本論文提出種子區域成長法跟快包法為基礎的建立多目標色彩模型的方法。以FIRA (Federation of International Robot-soccer Association) RoboSot規則之中型足球機器人下的全方位視覺系統為發展平台。本方法目的是改善傳統以人工方式建立多目標色彩模型費時、費力的缺點。因不同使用者建立色彩模型造成效果差異，影響了影像系統判斷目標物的穩定性。本論文以種子區域成長法 (Seeded Region Growing, SRG) 來自動選取目標樣本，利用目標顏色與環境中的差異性來判斷目標顏色區域。接下來，將SRG建立的目邊顏色的像素，利用快包法 (Quickhull) 來自動建立目標色彩模型範圍。並且改善一般色彩空間中，用色相、飽和度與亮度之上下界建立之色彩模型容易包含過多不屬於目標色彩樣本的問題，使得色彩模型更貼近目標之顏色，增加色彩分割和目標辨識的成功機率。
最後由實驗結果中，得知本論文快包法較傳統人工方式建立之色彩模型更有效率以及更精確。

A system design of multi-object color models based on quickhull 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. Originally, color models are built manually by user to adjust six thresholds in HSV (Hue, Saturation and Value) color space. The original method is time-consuming, and the color models are unstable by different users. The new system design replace the original method in order to promote the efficiency of building multi-object color models and improve the problem which misjudge the object. This thesis propose a system design that combine two algorithms which are SRG (Seeded Region Growing) and Quickhull to catch the color pattern and build color models and . The SRG algorithm is used to get the color pattern of targets and saved to be the sample of color models. The SRG method can distinguish different color efficiently. The Quickhull algorithm take the color pattern from SRG to build color models and ignore the value parameter in the Quickhull color models because value is unstable for the environment, just using the hue and saturation parameter to bound the region. The experimental result show the Quickhull color model is more efficient and more precise than the original method.

目錄
中文摘要	I
英文摘要	II
目錄	III
圖目錄	V
表目錄	VII
第一章	緒論	1
1.1	研究背景	1
1.2	研究動機	5
1.3	論文架構	8
第二章	中型足球機器人與視覺系統	9
2.1	中型足球機器人簡介	9
2.2	中型足球機器人之視覺系統	12
2.3	色彩模型	15
第三章	演算法介紹	19
3.1	系統簡介	19
3.2	洪水填充法	19
3.3	種子區域成長法	22
3.4	快包法	27
3.5	基於Quickhull建立色彩模型設計	31
第四章	實驗結果	42
4.1	實驗運算環境	42
4.2	色彩模型準確度測試	43
4.3	演算法執行時間	48
4.4	與其他方式建立之色彩模型比較	59
第五章	結論與未來展望	64
參考文獻	66

圖目錄
圖 1.1、FIRA RoboSot之競賽場地尺寸	4
圖1.2、FIRA RoboSot 競賽場地三維示意圖	4
圖1.3、FIRA RoboSot賽用指定球	4
圖1.4、人工方式建立目標物色彩模型	6
圖1.5、FIRA RoboSot四個目標物之像素樣本分佈情形	7
圖1.6、目標物之像素樣本與其HSV之上下閥值	7
圖2.1、第五代中型足球機器人實體外觀圖	10
圖2.2、第五代中型足球機器人之系統架構	10
圖2.3、全方位視覺感測器	13
圖2.4、全方位視覺感測器擷取之影像	13
圖2.5、全方位視覺系統使用極座標之示意圖	14
圖2.6、RGB色彩模型	15
圖2.7、HSV色彩模型	17
圖3.1、洪水填充法示意圖	20
圖3.2、種子區域成長法示意圖	23
圖3.3、種子區域成長法流程圖	24
圖3.4、Convex Hull示意圖	28
圖3.5、Quickhull Algorithm流程圖	30
圖3.6、系統架構圖	31
圖3.7、Flood Fill 應用於FIRA場地尋找目標樣本之實驗圖	32
圖3.8、Flood Fill 加上色彩補償之實驗圖	32
圖3.9、SRG 應用於FIRA場地尋找目標樣本之實驗圖	33
圖3.10、選取目樣樣本之效果比較	33
圖3.11、色標示意圖	36
圖3.12、自動建立目標樣本流程圖	37
圖3.13、四種目標物之色彩模型示意圖	40
圖3.14、代入色彩模型判斷之虛擬碼	41
圖4.1、原始圖與理想色彩分割	43
圖4.2、實驗樣本	49
圖4.3、人工建立色彩模型	59

