Documente Academic
Documente Profesional
Documente Cultură
Adrian Burlacu
2009
Comisia de doctorat pentru susinerea tezei:
Aceast lucrare este rezultatul cercetrilor efectuate n perioada oct. 2005 feb.
2009 n domeniul tiina Calculatoarelor n cadrul Universitii Tehnice Gh. Asachi
Iai. Deosebite mulumiri se ndreapt spre grupul Siemens PSE Braov care n perioada
2005-2007 mi-a acordat un sprijin financiar important. Pe parcursul studiilor doctorale
am beneficiat de finanare UEFISCU n baza unui contract tip PNII-TD (2007-2008).
Finalizarea cercetrilor i publicarea rezultatele obinute nu ar fi putut fi realizate
fr sprijinul i ndrumarea regretatului prof. dr. ing. Dan Glea, coordonator iniial al
tezei de doctorat, i al prof. dr. ing. Vasile Manta, coordonatorul actual al tezei.
A dori sa mulumesc n mod deosebit d-lui prof. dr. ing. Corneliu Lazr, pentru
colaborarea fructuoas avut pe parcursul cercetrilor pentru elaborarea tezei de doctorat,
cercetri ce au condus la multiple rezultate publicate mpreun. Apreciez foarte mult
sprijinul didactic i moral, pasiunea si rbdarea de care a dat dovad n decursul tuturor
activitilor de cercetare, i nu numai.
De asemenea doresc s amintesc o parte din cadrele didactice, ce fac parte din
colectivul Universitii Tehnice Gh. Asachi Iai, care mi-au oferit suportul
informaional ori de cte ori a fost necesar. Printre acetia de numr prof. dr. ing. Doru
Pnescu, prof. dr. ing. Daniel Condurache, prof. dr. ing. Octavian Pstrvanu, prof. dr.
ing. Teohari Ganciu, prof. dr. ing. Mihaela Matcovschi, conf. dr. ing. Lavinia Ferariu,
efl. dr. ing. Florin Ostafi.
Trebuie s aduc mulumiri domnilor dr. Enric Cervera, Universitatea Jaume I i
prof. Francois Chaumette, Universitatea Rennes I, pentru posibilitile acordate prin
schimburi de experien n cadrul laboratoarelor de cercetare pe care le conduc. Att n
cadrul laboratorului de cercetare n robotic i inteligen artificial din Universitatea
Jaume I, Castellon Spania , ct i n cadrul laboratorului de cercetare n sisteme
servoing vizuale din cadrul Universitii Rennes I, am petrecut momente deosebite i
foarte productive cu privire la cunotinele acumulate.
Nu n ultimul rnd a dori s mulumesc familiei care m-a susinut cu maximum de
entuziasm pe tot parcursul studiilor doctorale, oferindu-mi suportul moral necesar. Le
urez succes totodat colegilor de generaie de la doctorat, i nu numai, mulumindu-le n
acelai timp pentru mediul deosebit creat.
Cuprins
Capitolul 1. Introducere
1.1. Sisteme servoing 2
1.2. Trasturi vizuale utilizate n proiectarea legilor de control bazate pe imagini 3
1.3. Legi de control bazate pe imagini 4
1.4. Rezumatul tezei 5
1.5. Diseminarea rezultatelor 7
Capitolul 6 Concluzii
6.1 Contribuii 131
6.1.2 Analiza performanelor trsturilor vizuale tip punct de interes 131
6.1.3 Tehnici de urmrire a punctelor de interes 132
6.1.4 Estimarea micrii obiectelor 133
6.1.5 Aplicaii n sisteme servoing vizuale 133
6.2. Direcii viitoare de cercetare 134
Capitolul 1. Introducere
unei structuri de reglare ce utilizeaz trsturi vizuale, au fost utilizate tehnici avansate de
control precum controlul predictiv. A fost dezvoltat un predictor bazat pe imagini, iar n
urma implementrii, testrii i validrii, a fost proiectat un regulator predictiv bazat pe
puncte de interes. Arhitectura de control, ataat unei structuri tip camer montat pe
efector (eng. eye-in-hand ), conine regulatorul predictiv bazat pe imagini i un model
dinamic dezvoltat pentru un robot cu ase grade de libertate. Arhitectura a fost
implementat, testat i evaluat n raport cu o arhitectur clasic dezvoltat n jurul unui
regulator tip PI bazat pe imagini.
Asigurarea unei robustei ridicate a oricrui sistem servoing tip eye-in-hand necesit
n prealabil o analiz n profunzime a modelului dinamic ataat robotului manipulator,
precum i o analiz a stabilitii transformrii informaiilor din planul imaginii n spaiul
articulaiilor robotului.
folosit pentru reconstrucia traiectoriei efectorului unui robot manipulator ntr-o aplicaie
servoing.
(Burlacu i Lazr, 2006 c): Burlacu A., Lazr C.: Recovering trajectories in image
sequences using point features, Buletinul Institului Politehnic din Iasi, Tomul LII
(LVI), Fasc. 7A, Secia Constructii de Masini, pp. 133-138, 2006, ISSN 1011-
2855.
(Lazr i Burlacu, 2006): Lazr C., Burlacu A.: Detection and Tracking of Feature
Points in Image Sequences, Proc. of 12th IEEE Conference on Methods and
Models in Automation and Robotics MMAR 2006, Midzyzdroje, 28-31 August
2006, ISBN 83 60140 93 6.
(Burlacu i Lazr, 2007): Burlacu A., Lazr C., Evaluation of Scale Invariant
Features for Visual Servoing Tasks, Proc. of 16th International Conference on
Control Systems and Computer Science, Bucuresti, 22-25 May, 2007, pp. 389-
394, ISBN 978-973-718-741-3.
(Boghiu, et. al., 2007): Boghiu B., Burlacu A., Lazr C., Image features detection
using phase congruency, Proc. of 9th International Symposium on Automatic
Control and Computer Science, Iasi, November 16-17, 2007, CD-ROM, ISSN
1843-665-X.
(Burlacu i Lazr, 2009): Burlacu A., Lazar C., Visual feature tracking using
Kalman filter, submitted at the 17th International Conference on Control Systems
and Computer Science, Bucharest, May 26-29, 2009
Capitolul 5 este realizat plecnd de la rezultatele publicate n:
(Lazr i Burlacu, 2007 c): Lazr C., Burlacu A.: ARIMAX MIMO model for
image based visual servo control, Proc. of 9th International Symposium on
Automatic Control and Computer Science, Iasi, November 16-17, 2007, CD-
ROM, ISSN 1843-665-X.
(Burlacu i Lazr, 2008 a): Burlacu A., Lazr C., Image Features Detection using
Phase Congruency and Its Application in Visual Servoing, Proc. of IEEE 4th
International Conference on Intelligent Computer Communication and
Processing, Cluj Napoca, August 28-30, 2008, pp. 47 53, ISBN 978-1-4244-
2673-7.
(Burlacu i Lazr, 2008 b): Burlacu A., Lazar C., Image based predictive
controller for visual servoing systems, accepted at Buletinul institutului Politehnic
Iasi, Secia Automatic i Calculatoare, XLXIV (LVII), fasc.1-4, 2008, ISSN
1220-2169.
