.
Hình 2.6: Bản đồ ô luới vùng cửa sổ tích cực.
Hình 2.7: Hướng và biên độ của một vecto cản.
13
c) Tính góc lái
Biểu đồ cực chứa các đỉnh hay phần mà mật độ vật cản (POD) cao và vùng
đáy là phần chứa POD thấp. Các giá trị mật độ vật cản sẽ được so sánh với một
ngưỡng để xác định vùng có vật cản là vùng có POD lớn hơn ngưỡng và vùng an
toàn có thể di chuyển là vùng có POD nhỏ hơn ngưỡng như miêu tả trong Hình 2.8.
Thông thường sẽ có từ hai hoặc nhiều vùng an toàn vì thế thuật toán VFH sẽ
chọn vùng an toàn phù hợp với hướng dẫn tới đích ktarg. Trong vùng an toàn được
chọn thì số lượng cung lớn nhất (có mức POD nhỏ hơn ngưỡng) là smax, trong đó kn
là cung biên ngoài gần với ktarg gọi là biên gần và kf là biên xa được xác định bởi
biểu thức :
kf = kn + smax
(2.6)
Để robot di chuyển tối ưu nhất qua vùng an toàn thì chọn góc lái vào giữa
vùng an toàn như trong Hình 2.9:
(2.7)
Hình 2.8: Mức ngưỡng trên sơ đồ cực để chọn hướng di chuyển.
14
Hình 2.9: Mức ngưỡng và góc .
Ưu điểm
+ Xác định được chính xác vùng có vật cản.
+ Không phụ thuộc vào hình dáng, bề mặt của vật cản
+ Robot có khả năng vượt qua được các vật cản đặt rất gần nhau
+ Không bị dao động khi gặp vật cản và di chuyển ổn định khi đi
qua các lối hẹp.
Nhược điểm
+ Các bước để thực hiện thuật toán phức tạp.
+ Cần có một máy tính xử lý nhanh do dữ liệu của cảm biến được
thu thập về xử lý một cách liên tục.
+ Phải tính toán được thông tin khoảng cách từ robot tới vật cản:
nhược điểm này được khắc phục bằng cách sử dung Camera
Kinect do ưu điểm của Camera này là thu được dữ liệu ảnh độ
sâu.
15
2.2. Thuật toán tránh vật cản
Trong quá trình di chuyển đến điểm đích vật cản sẽ xuất hiện trên đường đi.
Thuật toán đặt ra đó là robot sẽ xác định chính xác đó là vật cản và tính toán góc lái
để di chuyển qua vùng vật cản một cách an toàn. Để giải quyết vấn đề này nhóm
thống nhất rằng phương pháp tránh vật cản của VFH là tối ưu nhất vì VFH có khả
năng điều khiển robot vượt qua được những vật cản đặt rất gần nhau, không bị dao
động khi gặp vật cản và di chuyển ổn định khi qua các lối hẹp. Thuật toán tránh vật
cản của robot được xây dựng dựa trên hai bước cơ bản là xây dựng biểu đồ
histogram về môi trường và tính góc lái di chuyển robot.
2.2.1.
Xây dựng biểu đồ histogram độ sâu
Xây dựng biểu đồ histogram độ sâu về môi trường là một bước quan trọng
làm nền tảng cho việc xác định vật cản, tính toán góc lái di chuyển qua vật cản.
Biểu đồ histogram độ sâu thể hiện mối tương quan về khoảng cách giữa robot và
các vật thể trong môi trường, thông tin khoảng cách được thu thập từ cảm biến.
Độ rộng góc nhìn của camera là α tương ứng với độ phân giải ảnh theo trục
ngang là z. Vật cản xuất hiện trên ảnh là một vùng điểm ảnh nên để xác định góc
giữa vùng vật cản và robot thì căn cứ vào vị trí điểm ảnh mà tại đó bắt đầu giá trị
khoảng cách vượt ngưỡng về bên trái của robot hoặc kết thúc giá trị khoảng cách
vượt ngưỡng về bên phải của robot, vị trí điểm ảnh bắt đầu là (x1,y1) và kết thúc là
(x2,y2). Góc tương quan β giữa robot và vật cản được tính bằng công thức:
β= β sẽ có giá trị từ - đến
trong Hình 2.10.
