自动化专业毕业设计（论文）文献翻译全自动吸尘器核心控制电路设计.doc

《自动化专业毕业设计（论文）文献翻译全自动吸尘器核心控制电路设计.doc》由会员分享，可在线阅读，更多相关《自动化专业毕业设计（论文）文献翻译全自动吸尘器核心控制电路设计.doc（10页珍藏版）》请在三一办公上搜索。

1、毕业论文（文献翻译） 题 目_全自动吸尘器核心控制电路设计 学生姓名 指导教师 学 院 信息科学与工程学院 专业班级 自动化2007级 一个基于全景摄像机的智能吸尘系统摘 要：本文介绍了一种使用全景摄像机提供导航信息的智能吸尘系统，在系统设计中，改进了连续自适应均值移动算法，而且用到了积极构架的不同算法，基于目标探测，追踪，路线规划，能实现自动控制。进行了一系列的实验。相对于市场上的第一代智能吸尘器，本文介绍的系统得益于来自全景摄像头的反馈信息，这样会使系统即使在外界的干扰下清洁也更加高效。关键词：智能吸尘器，全景摄像机，改进的连续自适应均值移动算法，积极构架的不同算法1简介 当今市场上最具代

2、表性的智能吸尘器是伊莱克斯设计的，称为三叶虫。这种吸尘器使吸尘工作更加简便。但是，它们还是有一些缺点。由于采用了开环控制系统，第一代智能吸尘器工作起来比较盲目。它们只能依靠固定的预先设定的程序来移动和清洁，而不能根据不同的环境来调节移动的方案，使移动和清洁更加高效。从而第一代吸尘器总是存在低效率、低覆盖率的问题。这种问题在清洁较大的区域的时候显得更加的难以忍受。基于全景摄像机的智能吸尘器运用图像处理算法探测和追踪吸尘器，由此获得基于运用规划的导航信息。由于装备了实时闭环控制系统，获得了高效率的智能吸尘系统。本文的安排如下：第二部分介绍目标探测和追踪的算法，这个算法被考虑到我们应用程序的提高。第

3、三部分通常介绍了测试系统的设计,第4部分节目试验结果和一些分析;第五部分提供了一种结论。2 目标探测和追踪2.1 目标探测现在又许多关于目标探测的算法。考虑到计算效率，连续基于帧间差分运用到我们的系统。同时，当探测时目标被限制在一个区域内。为了使移动更加快速和高效，运用到了一种积极的方法.当需要执行目标检测，系统发出指令信号使吸尘器在一个小区域内移动，这为连续基于帧间差分算法检测目标提供了方便。2.2 目标追踪2.2.1 连续自适应均值移动算法目标追踪算法是我们系统的核心部分。根据实时的需求，这个算法本应该简单和快速。所以，连续自适应均值移动被选作原始的算法。运用均值漂移理论123，连续自适应

4、均值移动运用色调饱和价值(HSV)颜色系统在视频场景里跟踪被涂了色彩的物体。因为它的计算效率和效力，这种算法在大多数环境下工作良好。连续自适应均值移动算法的步骤如下4：1. 在跟踪窗口计算图像的一维色彩直方图。2. 根据直方图计算概率分布图。3. 使用均值漂移理论，在跟踪窗口计算对象的质心(一次或多次迭代)4. 转化跟踪窗口并根据均值漂移理论的计算结果调整窗口的大小。5. 重复第三步和第四步，直至收敛。 2.2.2 缺点原始的连续自适应均值移动算法有一些缺点。第一点，连续自适应均值移动均值漂移理论的核心是工作在概率分布空间，这就说明在追踪的时候它不能直接知道物体的颜色。考虑到初始追踪窗口和物体

5、不匹配的情况，例如：窗口中的像素点大多数都不是你想追踪的，但对于其他物体和或背景是有用的。原始的连续自适应均值移动算法仍然认为它的窗口包含了大多数的正确的对象，因为它只要面对概率分布。那么，在窗口上得到的主要质量的质心将不是那个你想要得到的对象的质心，但有一些出发到其他对象甚至背景。事情变得更糟的是,该算法在逐帧进行着,跟踪窗口根据质心信息移动和固定；那么，如果质心和这一帧的计算出的“正确的”质心有偏差，那么跟踪窗口在接下来的一帧不会向预期的正确的目标的质心移动，相反会远离它，这就会使下一帧的计算结果的偏差更大。结果，追踪到一个错误的目标或背景。如图1.1,1.2所示，连续自适应均值移动算法收