(Lazr i Burlacu, 2008 a): Lazr C., Burlacu A., Predictive control strategy for
image based visual servoing of robot manipulators, Proc. of 9th International
Conference on Automation and Information, Bucharest, June 24-26, pp 18, 91-97,
2008, ISBN 978-960-6766-77-0 (Invited Paper).
(Lazr i Burlacu, 2008 b): Lazr C., Burlacu A., Modeling of visual servo open-
loop for robot manipulators, Proc. of IEEE International Symposium on Industrial
Electronics, Cambridge, June 30-July 2, 2008, CD-ROM, ISBN 978-1-4244-
1666-0.
(Lazr i Burlacu, 2008 c): Lazr C., Burlacu A., Dynamic Simulation Model for
Image Based Visual Servo Control Systems, Proc. of 11th International
Conference on Optimization of Electrical and Electronic Equipment, Vol. III, pp.
285-290, Brasov, May 22-24, 2008, ISBN 978-973-131-031-2.
10 Introducere
Capitolul 2. Detecia i urmrirea punctelor de interes n aplicaii
servoing
2.1 Introducere
Senzorul vizual reprezint una dintre componentele fundamentale ale unui robot,
permind investigarea mediului de lucru fr a fi necesar contactul cu elementele
acestuia (Siciliano i Khatib, 2008). Sistemele servoing au fost dezvoltate utiliznd
tehnici din analiza i procesarea n timp real a imaginilor, robotic, teoria controlului i a
sistemelor, cu scopul de a conduce un robot manipulator folosind o lege de control bazat
pe feedback vizual (fig 2.1).
Obiect
f* + e Regulator bazat v*c
pe imagini
_
Amplif. putere
Robot + Camera
f Extragere Imagine
trsturi
Fig.2.1 Sistem servoing
x
I(x-1,y-1) I(x,y-1) I(x+1,y-1)
i=1
I(x-1,y) I(x,y) I(x+1,y)
(
v1 ( x , y ) = m ax I ( x + 1, y ) I ( x , y ) , I ( x 1, y ) I ( x , y ) )
v ( x , y ) = m ax ( I ( x , y 1 ) I ( x , y ) , I ( x , y + 1 ) I ( x , y ) )
2 (2.2)
v ( x , y ) = m ax ( I ( x 1, y + 1 ) I ( x , y ) , I ( x + 1, y 1 ) I ( x , y ) )
3
v ( x , y ) = m ax ( I ( x + 1, y + 1 ) I ( x , y ) , I ( x 1, y 1 ) I ( x , y ) )
4 .
Evalund cele patru variaii conform (2.2), urmtoarea etap reprezint determinarea
minimului mulimii {vi | i = 1, 4} . Dac valoarea minimului depete un anumit prag ales:
jumtate n locaii tip punct de interes (fig.2.4, d) (variaii pe ambele direcii ale funciei
imagine). Pentru a calcula valoarea ariei USAN pentru o poziie generic din planul
imaginii se utilizeaz relaia (Smith, 1995):
G JJG 6
I ( r ) I ( r0 )
G JG
t
c(r , r0 ) = 100 e
, (2.4)
JG G
unde r0 reprezint poziia nucleului, r poziia unui pixel din interiorul mtii diferit de
Sumnd toate valorile pentru fiecare pixel din masc rezult modalitatea de calcul
a valorii USAN cu relaia:
JG G JG
n(r0 ) = c(r , r0 ) . (2.5)
r
Dup calcularea valorii funciei n (.), aceasta se compar cu o valoare teoretic notat
prin g , denumit prag geometric. Pentru ca un nucleu sa fie etichetat punct de interes
trebuie ca USAN-ul ataat s aib o valoare mai mic dect jumtate din maximul posibil
al mtii, 3700 i s fie un minim local. Utilizarea pragului geometric g implic
afectarea formei punctelor de interes detectate. Aceste puncte de interes sunt numite
generic coluri i, de exemplu, pentru o valoare mic a parametrului g forma va fi de
unghi ascuit. Un alt parametru care contribuie la mbuntirea performanelor
algoritmului de detecie este diferena de intensitate setat, t . Acest parametru se numete
prag de calitate i, n funcie de valoarea pe care o are algoritmul, va produce mai multe
Detecia i urmrirea punctelor de interes n aplicaii servoing 17
sau mai puine puncte de interes. Alegerea valorilor celor 2 parametri g i t se realizeaz
n funcie de proprietile imaginii: zgomot, contrast, ocluzie ntre obiecte, iluminare, etc.
Un caz de singularitate al detectorului Smith l reprezint zonele tip umbr dintr-o
imagine, exemplificate n figura 2.5:
a) b)
Fig. 2.6. Poziia nucleului fa de centrul de greutate al suprafeei USAN: a) n cazul unui col real; b) n
cazul unui col fals.
18 Detecia i urmrirea punctelor de interes n aplicaii servoing
w(u , v) [ I (u + x, v + y ) I (u, v) ] ,
2
c( x, y, x, y ) = (2.7)
( u ,v )W ( x , y )
unde prin W ( x, y ) s-a notat o vecintate centrat n ( x, y ) iar prin w(u, v) nucleul
( u x )2 ( v y ) 2
2 2
gaussian e . Utiliznd dezvoltarea Taylor pn la ordinul 1, funcia
I (u + x, v + y ) se poate aproxima prin:
I (u + x, v + y ) I (u, v) + I x (u, v)x + I y (u, v)y
x (2.8)
= I (u , v) + I x (u, v) I y (u, v) ,
y
unde I x , I y sunt derivatele pariale ale funciei I ( x, y ) i pot fi calculate n discret prin:
I x = [ 1 0 1] I
(2.9)
I y = [ 1 0 1] I .
T
2
x
c( x, y, x, y ) w(u, v) I x (u, v) I y (u, v) =
y
w(u , v) I x ( x, y ) 2 w(u, v) I ( x, y) I ( x, y) x
x y
(2.10)
= [ x y ] W W
.
W
w(u , v) I x ( x, y ) I y ( x, y ) w(u, v) I ( x, y) y
W
y
2
Se introduce notaia:
w(u , v) I x ( x, y ) 2 w(u, v) I ( x, y) I ( x, y)
x y
A( x, y ) = W W
. (2.11)
W
w(u , v) I x ( x, y ) I y ( x, y ) w(u, v) I ( x, y)
W
y
2
R ( A) = det( A) k [Tr ( A) ] ,
2
(2.13)
cuprinse ntre 0.04 i 0.06. Astfel, pentru R > 0 , avem o trstur tip punct de interes,
pentru R < 0 avem o muchie iar, dac | R | este o valoare mic rezult existena unei zone
omogene (figura 2.7).
Conform algoritmului propus de Harris, fiecrui punct de interes i se poate ataa o
valoare de col (cornerness value) pentru a putea controla calitatea trsturilor extrase:
20 Detecia i urmrirea punctelor de interes n aplicaii servoing
Tr ( A) I x2 + I y2
cv = = 2
. (2.14)
det( A) I x2 I y2 I x I y
Comparnd cv din (2.14) cu o valoare de prag putem crete sau descrete numrul de
puncte de interes detectate.
