淡江大學覺生紀念圖書館 (TKU Library)
進階搜尋


系統識別號 U0002-1208201315262300
中文論文名稱 基於PSO模糊分類器於多目標色彩模型的設計
英文論文名稱 PSO-based Fuzzy Classifier in Multi-Object Color Models Design
校院名稱 淡江大學
系所名稱(中) 電機工程學系碩士班
系所名稱(英) Department of Electrical Engineering
學年度 101
學期 2
出版年 102
研究生中文姓名 林怡女勻
研究生英文姓名 Yi-Chun Lin
學號 600470016
學位類別 碩士
語文別 中文
口試日期 2013-07-17
論文頁數 56頁
口試委員 指導教授-李世安
委員-王文俊
委員-蔡奇謚
中文關鍵字 色彩分割  模糊系統  粒子群最佳化演算法  全方位視覺 
英文關鍵字 Color Segmentation  Fuzzy System  PSO  Omnidirectional Vision 
學科別分類 學科別應用科學電機及電子
中文摘要 本論文係以符合FIRA (Federation of International Robot-soccer Association) RoboSot規則之中型足球機器人全方位視覺系統為發展平台,研究基於PSO模糊分類器之多目標色彩模型的設計,取代傳統以人工建立多目標色彩模型的方法,提升建立色彩模型之效率,並且改善一般以HSV色彩空間中色相、飽和度與亮度之上下界建立色彩模型容易包含過多不屬於目標色彩範圍的問題,減少機器人誤判目標物的可能。本論文提出解耦合模糊分類器的方法簡化PSO訓練參數之複雜度,一個模糊分類器建立一種目標色彩模型,單一模糊分類器之輸入為像素之三分量-色相、飽和度、亮度,輸出為像素對應模糊規則庫之最大歸屬度與其所屬規則類別,綜合模糊分類器獲得歸屬度最大之所屬類別即為輸出。PSO模糊分類器為監督式學習方法,一般樣本空間以事先在多種環境下取得之多目標樣本組成,而本論文以固定位置作為基本定位,定義感興趣之多目標物範圍後就地取樣,建立適合當時環境之色彩模型。實驗結果呈現本論文提出之建立多目標色彩模型方法較使用六個閥值建立之色彩模型貼近多目標物之色彩模型,且提升人工建立色彩模型之效率。
英文摘要 The construction of multi-object color models based on PSO-based fuzzy classifier is proposed. This study is developed on omnidirectional vision system of middle-size robots with the competition of FIRA (Federation of International Robot-soccer Association) RoboSot. It replace the old method in order to promote the efficient of construct multi-object color models by manual and improve the problem which misjudge the object because of using six thresholding in HSV color space may include too many colors not belong objective color model. This paper proposed a method to reduce the complexity of training parameter in PSO algorithm with a decouple fuzzy classifier. One fuzzy classifier will construct an objective color model. The input for fuzzy classifier is the consistence in one pixel, hue, saturation, value. The maximum membership value with the color class is output. PSO fuzzy classifier is a supervised learning method. Generally, the patterns of multi-object were obtained in multi-environment beforehand. This paper use fixed location to define the region of interest then get the patterns of multi-object pixels right there. And construct the multi-object models suit of the environment. The experiments show the multi-object color models construct by the proposed method between by manual use six thresholding is much close to the real multi-object color models and much efficiently.
論文目次 目錄
中文摘要 I
英文摘要 II
目錄 III
圖目錄 V
表目錄 VIII
第一章 緒論 1
1.1 研究背景 1
1.2 研究動機 4
1.3 論文架構 7
第二章 中型足球機器人之全方位視覺系統 8
2.1 中型足球機器人簡介 8
2.2 中型足球機器人之全方位視覺系統 11
2.3 HSV色彩模型 13
第三章 演算法介紹 17
3.1 模糊分類器 17
3.2 粒子群最佳化演算法 22
3.3 PSO模糊分類器建立之色彩模型 28
第四章 實驗結果 45
4.1 PSO模糊分類器建立之色彩模型應用於色彩分割 45
4.2 PSO模糊分類器建立之色彩模型與目標模型比較 49
4.3 PSO模糊分類器應用於中型足球機器人 50
第五章 結論與未來展望 54
參考文獻 56

