Thạc Sĩ Nhận diện các dạng bề mặt phục vụ phân loại vật thể sử dụng camera RGB-D

MỞ ĐẦU

Các robot với mục đích sử dụng hàng ngày trước đây thường sử dụng các loại cảm biến truyền thống như cảm biến hồng ngoại, cảm biến siêu âm. Nhược điểm của các loại cảm biến này là thông tin mang lại ít, gây ra nhiều giới hạn cho việc vận hành và khả năng của robot để thực hiện các tác vụ phức tạp. Trong những năm gần đây, với sự đi lên của khoa học kĩ thuật, kĩ thuật xử lý ảnh và các hướng nghiên cứu về thị giác máy tính (Computer Vision) đang được phát triển, trong đó có thị giác máy tính sử dụng trong Robotics. Việc sử dụng camera giúp robot cảm nhận được môi trường xung quanh một cách đầy đủ và chi tiết hơn nhiều so với các loại cảm biến truyền thống. Từ đó tăng tính khả thi cho các bài toán phức tạp hơn về robot như khả năng nhận diện vật thể (màu sắc, hình khối), giúp phối hợp robot hoạt động bầy đàn (định vị, lập bản đồ, phối hợp tuần tra, tìm kiếm cứu nạn đa mục tiêu),

Hiện nay, hướng nghiên cứu thị giác máy tính không chỉ tập trung vào việc xử lý ảnh màu 2D mà còn phát triển cả các công cụ xử lý ảnh 2.5D và 3D. Các loại camera 3D trên thị trường thường sử dụng kết hợp camera màu RGB truyền thống và camera độ sâu (Depth), cho đầu ra là ảnh kết hợp RGB-D.

Bài toán nhận diện và phân loại các bề mặt vật thể sử dụng camera RGB-D là một bước khởi đầu cho việc nghiên cứu thị giác máy tính theo xu hướng mới hiện nay. Mục tiêu của luận văn là xây dựng chương trình có khả năng phân biệt, nhận biết các bề mặt vật thể trong ảnh. Đề tài có thể được phát triển tiếp thành các ứng dụng trong lĩnh vực robot, hệ thống đa robot hay trong đời sống hàng ngày.

MỤC LỤC
LỜI CAM ĐOAN .2
LỜI CẢM ƠN .3
MỤC LỤC .4
DANH MỤC HÌNH VẼ VÀ ĐỒ THỊ .6
DANH MỤC BẢNG BIỂU 7
DANH MỤC KÍ HIỆU VÀ CHỮ VIẾT TẮT .8
MỞ ĐẦU .9
Chương 1: Giới thiệu .10
1.1. Giới thiệu về các ứng dụng của robot và đa robot .10
1.2. Camera RGB-D và đám mây điểm 11
1.3. Mục tiêu và đối tượng nghiên cứu .13
1.4. Các nghiên cứu liên quan .14
Chương 2: Các kỹ thuật xử lý đám mây điểm 16
2.1. Tiền xử lý 16
2.1.1. Giảm mẫu .16
2.1.2. Loại bỏ những điểm không liên quan .17
2.1.3. Phân đoạn và ghép nhóm .19
a. Phân đoạn .19
b. Ghép nhóm 23
2.2. Tính toán đặc trưng điểm .25
2.2.1. Các điểm lân cận .25
2.2.2. Tìm kiếm điểm lân cận bằng cây k-d tree 26
2.2.3. Ước lượng véc tơ pháp tuyến .29
2.2.4. Lược đồ đặc trưng điểm .32
Chương 3: Phân loại đặc trưng điểm bằng phương pháp học máy SVM 38
3.1. Khái niệm máy véc tơ hỗ trợ 38
3.2. Mô hình phân lớp SVM 38
3.3. Chuyển đổi không gian dữ liệu SVM 39
3.4. Các hàm Kernel phổ biến .41
5
3.4.1. Kernel đa thức .41
3.4.2. Kernel RBF 41
Chương 4: Kết quả thực nghiệm 43
4.1. Thư viện mở Point Cloud Library .43
4.2. Thư viện mở libsvm .44
4.3. Sơ đồ chương trình 44
4.4. Kết quả .49
4.4.1. Kết quả trên dữ liệu không nhiễu 49
4.4.2. Kết quả trên đám mây điểm quét từ Kinect .50
Chương 5: Kết luận .55
5.1. Kết luận 55
5.2. Hạn chế và hướng phát triển 55
Tài liệu tham khảo .56