2 regiunea
marginilor 4
2
1
regiunea
colurilor 0
-1
-2
-3
regiunea
regiune marginilor
omogen
1
Fig. 2.7. Principiul funciei de auto-corelaie
n seciunea anterioar au fost prezentate principiile de funcionare a trei din cei mai
importani algoritmi de detecie a punctelor de interes. Aceti algoritmi i pstreaz
proprietile doar n cazul secvenelor de imagini cu factor de scalare 1 (distana dintre
planul de micare a obiectelor i camer este constant). Multe aplicaii, n special cele de
urmrire, conin analiza secvenelor de imagini cu factor de scalare variabil. n acest caz
este necesar modificarea principiului de detecie a punctelor de interes prin includerea
proprietii de invarian la scalri. Din multitudinea algoritmilor de detecie a punctelor
de interes invariante la scalri, ce au fost propui n ultimii ani, cele mai utilizate metode
sunt algoritmul SIFT (Scale Invariant Feature Transform) propus de (Lowe, 1999) i
algoritmul Harris-Laplace (Mokolajczyk, 2004).
Detecia i urmrirea punctelor de interes n aplicaii servoing 21
unde o reprezint una din octavele axei nivelului de scalare ( ), iar S numrul de
subniveluri ataat fiecrei octave. Prin s s-a notat indexul subnivelului din octava o .
Construcia spaiului scalrilor ataat unei imagini I ( x, y ) se realizeaz recursiv
prin filtrri succesive i modificri ale dimensiunilor imaginii. Alegerea parametrilor de
start descrisa n (Lowe, 2004) presupune impunerea unui numr de S = 5 niveluri pe
octav, octava maxim ( omax ) egal cu 4, iar cea minim ( omin ) cu -1. Din aceast ultim
iniializare rezult c, la nceputul algoritmului rezoluia imaginii se dubleaz:
No M o = 2 N I 2M I , (2.20)
22 Detecia i urmrirea punctelor de interes n aplicaii servoing
D( ) 1 T 2 D( )
T
D ( + ) = D( ) + + , (2.25)
2 2
unde :
= ( x, y, )T (2.26)
T
D D D D
= . (2.27)
x y
Detecia i urmrirea punctelor de interes n aplicaii servoing 23
D
T
= 0, (2.28)
i:
| D ( ) |< 0.03 , (2.34)
L
valoare proprie, iar cu r valoarea raportului , rezult:
S
Tr ( H ) ( + S ) = ( r + 1)
2 2
= L , (2.36)
Det ( H ) L S r
unde
Tr ( H ) = Dxx + Dyy
. (2.37)
Det ( H ) = Dxx Dyy Dxy 2
Inegalitatea
Tr ( H ) ( r + 1)
2
< (2.38)
Det ( H ) r
semnificative ale scalrii. Algoritmul conine o etap dedicat construirii unui spaiu al
scalrilor pentru valori ale parametrului arbitrar selectate:
n = k n 0 , (2.40)
unde k este factorul de scalare dintre niveluri succesive. Pentru fiecare nivel sunt extrase
puncte de interes prin stabilirea maximului local n vecintatea octoconectat a poziiei
( x, y ) . Calitatea punctelor de interes detectate este stabilit prin gsirea locaiilor de
maxim n raport cu parametrul :
F ( x, y , n ) > F ( x , y , l ) (2.41)
n seciunile 2.2 i 2.3, detectarea unui punct de interes n domeniul spaial a constat
n analiza variaiei funciei imagine pe cele dou direcii ataate unei imagini. Modelul
energiei locale utilizeaz ca ipotez de lucru faptul c punctele de interes sunt localizate
n poziii din planul imaginii unde componentele transformatei Fourier sunt n faz
(Morrone i Owens, 1987). Aceast ipotez implic o analiz a congruenei fazelor,
congruen ce variaz de la valoarea 1 (indicnd un punct de interes) descresctor spre 0
(indicnd o poziie nesemnificativ). Adimensionalitatea congruenei fazelor conduce la
posibilitatea definirii unui prag pentru mbuntirea calitii punctelor de interes extrase.
26 Detecia i urmrirea punctelor de interes n aplicaii servoing
Fig. 2.8. Diagrama polar a componentelor seriei Fourier la o anumit locaie a semnalului
| E ( x) |
PC1 = . (2.43)
Am ( x)
m
Dac toate componentele Fourier sunt n faz, atunci toi vectorii compleci ataai
vor fi aliniai iar valoarea lui PC1 va fi 1, altfel, dac nu exist congruen a fazelor,
valoarea va tinde la 0. Compararea msurii congruenei fazelor cu valori tip prag conduce
la detectarea muchiilor i/sau punctelor de interes.
Utilizarea undinelor pentru determinarea proprietilor frecveniale locale ale unui
semnal, conduce la pstrarea informaiilor despre faza componentelor. Este necesar
utilizarea de filtre liniare n faz precum undine non-ortogonale, care sunt n perechi tip
cuadratur simetric-antisimetric. Dac se noteaz cu un semnal unidimensional, iar
An ( x ) = en ( x ) + on ( x ) ,
2 2
(2.45)
unde:
28 Detecia i urmrirea punctelor de interes n aplicaii servoing
E ( x) = F 2 ( x) + H 2 ( x) , (2.48)
unde operatorul nseamn c valoarea este egal cu ea nsi dac este pozitiv i 0 n
caz contrar. Parametrul T reprezint un prag de limitare a zgomotului considerat i se
calculeaz ca o combinaie ntre media i dispersia distribuiei Rayleigh.
Metoda prezentat n 2.4.1 este valabil pentu cazul 1D. Se dorete aplicarea acestei
metode pentru a scoate n eviden trsturile prezente ntr-o imagine (un semnal discret
2D).
n cele ce urmeaz, se va prezenta modul n care informaiile prezentate pot fi
folosite n cazul analizei unui semnal 2D. Pentru calculul congruenei fazelor, este nevoie
de o pereche de filtre pentru defazarea semnalului cu 90 de grade, lucru realizat pentru
analiza semnalului 1D prin utilizarea filtrelor impare-simetrice. Deoarece nu se pot
construi filtre pare-simetrice, simetrice din punct de vedere rotativ, un semnal de tip
imagine poate fi analizat aplicndu-se filtrele uni-dimensionale pe mai multe direcii, iar
rspunsurile obinute s fie combinate ntr-un anumit fel. Trei aspecte trebuie avute n
considerare:
modelul filtrelor bi-dimensionale;
numrul direciilor luate n considerare;
modul n care rspunsurile obinute pe fiecare direcie
Detecia i urmrirea punctelor de interes n aplicaii servoing 29
o n W0 ( x ) Ano ( x ) no ( x ) To
PC2 ( x ) = , (2.50)
o n Ano ( x ) +
30 Detecia i urmrirea punctelor de interes n aplicaii servoing
unde:
1, dac colul i a fost identificat n t cadre
a(i, t ) = , (2.57)
0, altfel
unde n reprezint numrul total de coluri iar F numrul total de cadre al secvenei de
imagini. Pentru fiecare cadru se poate identifica abaterea colurilor detectate folosind:
n
{b(i, t ) ([ x (t ) x (t 1)]
i i
2
+ [ yi (t ) yi (t 1)]2 )1/ 2 }
CDt = i =1
n
, (2.58)
b(i, t )
i =1
unde
Detecia i urmrirea punctelor de interes n aplicaii servoing 33
micrii bazate pe zone de interes sunt n general simple, eficiente i cu un nivel sczut al
efortului computaional.