圖目錄
圖 1.1、FIRA RoboSot之競賽場地尺寸 3
圖 1.2、FIRA RoboSot 競賽場地三維示意圖 3
圖 1.3、FIRA RoboSot賽用指定球 4
圖 1.4、傳統手動建立目標物色彩模型方法 6
圖 1.5、場中主要四個目標物之像素樣本分佈情形 6
圖 1.6、像素目標樣本與其HSV之上下閥值 6
圖 2.1、中型足球機器人 9
圖 2.2、中型足球機器人之系統架構圖 9
圖 2.3、全方位視覺感測器之外觀 11
圖 2.4、全方位視覺扭曲之影像 13
圖 2.5、全方位視覺系統使用極座標標記目標物之示意圖 13
圖 2.6、RGB之色彩模型 14
圖 2.7、HSV之色彩模型 15
圖 3.1、模糊系統之架構圖 18
圖 3.2、梯形歸屬函數之參數 20
圖 3.3、粒子群最佳化演算法流程圖 23
圖 3.4、粒子群最佳化演算法訓練模糊分類器之架構圖 29
圖 3.5、單一解耦合之模糊分類器輸出入示意圖 31
圖 3.6、模糊分類器架構圖 31
圖 3.7、全方位影像取樣範例 32
圖 3.8、使用修正式迭代法之二值化影像 35
圖 3.9、目標物扇形區域範圍 36
圖 3.10、實際取得之像素樣本 36
圖 3.11、歸屬函數為梯形函數之範例 39
圖 3.12、指數函數曲線 41
圖 3.13、提供樣本之原始圖 42
圖 3.14、紅色模糊分類器前件部之訓練結果 42
圖 4.1、理想之色彩分割 46
圖 4.2、使用模糊分類器建立之色彩模型與目標物色彩模型之比較 49
圖 4.3、一個定位點之取樣圖 52
圖 4.4、三個定位點新增之取樣圖 52
圖 4.5、實際應用於2013年 FIRA RoboSot 53

表目錄
表 2.1、數位高速攝影機規格表 10
表 3.1、以粒子群最佳化演算法訓練模糊分類器之結果(其一) 43
表 3.2、以粒子群最佳化演算法訓練模糊分類器之結果(其二) 44
表 4.1、訓練十次模糊分類器之結果 46
表 4.2、分別使用一個及三個定位點取樣之色彩模型用於色彩分割 51
參考文獻 參考文獻
[1] 何丞堯,全方位視覺足球機器人之自我定位系統的設計與實現,淡江大學電機工程學系碩士論文(指導教授:翁慶昌),2009。
[2] 陳煒傑,以直方圖為基礎之多閥值搜尋演算法應用於彩色多物體切割,淡江大學電機工程學系碩士論文(指導教授:蔡奇謚),2012。
[3] 鄧宏志,中型機器人足球系統之即時影像處理,淡江大學電機工程學系碩士論文(指導教授:翁慶昌),2006。
[4] 謬紹綱,數位影像處理,台灣培生教育出版股份有限公司,2009。
[5] A. A. Younes, I. Truck, and H. Akdaj, “Color Image Profiling Using Fuzzy Sets,” Turk J Elec Engin, Vol. 13, No. 3, 2005.
[6] A. Borji, and M. Hamidi, “Evolving a Fuzzy Rule-Base for Image Segmentation,” International Journal of Intelligent Systems and Technologies, pp.178-183, 2007.
[7] A. Mackworth, “On seeing robots,” World Scientific Press Computer Vision: System, Theory, and Applications, pp. 1-13, 1993.
[8] FIRA, URL: http://www.fira.net/
[9] J. Kennedy, “The Particle Swarm: Social Adaptation of Knowledge,” Proceedings of IEEE International Conference on Evolutionary Computation. pp. 303-308, 1997.
[10] J. Kennedy, R. Eberhart, “Particle Swarm Optimization,” Proceedings of IEEE International Conference on Neural Networks. pp. 1942-1948.
[11] L. A. Zadeh, “Fuzzy sets,” Information and Control, Vol.8, pp. 338-353, 1965.
[12] N. Otsu, “A Threshold Selection Method from Gray-Level Histograms,” IEEE Transactions on Systems, Man and Cybernetics, Vol. 9, No. 1, pp. 62-66, Jan. 1979.
[13] N. V. Lopes, P. A. M. Couto, and H. Bustince, “Automatic Histogram Threshold Using Fuzzy Measures,” IEEE Transactions on Image Processing, Vol. 19, No. 1, pp.199-204, 2010.
[14] P. Puranik, P. Bajaj, A. Abraham, P. Palsodkar, and A. Deshmukh, “Human Perception-based Color Image Segmentation Using Comprehensive Learning Particle Swarm Optimization,” Second International Conference on Emerging Trends in Engineering and Technology, pp. 630-635, 2009.
[15] R. C. Gonzalez and R. E. Woods‚ Digital Image Processing‚ Addison-Wesley‚ New York‚1992.
[16] RGB color model, URL:https://en.wikipedia.org/wiki/RGB_color_model
[17] RoboCup, URL: http://www.robocup.org/
[18] M. Sonka, V. Hlavac, and R. Boyle, “Image Processing,Analysis,and Machine Vision,” PWS publishing, 1999.
[19] HSV color model, URL:https://en.wikipedia.org/wiki/HSL_and_HSV
[20] Supervised learning, URL:http://en.wikipedia.org/wiki/Supervised_learning
論文使用權限
  • 同意紙本無償授權給館內讀者為學術之目的重製使用,於2018-09-16公開。
  • 同意授權瀏覽/列印電子全文服務,於2018-09-16起公開。


  • 若您有任何疑問,請與我們聯絡!
    圖書館: 請來電 (02)2621-5656 轉 2281 或 來信