so với trục góc của robot tại góc
(2.8)
của camera như
16
Hình 2.10: Mối tương quan về góc giữa robot và vật cản
Để xây dựng được biểu đồ histogram độ sâu nhóm đã thực hiện như sau: (a)
Tính toán độ sâu trung bình của từng sector. Tiếp theo (b)Tìm sector có độ sâu bé
nhất. Sau đó bước cuối cùng và quan trọng nhất là (c) Xây dựng biểu đồ histogram
độ sâu.
a) Tính toán độ sâu trung bình của từng sector
Sau khi lấy được ảnh độ sâu từ thiết bị Kinect độ phân giải 640x480 tiến hành
chia khung hình thành 64 hàng và 48 cột. Một ô có giá trị là 10x10 pixel một ô như
vậy được gọi là 1 sector như trong hình 2.11. tiếp theo tính giá trị độ sâu trung bình
của từng sector.
Hình 2.11: Chia khung ảnh thành các sector và tính giá trị trung bình độ sâu
17
b) Tìm sector có độ sâu bé nhất
Mục đích của việc này là giúp robot nhận biết được phía trước mặt của robot
có vật cản hay không có vật cản, nếu có thì vật cản nằm ở đâu, khoảng cách so với
robot là bao nhiêu và kích thước của vật cản là như thế nào.
Nhóm đã thực hiện quét tất cả 3072 sector và tìm ra những sector có khoảng
cách nhỏ nhất so với camera. Đây là bước tiền đề cho xây dựng biểu đồ histogram
độ sâu và việc tính góc lái chính xác cho robot di chuyển qua vùng có vật cản. Hình
2.12 là kết quả sau khi tính toán độ sâu trung bình của từng secto và tìm ra những
secto có độ sâu trung bình nhỏ nhất của mỗi một cột. Nhìn vào hình ta thấy những
secto có màu xanh lá cây là những sector có độ sâu trung bình nhỏ nhất nếu giá trị
độ sâu đó nhỏ hơn hoặc bằng với ngưỡng mà ta cài đặt trước (ngưỡng trong đề tài là
1m) thì robot coi đó là vùng vật cản còn những sector còn lại là vùng không có vật
cản. Ví dụ trên trả lời được câu hỏi phía trước mặt của robot có vật cản hay không
có vật cản, nếu có thì vật cản nằm ở đâu, khoảng cách so với robot là bao nhiêu và
kích thước của vật cản là như thế nào?
Do chia nhỏ khung hình độ sâu ra thành các sector nên trong đề tài robot khả năng
nhận dạng chính xác được những vật cản có kích thước rất nhỏ, chiều cao của vật
cản cao hơn mặt sàn 10cm và cách robot một khoảng từ 70cm đến nhỏ hơn 1m.
Hình 2.12: tìm sector có độ sâu nhỏ nhất
18
c) Xây dựng biểu đồ histogram độ sâu
Độ rộng góc nhìn của camera là α= 570 theo tương ứng với độ phân giải ảnh
theo trục ngang. Chia khung hình thành 64 ô. Thông tin khoảng cách được tính toán
theo mỗi một góc hình quạt thứ k như minh họa trong hình 2.13, mỗi góc có độ lớn
là 𝜏 nên giá trị n = , ở đây giá trị 𝜏 = 0.9 và α= 57 nên k = 64, k có giá trị từ 0 đến
63. Giá trị khoảng cách được tính theo công thức:
hk = ck*2(a – bdk)
(2.9)
ck*2: giá trị chắc chắn của ô góc hình quạt thứ k
dk : khoảng cách bé nhất từ robot đến các điểm ảnh trong một góc hình quạt
thứ k
a, b : là những hằng số dương
hk : giá trị khoảng cách tác động tại góc hình quạt thứ k
Hình 2.13: Biểu đồ histogram độ sâu.
2.2.2.
Tính góc lái
Việc tính toán góc lái cho robot phải dựa vào việc xác định vùng an toàn.