O problem fundamental a algoritmilor de urmrire bazai pe zone de interes este
criteriul de selecie a acestor zone. Una din abordrile prezente n literatura de specialitate
o reprezint setarea pe parcursul ntregii secvene de imagini a zonei de interes ca fiind
aceeai cu cea extras n primul cadru. Avantajul acestei abordri este faptul ca la fiecare
etap algoritmul de urmrire folosete ca date primare informaii nemodificate de
dinamica procesului de achiziie. Totui, inadaptabilitatea la schimbri a zonei de interes
reprezint un dezavantaj major. Din aceast cauz pot s apar situaii precum
imposibilitatea urmririi obiectului dup o transformare ce conduce la ieirea din cadru a
unei pari din obiect.
Alternativa metodei de selecie a zonei de interes bazat pe primul cadru al
secvenei de imagini, este utilizarea informaiilor extrase din cadrul t-1 pentru cadrul t.
Dezavantajul acestei abordri este c algoritmul tinde s se ndeprteze n timp de
modelul original al obiectului pentru c nu exist certitudinea calculului fr erori a noii
locaii a obiectului.
Cross-correlation este un algoritm de urmrire a locaiilor zonelor de interes
utiliznd similariti ale nivelurilor de gri. Utilizarea metodei pentru algoritmi de
urmrire a micrii este motivat prin nglobarea sumei ptratelor distanelor:
d I2* , I (x, y ) = I * ( x, y ) I ( x + x, y + y ) ,
2
(2.64)
x, y
Exist dezavantaje n utilizarea ecuaiei (2.66) pentru estimarea micrii cum ar fi:
ecuaia (2.66) rezult din presupunerea c energia imaginii este aproximativ
constant. Dac energia I 2
( x, y ) variaz cu poziia, estimarea micrii
c(x, y ) =
x, y
[ I * ( x, y ) I * ][ I ( x + x, y + y ) I ]
(2.67)
x, y
[ I * ( x, y ) I * ]2 x , y [ I ( x + x, y + y ) I ]2
unde I * este media aritmetica a nivelurilor de gri din zona de interes, iar I este media
aritmetic a zonei de cutare.
Aceast metod de urmrire poate fi folosit n condiia n care se presupune c
distana de deplasare este relativ mic n comparaie cu dimensiunile obiectului din
imagine. Fiind determinat un punct de interes Pi din imaginea I1, se caut vecinul care se
aseamn cel mai mult din imaginea I2 (fig.2.9). Primul pas este de a determina trsturile
vizuale de interes (de ex: colurile) din imaginea I1 achiziionat la momentul t. Al doilea
pas l constituie realizarea corespondenelor ntre punctele de interes detectate n
imaginea I1 i punctele corespunztoare din imaginea I 2 achiziionat la momentul t+t.
Cutarea se realizeaz ntr-o vecintate centrat n pixelul Pi de coordonate (xi, yi), (Pi
fiind pe rnd, fiecare col detectat n imaginea I1), mrimea acestei vecinti fiind
corelat cu amplitudinea micrii. Se caut n imaginea I2 cea mai bun aproximare a
colului Pi din imaginea I1. Pentru realizarea acestei operaii se utilizeaz o matrice
(masc) de comparaie care are ca element central intensitatea pixelului Pi, iar celelalte
elemente reprezint intensitile vecinilor (dimensiunea acestei matrice este stabilit n
prealabil de utilizator).
38 Detecia i urmrirea punctelor de interes n aplicaii servoing
Vecinatate
de cautare
xi,,yi
masc
Imaginea I1 Imaginea I2
Punct
initial
Punct
(xi,yi)
final
Vector de micare (xf,yf)
Primul pas este de a determina trsturile vizuale de interes (de ex: colurile) din
imaginea I1 achiziionat la momentul t. Al doilea pas l constituie realizarea
t0
x(t0)
t1 d(x)
t x(t1) I(t0)
I(t1)
y
JJJJJJJJJG
Fig.2.10 Vectorul de micare x(t0 ) d ( x )
Comparnd doi vectori, se calculeaz valoarea m(v,w) ntre punctul curent si fiecare
punct candidat, conform relaiei:
vw
m ( v, w ) = . (2.68)
v w
Senzorul vizual reprezint una dintre componentele fundamentale ale unui robot,
permind investigarea mediului de lucru fr a fi necesar contactul cu elementele
acestuia (Siciliano i Khatib, 2008). Visual servoing reprezint o fuziune a rezultatelor
obinute din cercetri ale mai multor domenii cum ar fi analiza i procesarea in timp real
a imaginilor, robotic, teoria controlului si a sistemelor, proiectarea aplicaiilor in timp
real. Aparute la nceputul anilor 80, sistemele servoing au determinat un interes major
printre cercettori, cele mai importante centre fiind Institute of Computer Science and
Applied Mathematics, Christian-Albrechts-University of Kiel, Germania, INRIA
Institut National de Recherche en Informatique et en Automatique, din University of
Rennes, Frana, Robotic Institute, Carnegie-Mellon University, Pittsburgh, USA,
Department of Electrical and Computer Engineering, University of Illinois sau CSIRO
Division of Manufacturing Technology, Kenmore, Australia.
n (Weiss, 1984) se face pentru prima dat o descriere complet a celor dou
arhitecturi fundamentale ale sistemelor servoing: arhitectura bazat pe poziie i
arhitectura bazat pe imagine. Fiecare din cele dou arhitecturi prezint avantaje i
dezavantaje pentru procesele de timp real (Hutchinson, et al 1996).
Arhitectura bazat pe poziie se constituie n calcularea unei erori reprezentate n
sistemul Cartezian si necesit att un model al obiectului ( de obicei de tip CAD), ct si o
camer perfect calibrat pentru a obine o estimare a poziiei si orientrii obiectului
(Mezouar i Chaumette, 2002).
Avndu-se drept unul din scopurile principale stabilitatea global a sistemelor
servoing, s-a constatat faptul c arhitectura bazat pe poziie sufer limitri masive din
punct de vedere al robusteii si descrierii matematice a modelelor necesare
implementrilor fizice. Astfel, au fost create aa numitele metode hibride, pentru a se
compensa deficientele iniiale (Andreff, et al 2002), (Kyrki, et al 2004), (Schramm, et al,
2004).
n cazul celei de-a doua arhitecturi, bazat pe imagine, se evit folosirea unui model
al obiectului prin msurarea unui semnal eroare n planul imaginii, semnal mapat direct n
comenzile elementului de execuie al robotului (Spong, et al 2006).
