針對小型人形機器人，本論文提出一個有效整合機器人系統的架構，此機器人系統擁有共同的資料庫以及統一的機器人變數名稱，使得於機器人各個子系統間溝通能夠更加順利。此外，本論文在此架構下設計實現一個具有影像特徵辨識的視覺系統。本論文使用尺度不變特徵轉換(Scale Invariant Feature Transform, SIFT)作為影像特徵辨識的演算法，以及使用K-d-BBF Tree作為影像特徵比對的演算法。從實驗結果可知，本論文所設計實現的方法確實可以有效的辨識影像特徵，並且能夠準確的辨識出目標物。

In this thesis, a system architecture is proposed to effectively integrate a robotic system for small-size humanoid robot. This system has a common database and variable names are unified so that the communication between each subsystems in the robotic system can be more smoothly. In addition, a vision system with the abilities of feature recognition and matching is designed and implemented in this system architecture. Scale Invariant Feature Transform (SIFT) is used as the image feature recognition algorithm and Kd-BBF Tree is used as the image feature matching algorithm. From the experimental results, we can see that the design and implementation of the method can effectively identify image features, and can accurately identify the target.

目錄
目錄 ................................................................................................ III
圖目錄 ............................................................................................. V
表目錄 ...........................................................................................VII
第一章 序論 ..................................................................................... 1
1.1研究背景與動機 ................................................................................. 1
1.2 論文架構 ............................................................................................. 2
第二章 系統架構 ............................................................................. 3
2.1 人形機器人硬體介紹 ......................................................................... 3
2.2 人形機器人系統核心設計 ................................................................. 5
2.2.1 執行緒管理模組 ....................................................................................... 6
2.2.2資料庫 ........................................................................................................ 9
2.2.3 RS232傳送接收模組 ............................................................................... 9
2.2.4 無線網路傳送接收模組 ........................................................................... 9
第三章 影像特徵辨識 .................................................................... 10
3.1 尺度空間特徵點極值偵測 ............................................................... 11
3.2 特徵點位置最佳化 ........................................................................... 15
3.2.1 濾除低對比度之候選特徵點 ................................................................. 15
3.2.2 濾除邊緣之候選特徵點 ......................................................................... 18
3.3 計算特徵點方向性 ........................................................................... 19
3.4 建立特徵點的描述向量 ................................................................... 22
第四章 影像特徵比對 .................................................................... 24
4.1 原始 K維樹 ...................................................................................... 24
4.2 可調整 K維樹 .................................................................................. 30
4.3 K-d-BBF Tree ................................................................................... 36
第五章 實驗結果與分析 ................................................................ 41
5.1 競走比賽之環境介紹 ....................................................................... 41
5.2競走項目環境之目標物特徵點實驗結果 ....................................... 42
第六章 結論與未來展望 ................................................................ 50
參考文獻 ........................................................................................ 51
圖目錄
圖2.1、人形機器人機構圖 ............................................................................. 4
圖2.2、影像辨識與行為決策系統架構圖 ..................................................... 6
圖2.3、影像特徵辨識之影像處理節點 ......................................................... 8
圖2.4、影像特徵辨識樹 ................................................................................. 8
圖3.1、N維尺度空間中M層的高斯模糊影像以及M-1層的高斯差分影像 ..................................................................................................................... 10
圖3.2、不同尺度空間的高斯模糊影像以及高斯差分影像 ....................... 14
圖3.3、第n 層高斯差分影像X 像素極值偵測 .......................................... 14
圖3.4、影像之強度值以及梯度值示意圖 ................................................... 20
圖3.5、360度切分成10等分 ...................................................................... 21
圖3.6、7X7像素強度值與梯度值 ............................................................... 21
圖3.7、7X7像素強度值與梯度值累積直方圖分佈 ................................... 22
圖3.8、特徵點的描述向量 ........................................................................... 23
圖4.1、第一次分割K 維樹的結果 .............................................................. 25
圖4.2、第二次分割K維樹的結果 .............................................................. 26
圖4.3、第三次分割K 維樹的結果 .............................................................. 27
圖4.4、第四次分割K 維樹的結果 .............................................................. 28
圖4.5、第五次分割K 維樹的結果 .............................................................. 29
圖4.6、原始K 維樹分割圖 .......................................................................... 29
圖4.7、第一次分割可調整K 維樹的結果 .................................................. 30
圖4.8、第二次分割可調整K 維樹的結果 .................................................. 31
圖4.9、第三次分割可調整K 維樹的結果 .................................................. 32
圖4.10、第四次分割可調整K 維樹的結果 ................................................ 33
圖4.11、第五次分割可調整K 維樹的結果 ................................................ 34
圖4.12、第六次分割可調整K維樹的結果 ................................................ 34
圖4.13、第七次分割可調整K 維樹的結果 ................................................ 35
圖4.14、可調整K維樹分割圖 .................................................................... 35
圖4.15、第一次分割的結果 ......................................................................... 36
圖4.16、分割完後的結果 ............................................................................. 37
圖4.17、根據Beis and Lowe的K維樹分割圖 .......................................... 37
圖4.18、第一次最近鄰居點搜尋 ................................................................. 38
圖4.19、第二次最近鄰居點搜尋 ................................................................. 38
圖4.20、第三次最近鄰居點搜尋 ................................................................. 39
圖4.21、第四次最近鄰居點搜尋 ................................................................. 40
圖5.1、競走比賽環境示意圖 ....................................................................... 41
圖5.2、人形機器人與目標物方位之場景圖 ............................................... 42
圖5.3、目標物 ............................................................................................... 43
圖5.4、距離目標物50公分之特徵比對結果圖 ......................................... 44
圖5.5、距離目標物100公分之特徵比對結果圖 ....................................... 45
圖5.6、距離目標物150公分之特徵比對結果圖 ....................................... 46
圖5.7、距離目標物200公分之特徵比對結果圖 ....................................... 47
圖5.8、距離目標物250公分之特徵比對結果圖 ....................................... 48
表目錄
表2.1、攝影機規格 ......................................................................................... 4
表3.1、以ai值為1的未正規化高斯遮罩矩陣  12
表3.2、以ai值為1的正規化後高斯遮罩矩陣  12
表5.1、影像特徵點比對數據表   49

[1] D. G. Lowe, “Distinctive image features from scale-invariant keypoints,” International Journal of Computer Vision, vol. 60, no. 2, pp. 91-110, Jan. 2004.
[2] T. Lindeberg, “Scale-space theory: A basic tool for analyzing structures at different scales,” Journal of Applied Statistics, vol. 21, no. 2, pp. 224-270, Feb. 1994.
[3] D. G. Lowe, “Invariant features from interest point groups,” British Machine Vision Conference, pp. 656-665, 2002.
[4] J. S. Beis and D. G. Lowe, “Shape indexing using approximate nearest-neighbour search in high-dimension spaces,” Procedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 1000- 1006, Jun. 1997.
[5] X. Wang and W. Fu, “Optimized SIFT image matching algorithm”, Proceedings of the IEEE International Conference on Automation and Logistics Qingdao, pp. 843- 847, Sep. 2008.
[6] 石兆孙，高維度空間中使用多棵K-d Tree 搜尋最近鄰居，淡江大學資訊工程學系碩士論文，民98。
[7] http://www.robocup.org/
[8] http://www.fira.net/