Vùng an toàn để robot di chuyển là vùng có số lượng cung liên tiếp nhiều nhất Smax
mà giá trị hk không vượt qua ngưỡng tác động. Vùng an toàn được giới hạn bởi hai
cung biên là kt, kp như trong Hình 2.14, trong đó kt là cung gần nhất bên trái, kp
cung gần nhất bên phải xác định bởi công thức:
kp = kt + Smax
(2.10)
19
Góc lái của robot được cho bởi công thức:
θ = (kt + kp)/2
(2.11)
Hình 2.14: Góc lái θ của robot
2.3. Xác định vật thể đích
Hình 2.15 trình bày 4 bước cơ bản của thuật toán nhận dạng vật đích trong ảnh
RGB thu được từ camera như sau:
Bước 1
• Chọn thông số
màu mẫu
Bước 2
• Chuyển đổi ảnh
RGB sang ảnh
HSV
Bước 3
• Tìm điểm ảnh có
thông số màu
trùng với màu
mẫu
Bước 4
• Xác định tọa độ
tâm vùng màu
Hình 2.15: Các bước nhận dạng vật đích trong ảnh thu từ camera
Bước 1: Chọn thông số màu mẫu
Các thông số màu mẫu được chọn sao cho trùng với thông số màu của vật thể
đích cần nhận dạng, thông thường các thông số màu này được chọn trước và lưu
vào trong cơ sở dữ liệu. Màu sắc của vật thể đích trong ảnh thu bởi camera thì các
thông số màu được thực hiện ngay trên ảnh thu được. Như vậy sự sai lệch về thông
số màu chỉ phụ thuộc vào đặc tính kỹ thuật của camera và sự sai lệch này không ảnh
hưởng đến thuật toán nhận dạng.
20
Bước 2: Chuyển đổi ảnh trong không gian màu RGB sang HSV
Để có thể nhận dạng được vật thể đích dựa vào màu sắc, thuật toán nhận dạng
phải tìm được vùng có màu sắc đặc trưng giống như vật thể đích trong ảnh thu được
từ camera. Đối với ảnh màu RGB thì việc nhận dạng là rất khó thực hiện được vì
không gian màu RGB dựa trên ba màu cơ bản đó là màu đỏ (Red), màu xanh lá
(Green) và màu xanh dương (Blue) tổ hợp theo nhiều phương thức khác nhau để tạo
thành các màu còn lại, bên cạnh đó trong cùng một vùng màu thì cường độ tại mỗi
điểm không đồng nhất do đó cần chuyển đổi ảnh trong không gian màu RGB sang
ảnh màu HSV. Trong OpenCV, H (Hue) có giá trị trong khoảng (0, 179) mang
thông tin về màu sắc. S (Saturation) có giá trị (0, 255) cho thông tin về độ thuần
khiết của màu. V (Value) có giá trị (0, 255) cho biết độ sáng của điểm ảnh. Đặc
điểm của ảnh biểu diễn trong không gian màu HSV là mỗi màu sắc được mô tả và
giải thích giống với việc mô tả và giải thích màu sắc của con người.
Bước 3: Tìm điểm ảnh có thông số màu trùng với vật đích
Thông số màu sắc của mỗi điểm ảnh sẽ được so sánh với thông số màu của vật
thể đích lưu trong cơ sở dữ liệu. Nếu điểm ảnh đang xét có thông số màu trùng với
thông số màu của vật thể đích thì điểm ảnh đó sẽ được gán cho giá trị độ sáng lớn
nhất là 255 (tương ứng với mức trắng) ngược lại thì điểm ảnh sẽ được gán cho giá
trị độ sáng thấp nhất là 0 (tương ứng với mức tối) trong ảnh xám như trong Hình
2.16.
Bước 4: Xác định tọa độ tâm vùng màu trên khung ảnh:
Sau khi đã đánh dấu những điểm ảnh có thông số màu sắc giống vật thể đích,
bước tiếp theo là xác định vị trí mà mật độ cao nhất có các điểm ảnh với thông số
màu giống vật thể đích. Khi số lượng điểm ảnh đạt đến một giá trị ngưỡng thì thuật
toán sẽ xác định vùng có mật độ điểm ảnh này chính là vật đích, đồng thời xác định
vị trí tâm của vùng điểm ảnh này để có được tọa độ tâm của vật đích trên khung
ảnh. Tọa độ tâm vật thể đích là cơ sở cho việc xác định khoảng cách từ vật thể đích
đến robot phục vụ cho thuật toán định vị và xây dựng lên biểu đồ histogram màu để
tính toán góc lái cho robot di chuyển tới điểm đích. Hình 2.17. Thuật toán
- Xem thêm -