(1. Fakultät für Angewandte Wissenschaften, Jiangxi Universität für Wissenschaft und Technologie, Ganzhou, Jiangxi 341000, China; 2. Fakultät für Maschinenbau und Elektrotechnik, Jiangxi Universität für Wissenschaft und Technologie, Ganzhou, Jiangxi 341000, China) Zusammenfassung: Es wurde ein zentralisiertes Bildverarbeitungssystem für einen Fußballroboter entwickelt, das aus mehreren Schritten besteht: Bildeingabe und Digitalisierung, Bildvorverarbeitung, Bildsegmentierung und Bilderkennung. Die Bilderkennung wird durch eine Bildaufnahmekarte, Bildverbesserung, Rauschunterdrückung, Kantenschärfungstechniken, das HIS-Modell und eine Zielsuchmethode erreicht, die sequentielle Gitter und Seed-Filling auf Basis kontinuierlicher Bildkorrelation kombiniert. Schlüsselwörter: Fußballroboter; Bildverarbeitung; HSI-Farbmodus 0 Einleitung Das RoboCup-Mini-Fußballrobotersystem umfasst Bildverarbeitung, Entscheidungsfindung, drahtlose Kommunikation und Roboterfahrzeuge. Während des Wettbewerbs arbeitet das Bildverarbeitungssystem in zwei Modi, basierend auf seiner Position und Funktion: ① Verteiltes Bildverarbeitungssystem, bei dem jedes Roboterfahrzeug über einen unabhängigen Bildverarbeitungsmechanismus zur Zielerfassung und Selbstlokalisierung verfügt; 2. Zentralisiertes Bildverarbeitungssystem, bei dem alle Roboterfahrzeuge einen gemeinsamen Bildverarbeitungsmechanismus zur Roboter- und Ziellokalisierung nutzen. Das Bildverarbeitungssystem wird daher im Folgenden beschrieben. 1. Bildverarbeitungssystem 1.1 Bildeingabe und Digitalisierung Die Bildeingabe erfolgt mittels einer CCD-Farbkamera und einer Bildaufnahmekarte. Die CCD-Kamera erfasst Informationen über das gesamte Umfeld. Das Ausgangssignal der CCD-Kamera entspricht dem Fernsehstandard. Jedes Bild besteht aus einem Frame, der sich aus zwei Halbbildern zusammensetzt. Jedes Halbbild hat 240 Zeilen. Es wird Zeilensprungverfahren verwendet, und das Ausgangssignal liegt in zwei Formaten vor: NTSC und PAL. NTSC hat 30 Bilder pro Sekunde, PAL 25 Bilder pro Sekunde. Daher wird üblicherweise NTSC verwendet. Die Kamera gibt analoge Signale aus, die von der Bildaufnahmekarte für die Computerverarbeitung umgewandelt werden. 1.2 Bildvorverarbeitung Gängige Vorverarbeitungstechniken in Robotervisionssystemen umfassen: ① Bildverbesserung, in der Regel durch Histogrammausgleich. Dabei wird der ursprüngliche Pixelgrauwert mithilfe einer bestimmten Abbildungsbeziehung so verändert, dass ein flacheres Histogramm als im Original entsteht, was zu einer deutlichen Bildverbesserung führt. ② Rauschunterdrückung, d. h. Bildglättung. Üblicherweise wird die Nachbarschaftsmittelung verwendet, bei der der Grauwert eines Punktes durch den Durchschnitt seiner Nachbarpunkte ersetzt wird. Glättungstechniken, z. B. Template-Verfahren, können ebenfalls eingesetzt werden. ③ Kantenschärfung, d. h. Bildverstärkung. Die differentielle Schärfung nutzt in der Regel das Gradientenverfahren und verwendet den Gradientenwert jeder Pixelposition. Zusätzlich zu den oben genannten Vorverarbeitungstechniken können, angesichts der hohen Echtzeitanforderungen des Fußballrobotersystems und der variablen Wettkampfumgebung, die Kapazität und Qualität des aufgenommenen Bildes angepasst werden, einschließlich Bildanpassung und -komprimierung. Unter der Voraussetzung, dass die Genauigkeit gewährleistet ist, kann die Bildspeicherkapazität durch die „Feldmethode“ oder die „Ziel“-Erfassungsmethode reduziert und die Erfassungsgeschwindigkeit erhöht werden [1]. 