42 Detecia i urmrirea punctelor de interes n aplicaii servoing
f = J f vc , (2.70)
unde:
44 Detecia i urmrirea punctelor de interes n aplicaii servoing
u uv 2 + u2
0 v
Jf =
z z (2.71)
v v 2
2
uv
0 u
z z
pentru o singur trstur.
n ecuaia (2.71) s-a notat prin distana focal a camerei i prin z distana
raportat la a treia ax de coordonate a sistemului ataat camerei (eng. depth axis).
Utiliznd (2.69-2.71) rezult imediat c relaia dintre viteza camerei i variaia n timp a
erorii de poziionare poate fi exprimat prin :
e = J f vc . (2.72)
lui J f , calculat pentru un numr de cel puin 4 trsturi, s fie 6. Din succesiunea de
2.8 Concluzii
a punctelor de interes
stabilitate, acuratee, robustee. Dup cum s-a descris i n subcapitolul 2.5 nu exist
multe criterii de evaluare a performanelor algoritmilor de detecie a trsturilor vizuale
pentru visual servoing. n aceast seciune sunt prezentate criterii noi de stabilitate a
punctelor de interes rezultate n urma analizei secvenelor de imagini cu dinamic
controlat (Burlacu and Lazr, 2006 a) i criterii noi de robustee a trsturilor
bidimensionale utilizabile n aplicaii servoing (Lazr i Burlacu, 2007 a), (Lazr i
Burlacu, 2007 b).
3.1 Introducere
sfrit
calcula variaia intensitii, iar filtrul Gaussian se folosete pentru a elimina zgomotul.
Algoritmul calculeaz valoarea cv (2.14) pentru fiecare pixel i o compar cu o valoare
de prag, valoare stabilit de utilizator. Dac valoarea cv-ului este sub acest prag atunci
pixelul este numit punct de interes. Cu ct valoarea cv-ului este mai mic cu att punctul
de interes este mai bine definit. Numrul punctelor de interes detectate se modific
neliniar n raport cu parametrul . O prim serie de imagini analizate au fost achiziionate
folosind arhitectura eye-to-hand. Aceste imagini (Fig.3.1) surprind transformri tip
translaie n planul imaginii a unui efector i a unei piese rectangulare.
Fig.3.1 Rezultate detectare puncte de interes folosind algoritmul Harris, efector-obiect scena nr.1
n figura 3.2 sunt surprinse patru stagii dintr-o aplicaie de prindere a unei piese
rectangulare folosind un bra manipulator ABB. Efectorul robotului manipulator dezvolt
att micri de rotaie ct si de translaie. Punctele de interes detectate caracterizeaz att
efectorul ct i piesa rectangular.
Fig. 3.2 Rezultate detectare puncte de interes folosind algoritmul Harris, efector-obiect scena nr.2
Fig.3.3 Rezultate detectare puncte de interes folosind algoritmul Harris, obiect rectangular nr.1
1 ( x2 + y 2 ) / 2 2
G ( x, y , ) = e
2 2
Odat construit spaiul DoG se determin extremele din acest spaiu. Pentru fiecare
octav se iau toate punctele (pixelii) pe rnd i se compar valoarea nivelului de gri a
acestor puncte cu valoarea fiecrui vecin din cei 26 de vecini, cum este artat n figura
2.8. Dac valoarea nivelului de gri a punctului este mai mare sau mai mic dect valoarea
fiecrui din cei 8 vecini ai si de pe acelai nivel, se trece mai departe i se compar cu
valoarea celor 9 vecini corespunztori de pe nivelul anterior, n caz contrar punctul
respectiv nu este punct de extrem. Dac valoare punctului este mai mare sau mai mic i
dect valoarea celor 9 vecini de pe nivelul anterior, se compar valoarea punctului cu
valoare celor 9 vecini de pe nivelul urmtor i, dac aceast valoare este mai mare dect a
celor 9 vecini, atunci punctul respectiv devine punct de extrem, n caz contrar punctul nu
prezint nici un interes, adic nu este punct de extrem.
sfrit
Analiza indicilor de performan pentru algoritmi de detecie a punctelor de interes 53
a) b) c)
d) e) f)
Fig. 3.4 Detecia punctelor de interes invariante la scalri folosind algoritmul SIFT, obiect circular
Fig. 3.5 Detecia punctelor de interes invariante la scalri folosind algoritmul SIFT, obiect rectangular
Fig.3.6.a) Imagine sintetic.b) Rezultatul obinut aplicnd algoritmul de calculare a congruenei fazelor.
Pentru a se pune mai bine n eviden valorile obinute prin aplicarea algoritmului
de calculare a congruenei fazelor pe imaginea din figura 3.6, s-a utilizat funcia Matlab
imagesc. Aceasta realizeaz o auto-scalare a valorilor prezente n imagine. Valorii
minime prezente n imagine i corespunde culoarea albastr iar valorii maxime i
corespunde culoarea roie, celelalte valori fiind reprezentate cu nuane formate din
combinarea celor 2 culori (figura 3.7).
Fig. 3.7. Reprezentarea cu ajutorul culorilor a intervalului [0 255] (cazul uint8 pentru reprezentarea
imaginilor n Matlab).
Se observ c punctelor din imaginea original (figura 3.6 a), unde vizual se
evideniaz o trstur de tip muchie sau col, le corespund valori mari de congruen a
fazelor (figura 3.6 b). Dac se dorete gsirea muchiilor ntr-o imagine, este de ajuns
aplicarea unei valori de prag pe imaginea cu valorile obinute pentru congruena fazelor.
Dac se dorete extragerea colurilor, o post-procesare mai avansat a imaginii
56 Analiza indicilor de performan pentru algoritmi de detecie a punctelor de interes
Fig. 3.8. Imaginea orientrilor pentru care energia local este maxim (6 orientri au fost luate n
considerare).
1
c + a + b 2 + (a c ) ,
2
M =
2
1
m = c + a b 2 + (a c ) ,
2
2
unde PC ( ) reprezint valoarea de congruen a fazelor pentru orientarea .
Aplicnd o valoare de prag pe matricea M se pot determina trsturile de tip
muchie (figura 3.9), iar aplicnd valoarea de tip prag pe matricea m se pot determina
trsturile de tip punct de interes (figura 3.10).
Analiza indicilor de performan pentru algoritmi de detecie a punctelor de interes 57
Fig. 3.11. a)Apuctorul robotului IRB2400 b) Rezultatul obinut aplicnd algoritmul de calculare a
congruenelor fazelor.
Setarea unui prag asupra valorilor obinute prin aplicarea algoritmului de calcul a
congruenei fazelor conduce la posibilitatea caracterizrii obiectelor prin trsturi vizuale
de diferite tipuri. Rezultatele obinute pe imaginile reale pentru detecia trsturilor tip
punct de interes sunt ilustrate n figura 3.12 a), iar trsturile vizuale tip muchie sunt
reprezentate n figura 3.12 b). n urma testrii efectuate a rezultat faptul c performanele
algoritmului de detecie a puntelor de interes pe baza algoritmului de calcul a congruenei
fazelor sunt bune (Boghiu, et al., 2007) , totui nivelul computaional necesar procesrii
n timp real este unul ridicat.