 
表目錄
表2.1、數位高速攝影機規格表	11
表3.1、公式之元素說明	21
表3.2、SRG取樣範例圖	35
表3.3、Quickhull建立之色彩模型示意圖	39
表4.1、實驗之運算環境	42
表4.2、手動任意採集SRG種子點並使用Quickhull色彩分割相似度	45
表4.3、各顏色目標物建模時間統計（單位：毫秒)	50
表4.4、在不同樣本下建立色彩模型時間統計（單位：毫秒）	52
表4.5、各個色彩在各實驗樣本所需色彩分割時間（單位：毫秒）	54
表4.6、各實驗樣本所需色彩分割時間（單位：毫秒）	54
表4.7、建立色彩模型時間及色彩分割時間（單位：毫秒）	57
表4.8、比較使用不同方法建立色彩模型之色彩分割效果	61
表4.9、比較建立色彩模型之方法	63

[1]	A. Mackworth, “On seeing robots,” World Scientific Press Computer Vision: System, Theory, and Applications, pp. 1-13, 1993.
[2]	RoboCup, URL: http://www.robocup.org/
[3]	FIRA, URL: http://www.fira.net/
[4]	C. B. Barber, D. P. Dobkin, and H. Huhdanpaa, “The Quickhull Algorithm for convex hulls,” ACM Transactions on Mathematical Software (TOMS), vol. 22, no. 4, pp. 469-483, 1996.
[5]	R. Adams and L. Bischof, “Seeded Region Growing,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 16, no. 6, pp. 641-647, 1994.
[6]	Andrew Mehnert, Paul Jackway, “An improved seeded region growing algorithm,” Pattern Recognition Letters, vol. 18, pp. 1065-1071, 1997.
[7]	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。
[8]	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。
[9]	RGB color model, URL: https://en.wikipedia.org/wiki/RGB_color_model
[10]	A. R. Smith, “Color Gamut Transform Pairs,” Computer Graphics, vol. 12, no. 3, pp. 12-19, 1978.
[11]	HSV color model, URL: https://en.wikipedia.org/wiki/HSL_and_HSV
[12]	Flood Fill, URL: http://en.wikipedia.org/wiki/Flood_fill
[13]	D. S. Datar and S. Shibu, “Color Image Segmentation based on Initial Seed Selection, Seeded Region Growing and Region Merging, ” International Journal of Electronics, Communication & Soft Computing Science and Engineering, ,vol. 2, no.1, pp.13-16
[14]	Z. Wasik and S. Alessandro,  “Robust color segmentation for the robocup domain, ” IEEE International Conference on Pattern Recognition, vol. 2. pp. 651-654, 2002.
[15]	N. Ikonomakis, K. N. Plataniotis and A. N. Venetsanopoulos, “Unsupervised seed determination for a region-based color image segmentation scheme,” IEEE International Conference on Image Processing (ICIP), vol. 1, pp. 537-540, Sep. 2000.
[16]	N. Ikonomakis, K. N. Plataniotis and A. N. Venetsanopoulos, “Color Image Segmentation for Multimedia Applications,” Journal of Intelligent and Robotic Systems: Theory and Applications, vol. 28, no. 1, pp. 5-20, 2000.
[17]	Convex hull, URL: http://en.wikipedia.org/wiki/Convex_hull
[18]	演算法筆記，URL: http://www.csie.ntnu.edu.tw/~u91029/ConvexHull.html
[19]	R. A. Jarvis, “On the Identification of the Convex Hull of a Finite Set of Points in the Plane,” Information Processing Letters, vol 2, no.1 , pp. 18-21, 1973.
[20]	R. L. Graham, “An Efficient Algorithm for Determining the Convex Hull of a Finite Planar Set,” Information Processing Letters, vol.1, pp. 132-133, 1972.
[21]	A. M. Andrew, “Another Efficient Algorithm for Convex Hulls in Two Dimensions, ” Info. Proc. Letters ,vol. 9, no. 5, pp. 216-219, 1979.
[22]	F. P. Preparata and S. J. Hong, “Convex Hulls of Finite Sets of Points in Two and Three Dimensions, ”Communications of ACM, vol. 20, no.2, pp.87-93, 1977.
[23]	Cross product, URL:http://en.wikipedia.org/wiki/Cross_product
[24]	林怡均，基於PSO模糊分類器於多目標色彩模型的設計，淡江大學電機工程學系碩士論文（指導教授：李世安），2013。
[25]	謬紹綱，數位影像處理，台灣培生教育出版股份有限公司，2009。