6、敛到蓝色的书上，而不是我们想要的红色吸尘器。 图1.1 一个分离窗口 图1.2 跟踪丢失第二个问题发生在跟踪的对象是与其他区域的形象类似的色相值。在这种情况下，连续自适应均值移动算法会扩大跟踪窗口来捕捉整个区域，因为连续自适应均值移动算法在进行迭代的时候有扩大跟踪区域的性质。它的初衷是为了方便地获得整个对象，但是这里却出现了问题。如果连接的区域比跟踪的目标大很多，跟踪窗口将会偏离正确的目标很厉害。连续自适应均值移动算法所计算出来的质心和区域相对于正确的目标有很大的误差，导致了跟踪失败。如图2.1,2.2所示，跟踪窗口被椅子和桌子干扰。 图2.1 正常跟踪 图2.1 跟踪被干扰第三个问题在理论上

7、和第二个问题相同，根据不同的形式和不同的解决方法，我们认为它为另一个不同的问题。它也发生在跟踪对象是与其他区域的图形类似的色相值。研究发现,在这种情况下,不仅是跟踪窗口将扩大到错误的区域正如前面提到的问题，而且跟踪窗口会完全分心到一个错误的区域而离开原始的目标。例如，我们跟踪的目标（取名为A，像图3.1,3.2中的浅红色的吸尘器）也许会在一个参考系里连接到另一个目标（取名为B，像图3.1,3.2中的黑色的袋子），几秒钟以后，A偏离了B。我们发现连续自适应均值移动算法会受到B的干扰，当A远离我们的实验区域：它从这里开始跟踪B而非A。2.2.3 改进基于均值漂移理论,结合应用运用了一些列的方法来解

8、决上述问题。第一个问题是收敛域问题。这个问题的关键是，对象区域在跟踪窗口的比例是多少的情况下，连续自适应均值移动算法的迭代能够收敛到正确的对象。例如，定义P为对象区域在跟踪窗口的比例。根据我们的实验，Gary R.Bradski的原始连续自适应均值移动算法能够覆盖到正确的目标当且仅当P大于85%。在许多应用程序里，如此严格的条件可能永远不能满足。为了解决这个问题,我们必须扩大收敛域。在我们的应用程序中，以前的HSV色彩模型就是用来做这个的。例如，在吸尘器跟踪中，根据先前的知识，目标的HSV色彩模型，能够描述如下：在这一区域的近似红色色调渠道，不太小中饱和价值，不太暗和太亮。根据这些模型得到的阈

9、值,只在乎连续自适应均值移动算法定义在模型的图像面积在跟踪窗口。因此，均值漂移的迭代的结果是正确对象的图心。实验结果表明,改进的连续自适应均值移动算法可以收敛的条件仅仅要求P大于零。如图4显示：图4.1我们看到跟踪窗口仅仅包括一小部分的吸尘器，但以大部分的蓝色的书，但在图4.2中算法正如我们想要的收敛到了吸尘器。 图4.1 一个分离窗口 图4.2 跟踪正常这个方法能在一定范围内解决第二个问题，作为一个好HSV理论上将要求色相相似的值更严一点。而且，反馈概念被跟踪算法用来自发地发现应用程序中的跟踪错误。由于跟踪物体在图像里的大小在整个工作区域有一定的规模，在测试连续自适应均值移动算法的结果时设定

10、了目标区域限制，叫作区域限制，来观察跟踪结果区域是否太大或者太小。如果目标超出了尺寸，我们的算法知道一个错误出现。它就会重新启动目标检测程序，去重新检测目标。改进实验结果显示在图5.1中，我们看到跟踪收到干扰，而且跟踪窗口变得很大；在图5.2中，算法检测出自身的错误并且重新找到了正确的目标（吸尘器）。 图5.2 检测错误 图5.2 重新找到目标第三个问题同样能用反馈的理论解决。这次应用到了一种移动限制技术。在我们的应用程序中，只有使吸尘器按照我们的指令信号移动，但是在全景视野里没有其他的任何一个目标有相同的功能，包括干扰物。那么，跟踪算法加入了一些特殊的代码，去测试实时的目标能不能按照预定的路

11、径行走。如果没有，那么必然出现了跟踪错误。这时主动目标探测再次被用到。改进的实验结果显示在图6.1,6.2。 图6.1 跟踪干扰 图6.2 重新找到目标3 测试系统3.1.路径规划基于优秀的目标探测和目标跟踪，来来回回算法被用到路径规划算法中5。在实际系统中，在软件代码中两个目的地设立在两个长方形的边缘。吸尘器在两个边缘之间穿梭，直到它清理了整个区域。在控制过程中，用按照第二部分的步骤的图形得到的位置和速度信息，导航来调整吸尘器的动作和移动方向。3.2.系统模块图7显示的是系统中软件的PC代码和MCU代码。PC代码连续不断的从摄像机获得图像数据，然后分析数据并通过来来回回算法导航吸尘器，通过三