Analiza indicilor de performan pentru algoritmi de detecie a punctelor de interes 59
prezentate 5 cadre ale secvenei de imagini i trsturile extrase prin detectorul Harris, iar
n figura 3.15 vectorii de micare:
Dac notm prin (uc , vc ) coordonatele centrului imaginii, atunci coordonatele lui P pot
fi calculate utiliznd:
62 Analiza indicilor de performan pentru algoritmi de detecie a punctelor de interes
u * u + ru cos 1 sin 0 u uc
*
v = v + rv + sin cos 1 0 v vc (3.2)
1 0 0 0 1
1
unde [ru rv ]T reprezint vectorul translaie, iar unghiul de rotaie al camerei n jurul
axei z .
Incluznd ecuaia (3.1) n (2.58) rezult noua form de evaluare a erorii de
poziionare:
n
{b(i, t ) ([u *
i (t ) ui (t 1)]2 + [ y*i (t ) vi (t 1)]2 )1/ 2 }
CDt = i =1
n
(3.4)
b(i, t )
i =1
d (k ) = { ( x x ) + ( y y ) }, k = 1, n ,
k c
2
k c
2
(3.11)
care reprezint distanele euclidiene dintre centroid i toate cele n tsturi punctiforme ale
mulimii A.
64 Analiza indicilor de performan pentru algoritmi de detecie a punctelor de interes
1 n
d ( k )
r
mr = (3.12)
n k =1
i momentul de ordin r centrat :
1 n
d ( k ) m1 .
r
r = (3.13)
n k =1
Pentru descrierea trsturilor punctiforme sunt utilizai urmtorii descriptori bazai pe
momentul m1 i pe momentele r , cu r = 2,3, 4 (Sonka et al, 2000):
( )
1/ 2
3 4
F1 = 1 , F2 = , F3 = . (3.14)
( 2 ) ( 2 )
3/ 2 2
m1
relaia (3.14).
Rata de repetabilitate Ri j permite analiza entitilor ce influeneaz achiziia
{
C = E ( j d )( j d )
T
}, (3.18)
N
1
C=
N
j =1
j j
T
d d T . (3.19)
central n planul imaginii ansamblului efector-pies. Din aceast poziie s-au realizat
translaii orizontale, stnga i dreapta, de 6.1 cm pentru nc 8 cadre. Analiznd translaia
de 6.1 cm prin prisma parametrilor intrinseci ai camerei (Forsyth i Ponce, 2005) a
rezultat o translaie de 22 pixeli n planul imaginii pentru fiecare cadru. S-au realizat
detectri ale trsturilor tip punct, iar rezultatele sunt evideniate n figura 3.16:
160
140
puncte de interes
120 Harris
100
Smith
80
60 IPO
40
20
0
4 3 2 1 0 1 2 3 4
cadru
Parametrii alei pentru detecia iniial din cadrul central al fiecrui algoritm au
fost: cornerness value=1000 pentru detectorul Harris, pragul de cantitate=29 pentru
Detectorul Smith i variaia minim=26 pentru Interest Point Operator.
Din punct de vedere al numrului de puncte de interes detectate pe cadru detectorul
Harris prezint o medie de 75 trsturi pe cnd detectorul Smith i detectorul Interest
Point Operator au media n jurul valorii de 110. Cum pentru aplicaii de timp real este
necesar un minim de trsturi ce pot descrie complet obiectul, rezult c detectorul Harris
prezint cele mai bune performane.
n figura 3.17 sunt prezentate rezultatele obinute pentru cadrul central i pentru al
treilea cadru din stnga. Al doilea experiment a fost realizat pentru determinarea
numrului de puncte de interes stabile, ecuaia 2.56, al fiecrui algoritm pe fiecare cadru.
Rezultatele sunt relevate de graficul din figura 3.18. Pentru o mai bun interpretare a
rezultatelor prezentate n figura 3.18 se poate analiza procentajul de coluri stabile pe
fiecare cadru, figura 3.19. Din ultimele date experimentale reprezentate n figura
anterioar rezult un grad de stabilitate de aproximativ 81.5% (Harris), mult superior
performanelor celorlali doi algoritmi (32% Interest Point Operator i 27 % Smith).
Analiza indicilor de performan pentru algoritmi de detecie a punctelor de interes 67
a) b) c)
d) e) f)
Fig.3.17 Puncte de interes extrase pentru cadrul central a) Harris, b) IPO, c) Smith i pentru cadrul al treilea
din stnga d) Harris, e)IPO, f) Smith.
120
105 Harris
Nr. Coluri stabile
90
Smith
75
60 IPO
45
30
15
0
4 3 2 1 0 1 2 3 4
cadru
100
90
80 Harris
coluri stabile %
70
60
Smith
50
40
30 IPO
20
10
0
4 3 2 1 0 1 2 3 4
cadru
1,2
1
0,8
0,6
0,4
0,2
0
4 3 2 1 0 1 2 3 4
cadru
f = ( u, v )
T
(3.20)
f = ( u, v )
T
(3.21)
vitezele corespunztoare.
Analiza indicilor de performan pentru algoritmi de detecie a punctelor de interes 69
Algoritmii de control bazai pe imagini (eng. Imaged based visual servo control)
utilizeaz ca intrare o eroare, determinat prin msurri n planul imaginii, pentru a
poziiona efectorul unui robot manipulator:
e (t ) = f (t ) f * . (3.22)
O prim evaluare de performane s-a realizat pentru algoritmii Harris i SIFT. Cei doi
detectori au fost angrenai n extragerea trsturilor dintr-o secven de imagini
achiziionate cu o camer montat pe efectorul unui manipulator ntr-o aplicaie de
prindere a unui obiect rectangular (figura 3.21).
Cele 8 cadre analizate au fost mparite n dou: primele patru constituind schimbri
de poziie a camerei n raport cu scena de lucru, iar celelalte patru conin rotaia imaginii
pentru a se atinge poziia dorit a camerei. Trsturile detectate de fiecare din cei doi
algoritmi sunt prezentate n figurile 3.22, 3.23. Cadrul numrul 8 reprezint poziia dorit
a camerei pentru a putea efectua operaia de prindere a obiectului de ctre efectorul
robotului manipulator. Utiliznd criteriile de robustee i stabilitate prezentate n
seciunea 3.4, performanele celor doi algoritmi sunt stabilite folosind urmtoarele grafice
din figurile 3.24, 3.25.