1.3 Bildsegmentierung: Im Rahmen der Bilderkennung bilden Farbinformationen die Grundlage für die Erkennung. Die Wahl des Farbmodells hat großen Einfluss auf die korrekte Farberkennung. Aktuell werden häufig RGB- und HIS-Farbmodelle verwendet. Das RGB-Modell ist ein lineares Darstellungssystem und zeichnet sich durch seine relative Einfachheit und Intuitivität aus. Die Praxis zeigt jedoch, dass die gemessene RGB-Farbverteilung für Objekte mit gleichen Farbattributen unter verschiedenen Bedingungen (Beleuchtung, Lichtquellentyp, Helligkeit, Reflexionseigenschaften des Objekts usw.) stark streut. Die drei Farbkomponenten korrelieren miteinander, und der Änderungsbereich ist sehr breit und nimmt einen großen Teil des Bildraums ein. Es ist schwierig, den Schwellenwertbereich für die RGB-Erkennung zu bestimmen. Dadurch werden leicht Objekte mit nicht spezifizierten Farben erfasst, während die zu erkennenden Objekte übersehen werden. Das HSI-Modell ist ein bildbasiertes Modell, das drei unabhängige und leicht vorhersagbare Farbattribute definiert: Farbton, Sättigung und Beleuchtungsstärke. Der Farbton gibt die Art der Farbe präzise wieder und ist weniger empfindlich gegenüber Änderungen der äußeren Lichtverhältnisse. Bei Objekten mit demselben Farbattribut weist er einen relativ stabilen und geringen numerischen Variationsbereich auf. Die Sättigung (S) kann als zusätzliches Beurteilungskriterium verwendet werden, während die Beleuchtungsstärke (I) im Allgemeinen nicht berücksichtigt wird. Daher verwendet das System das HSI-Modell. Die Transformationsformel vom RGB- in den HSI-Farbraum lautet wie folgt: Mithilfe der obigen Formel werden das Bild und die RGB-Komponentenwerte jedes Pixels in den HSI-Farbraum transformiert. Bildsegmentierung und Bilderkennung erfolgen im HSI-Farbraum. 1.4 Bilderkennung Die Bilderkennung verwendet ein Zielsuchverfahren, das sequentielle Netzwerke auf Basis kontinuierlicher Bildkorrelation und Seed-Filling kombiniert. Ein sequentielles Netzwerk unterteilt den Suchbereich künstlich in eine bestimmte Anzahl gleich großer quadratischer Regionen nach bestimmten Kriterien und scannt das Zielobjekt in einer festgelegten Reihenfolge in diesen Regionen, um dessen ungefähre Position zu ermitteln. Die Seed-Filling-Methode verwendet einen Startpunkt und breitet sich anhand bestimmter Farbinformationen nach außen aus, bis alle Pixel gefunden sind, die die Anforderungen erfüllen [3]. Die Analyse der Designparameter des Roboterfahrzeugs zeigt, dass seine maximale Fahrgeschwindigkeit konstant ist, d. h. die maximale Fahrstrecke desselben Roboterfahrzeugs ist in zwei aufeinanderfolgenden Bildern gleich. Daher wird unter Berücksichtigung der Korrelation zwischen zwei benachbarten Bildern die Position des Roboterfahrzeugs im vorherigen Bild als Scanzentrum verwendet. Das Zielobjekt wird innerhalb des Bereichs gesucht, dessen Radius der maximalen Fahrstrecke des Roboterfahrzeugs entspricht. Dies reduziert die Anzahl der Zielpunkte beim sequenziellen Rasterscan des gesamten Bildes. Gleichzeitig verringert die Seed-Filling-Methode den Einfluss von Rauschen und verbessert so die Echtzeitfähigkeit und Zuverlässigkeit des Systems. Der Mittelpunkt des Bereichs ist der Scan-Startpunkt, der Pfeil gibt die sequentielle Suchrichtung an, und die Rastergröße für jede Suche hängt von der Farbmarkierung ab. 2. Schlussfolgerung: Das Bildverarbeitungssystem des Fußballroboters nutzt das HSI-Farbmodell anstelle des RGB-Farbmodells für die Bildverarbeitung und Zielerkennung, um die Nachteile des RGB-Farbmodells zu überwinden und die Zuverlässigkeitsanforderungen des Bildverarbeitungssystems zu erfüllen. Ein Suchverfahren, das sequentielle Gitter basierend auf kontinuierlicher Bildkorrelation und Startpunktauffüllung kombiniert, reduziert die Anzahl der zu durchsuchenden Zielpixel, wodurch Rauschstörungen verringert und die Erkennungsgeschwindigkeit des Systems verbessert werden.