12、线程并行运作。MCU代码主要处理电脑和红外控制器的一系列的通信。硬件包括一个红外控制器，一个全景摄像机，一台电脑和一个吸尘器。红外控制器用到了一个AT89C2051的单片机，用来在电脑到控制器的红外模块之间传送指令。全景摄像机是MODERN SN9C120，分辨率是800X600而且帧速率在这种分辨率下可以达到帧每秒。传输协议时USB1.1用到了一个3.6mm的广角镜头。处理器是英特尔奔腾四CPU，主频为2.66GHZ，512M内存。原始的吸尘器是SHANGHAI ROBMonster，它是一种第一代智能吸尘器，具有红外解码功能。下面为一些相关参数：前向吸尘宽度：0.2；最大速度：0.2/s；

13、尺寸：0.36m*0.26m；图7 系统模块4 测试结果我们测试出了在三种情况下的结果。第一个是没有任何外部干扰。用户把清理区域清理完后，吸尘器来来回回移动清洁整个区域。如图8所示，吸尘器能够在380秒的时间内清洁6平方米的区域，平均覆盖区域98%（黑色部分显示覆盖率），这表明了系统的高效率和覆盖率。第二个测试是为了表明系统在工作区域存在其他移动物体（如：人）时候的稳定性。通过测试，表明如果跟踪目标（吸尘器） 部分被遮挡，或者完全被挡住，清洁效率和覆盖率受到的影响很小，还是能够在380秒的时间内清洁6平方米的区域，平均覆盖区域98%。如果吸尘器完全被挡住片刻后遮挡物离开了摄像头视野，吸尘器的覆

14、盖率依然降低的很少，依然能够维持在98%以上，但是根据遮挡物挡住目标的时间清洁所花费的时间会增长。清洁的时候有人在场景里走动和覆盖率效果如图9.1，9.2。低三个测试表明系统在一个有固定障碍物的场景里工作。由于拥有改进的连续自适应均值移动算法，系统能够克服短暂的跟踪丢失。通过启动目标探测，吸尘器能够迂回避开小的障碍物。结果显示覆盖率降低了一点点，达到95%，但是工作时间增加了大约三分之一（大概500秒完成6平方米）。有一个椅子在工作区域的测试场景如图10.1,10.2。 图8.1 无干扰 图8.2 覆盖率 图9.1 其他移动目标 图9.2 覆盖率 图10.1 固定的障碍物 图10.2 覆盖率5

15、 总结 实验表明，基于全景摄像机的智能吸尘器能够在无干扰、局部遮挡和短暂全部遮挡的情况下高效率工作，激活目标探测和在连续自适应均值移动算法中的以前的HSV色彩模型，特别是区域限制和动作限制，能够增大收敛域，发现目标跟踪的错误并及时改错误，能够更稳定地提供导航信息。通常，相对于第一代智能吸尘器这个系统达到满意的清洁效率和覆盖率，第一代智能吸尘器工作盲目而且不能在短时间内覆盖整个清洁区域。研究表明，当清洁区域比吸尘器自身的体积大25倍的时候，如果用随机路径规划措施那么清洁覆盖率收敛到30%6。应用在应用程序的加强的目标跟踪算法和其他的技术能够适应其他环境，像机械收割，自动引导，绘图等等。参考文献1

16、Comaniciu, D.,Meer, P., Mean shift:a robust approach toward feature space analysis,IEEE Transactions on Pattern Analysis and Machine Intelligence,Volume 24,Issue 5,May 2002 2Yizong Cheng, Mean shift, mode seeking, and clustering,IEEE Transactions on Pattern Analysis and Machine Intelligence,Volume 1

17、7,Issue 8,Aug.19953Comaniciu, D., Ramesh, V., Meer, P., Kernel-based object tracking, IEEE Transactions on Pattern Analysis and Machine Intelligence,Volume 25,Issue 5,May 20034Gary R.Bradski,Microcomputer Research Lab,Santa Clara,CA,Intel Corporation,Computer Vision Face Tracking For Use in a Perceptual User Interface5Graham Mann, George Katz. Chemical Trail Guidance for Floor Cleaning Machines.University of New South Wales,Sydney NSW 2052 Australia.6Wang Jian, Complete Coverage Path Planning of Mobile Robot,2003,1213