70 Analiza indicilor de performan pentru algoritmi de detecie a punctelor de interes
0,8
0,7 0.7
0,6
0,5 0.6
0,4
0,3 0.5
0,2
0,1
0 0.4
1 2 3 4 5 6 7 1 2 3 4 5 6 7 8
Frames cadru
a) b)
Figura 3.24: a) stabilitatea algoritmilor Harris i SIFT; b) Robusteea algoritmilor Harris i SIFT
Analiza indicilor de performan pentru algoritmi de detecie a punctelor de interes 71
Eroare de pozitionare(Harris)
450 450
a) b)
Figura 3.25: Eroarea de poziie a) Harris b) SIFT
a) b) c)
d) e) f)
Figura 3.27: Cadre ale secvenei de imagini cu trsturi punctiforme obinute cu detectorul SIFT.
Dup cum a fost prezentat n seciunea 2.2.1, algoritmul SIFT conine diferii
parametri ce trebuiesc acordai pentru o comportare optim a detectorului de trsturi
punctiforme. Pentru aceast aplicaie au fost considerate urmtoarele valori:
= 1.4, r = 10, = 5 . Utiliznd criteriile prezentate n seciunea 3.4 putem analiza
performanele punctelor de interes din punct de vedere a stabilitii i a gradului de
rspndire. Se calculeaz descriptorii bazai pe momente ale imaginii folosind (3.14) i
Analiza indicilor de performan pentru algoritmi de detecie a punctelor de interes 73
apoi pentru fiecare descriptor se determin rata de repetabilitate (3.15) n cele trei stagii
raportat la cadrul final. Pentru primele 8 cadre (schimbarea poziiei camerei fa de
obiect) rezultatele sunt prezentate n figura 3.28. Rata de repetabilitate este descris de
graficul din figura 3.28 a) iar gradul de dispersie bazat pe distana Mahalanobis n figura
3.28 b).
rat de F1 F2 F3 distana
repetabilitate Mahalanobis
1.4 2.5
1.2
2
1
0.8 1.5
0.6 1
0.4
0.5 frames
0.2
0 0
1 2 3 4 5 6 7 8 frames 1 2 3 4 5 6 7 8
a) b)
Fig. 3.28 Schimbarea poziiei camerei fa de scena de lucru a) rata de repetabilitate, b) distana
Mahalanobis
rat de F1 F2 F3 distana
repetabilitate Mahalanobis
1.5
2.5
1 2
1.5
0.5
1
0 0.5
cadru
9 10 11 12 13 14 15 16
0
-0.5
cadru 9 10 11 12 13 14 15 16
a) b)
Fig. 3.29: Rotaia imaginii a) rata de repetabilitate, b) distana Mahalanobis.
rat distan
F1 F2 F3
repetabilitate Mahalanobis
1,1 2,5
1,05 2
1 1,5
0,95 1
a) b)
Fig. 3.30: Schimbarea scalei a) rata de repetabilitate, b) distana Mahalanobis
3.6 Concluzii
punctelor de interes. n plus, diferenele dintre descriptori au fost relevate prin utilizarea
distanei Mahalanobis. Studiul calitii punctelor de interes a relevat performane ridicate
pentru detectorul Harris (n cazul secvenelor de imagini cu factor de scalare 1) i SIFT
(n cazul secvenelor de imagini cu factor de scalare variabil). A fost realizat, n acelai
timp i un studiu comparativ privind performanele algoritmilor de urmrire bazai pe
cross-correlation i gradient vector matcher. Rezultatele au demonstrat o comportare mai
bun pentru metoda cross-correlation n cadrul secvenelor de imagini achiziionate
pentru o aplicaie servoing.
76 Analiza indicilor de performan pentru algoritmi de detecie a punctelor de interes
Capitolul 4. Estimarea micrii obiectelor n secvene de imagini
Detectarea i urmrirea trsturilor vizuale ale unui obiect reprezint unul dintre
obiectivele fundamentale de cercetare al ultimilor ani n domeniul vederii computerizate.
Fie c sunt considerate aplicaii de identificare a obiectelor prin proprieti de micare
(Shapiro, 2000) sau aplicaii de reconstituire a traiectoriei (Forsyth i Ponce, 2003),
metoda de estimare a fluxului optic reprezint o etap fundamental n proiectarea
algoritmilor de procesare a secvenelor de imagini sau a semnalelor video.
Estimarea micrii face parte din categoria metodelor de urmrire a trsturilor
vizuale, fiind semnificativ n rezolvarea problemelor ce rezult din juxtapunerea
obiectelor sau prsirea parial a scenei de lucru. O clasificare a metodelor de estimare a
micrii se refer la modul n care sunt considerate ipotezele de lucru: micare n planul
imaginii (micare 2-D) sau micare n spaiul cartezian (micare 3-D).
Algoritmii dezvoltai pentru estimarea micrii se bazeaz pe calcularea unei
posibile stri a sistemului obiecte fundal n funcie de informaiile dobndite apriori. n
proiectarea algoritmilor de reconstrucie a micrii obiectelor n secvene de imagini,
metodele de estimare sunt utilizate pentru aproximarea poziiei unor trsturi vizuale de
interes. Ipoteza anterior prezentat definete aa numita problem a corespondenelor.
Estimarea micrii poate fi privit ca o problem retrograd sau antegrad, n funcie de
78 Estimarea obiectelor n secvene de imagini
4.1 Introducere
M ( x, y ) = ( Lx +1, y Lx 1, y ) 2 + ( Lx , y +1 Lx , y 1 ) 2 , (4.1)
Histograma orientrilor este format din gradientul orientrilor tuturor punctelor din
interiorul ferestrei circulare n jurul punctului de interes. Aceast histogram a
orientrilor conine 8 indici, acoperind cele 3600 ale orientrii (figura 4.1 (a)).
magnit.
(a) (b)
Figura 4.1 (a) Histograma orientrilor; (b) Orientri fundamentale
Pn acum se cunosc locaia, scala i orientarea fiecrei trsturi, urmtorul pas este
alctuirea descriptorului pentru regiunea local a imaginii. Pentru o mai bun stabilitate a
punctelor detectate i pentru performane mai bune, magnitudinea i orientarea se
Estimarea obiectelor n secvene de imagini 81
calculeaz pentru ntreaga vecintatea de 16x16 din jurul fiecrei trsturi, nu numai
pentru trstura n sine. n figura 4.2 sunt prezentate trsturile unui obiect detectate cu
ajutorul detectorului SIFT:
(a) (b)
Figura 4.3 Vecintatea de 16x16 a trsturii (a) Orientarea i magnitudinea celor 256 de pixeli din
vecintate; (b) Descriptorul trsturii
Pentru eficien, gradienii sunt calculai pentru toate nivelurile, piramidei aa cum
s-a descris n seciunea 2.2.1. Vecintatea de 16x16 din jurul fiecrei trsturi este
mprit n blocuri de 4x4, iar la rndul lor, aceste blocuri alctuiesc fiecare cte o
histogram (figura 4.3 (b)).
82 Estimarea obiectelor n secvene de imagini
Orientrile unei histograme sunt divizate n b indici (figura 4.1 (a)) i apoi se
calculeaz magnitudinea indicilor cu ajutorul urmtoarei formule:
hr (l , m ) (k ) =
x , yr ( l , m )
M ( x, y )(1 | ( x, y ) ck | / k ) , (4.3)
360
unde ck este orientarea fiecrui indice, k este o constant egal cu , iar (x,y) sunt
2b
coordonatele pixelilor din subregiunea r (l , m) .
Descriptorul este format dintr-un vector de 128 de componente care conine valorile
tuturor orientrilor histogramei. Lungimea vectorului este bn2, unde b este numrul
orientrilor n histogram, aici b=8, iar n este limea blocului, n timp ce parametrul
k =22.5. n final trsturile vectorului sunt normalizate pentru a reduce efectele
schimbrii de iluminare.
Una din cele mai importante probleme evideniate n aplicaiile ce deriv din
procesarea de imagini este aceea a urmririi i recunoaterii trsturilor ntr-o secven de
imagini, chiar dac imaginile din secven sunt achiziionate la scale diferite, chiar dac
imaginile sunt rotite. Aceast problem poate fi rezolvat folosind distana Euclidean.
Astfel, se compar vectorul (descriptorul) pentru imaginea model cu vectorul pentru
imaginea din secven.
Punctele de interes sau trsturile pentru care aceast distan este mai mic dect
un prag impus de utilizator sunt punctele care pot fi urmrite cu succes n secvena de
imagini. Acest prag, ce poate fi denumit distan limit, trebuie s fie ct mai mic
pentru a asigura convergena algoritmului.
Secvena de imagini, pentru care a fost testat algoritmul de urmrire bazat pe
descriptor tip magnitudine i orientare, este prezentat n figura 4.4. Secvena de imagini
este compus din 12 cadre achiziionate la momente de timp diferite, fiecare cadru
conine un obiect circular (banda de scotch) surprins la valori diferite ale factorului de
scalare. Imaginea model reprezint configuraia dorit, iar ultimul cadru reprezint
punctul de start al algoritmului. Folosind o configuraie eye-in-hand se analizeaz
Estimarea obiectelor n secvene de imagini 83
cu msurtorile z n
:
zk = Hxk + vk . (4.5)
ek = xk xk ,
(4.7)
ek = xk xk ,
Pk = ( I K k H ) PK , (4.13)
se rescrie ecuaia (4.12):
Pk = ( I K k H ) Pk ( I K k H )T + K k RK kT . (4.14)
Ecuaia (4.14) reprezint expresia general de updatare a matricii de covarian a erorii.
Alegerea matricei K k trebuie realizat astfel nct s se obin o minimizare a urmei lui
d [trace( M 1M 3 M 1T )]
= 2M 1M 3 ( M 3 simetric) (4.17)
dM 1
K k = Pk H T ( HPk H T + R ) 1 (4.18)
Soluia obinut n (4.18) se numete amplificarea Kalman.
Combinnd toate informaiile se pot descrie recursiv etapele buclei de updatare prin
metoda Kalman:
Iniializare: Se introduc matricile A, B, H, R, Q, precum i x0 i P0 .
zk zk + H ( x k xk ) + Vvk , (4.22)
ek = K k ezk . (4.30)
Substituind (4.30) n (4.29) i innd cont de ecuaia (4.27), rezult ecuaia de estimare a
strii pentru extinderea filtrului Kalman:
xk = xk + K k ( zk zk ) . (4.31)
f
v = [vx , v y ]T viteza acestora, rezult o reprezentare a strii sistemului de forma x = .
v
n acest caz matricea de interaciune devine (Forsyth i Ponce, 2003):
1 0 t 0
0 1 0 t
A= , (4.34)
0 0 1 0
0 0 0 1
unde t reprezint perioada aferent analizei cadrelor consecutive n secvena de
imagini, perioad ce dicteaz ecuaia de micare:
fi = fi 1 + (t )vi 1 , (vi = vi 1 ) (4.35)
De observat este i faptul c, n etap efecturii msurtorilor doar componenta
poziie este necesar de analizat. Astfel, n cazul ipotezei vitez constant matricea
msurtorilor devine:
Estimarea obiectelor n secvene de imagini 91
1 0 0 0
H = . (4.36)
0 1 0 0
Modelul de reprezentare pentru ipoteza acceleraie constant asociaz strii
sistemului un vector cu 6 componente compus din poziia, viteza i acceleraia trsturilor
fi = fi 1 + (t )vi 1
vi = vi 1 + (t )ai 1 , (4.37)
ai = ai 1
f xi f yi
xG = i =1
; yG = i =1
. (4.39)
n n
Algoritmul dezvoltat propune o izomorfie ntre estimarea micrii obiectului i
estimarea micrii centrului de greutate n raport cu datele extrase din micarea camerei.
Estimarea obiectelor n secvene de imagini 93
f1k
f 2k
f5k Gk
f3k
f 4k
= z .
Valorile distanelor menionate in definiia 1 se deduc din proprietile vitezei pe
direcia z. Dac notm cu lk distana dintre camer i scena de lucru la momentul k atunci
lk +1 = vzk +1 it . n figura 4.7 sunt reprezentate poziiile unei trsturi generice la momentul
k i a centrului de greutate pentru ansamblul de trsturi din care face parte. Totodat,
este reprezentat i poziia estimat a centrului de greutate prin procedura Kalman, G k+1
f1k
F1
Gk
G k+1
Fig. 4.7 Poziie estimat a trsturii bidimensionale n raport cu estimarea apriori a poziiei centrului
de greutate
F2
f1k
F1
Gk G k+1
Ecuaiile (4.42) i (4.43) formeaz un sistem n necunoscutele F2x , F2y . Soluia sistemului,
innd cont i de faptul c lungimea unui segment este ntotdeauna un numr pozitiv, va
fi:
F2x = xk+1 (1 ) + F1k
(4.44)
F2y = yk+1 (1 ) + F1 y
Micarea de rotaie a camerei n jurul axei z cu unghiul se regsete printr-o
transformare omogen raportat la centrul imaginii, Fig. 4.9. Folosind proprietile
vectorilor liberi i notnd prin:
cos(2 ) sin(2 ) 0
L = sin(2 ) cos(2 ) 0
0 0 1
96 Estimarea obiectelor n secvene de imagini
fi k +1
F2
k
f1
Centrul imaginii
G k
G k+1
1 0 1 0
0 1 0 1
matricea de tranziie a sistemului devine, n virtutea ecuaiei (4.34): A = ,
0 0 1 0
0 0 0 1
iar matricea de tranziie a msurtorilor prezent doar n corecia poziiei este definit
1 0 0 0
prin: H = .
0 1 0 0
rk = [ vx 0 0 0]
T
0 vz
de lucru, obiectul n poziia de start se afl n aproprierea uneia din limitele imaginii
atunci dimensiunea ferestrei de cutare va fi mic (aproximativ 30x30 pixeli). Odat cu
deplasarea obiectului n planul imaginii dimensiunea ferestrei de cutare trebuie
modificat ajungnd n prezentul experiment i pn la 70x70.
Estimarea de micare a centrului de greutate (verde) urmrete cu fidelitate
traiectoria real (rou) (figura 4.12). Analiznd rezultatele cu privire la traiectoria
centrului de greutate se poate concluziona faptul c, pentru secvena considerat, ambii
algoritmi au obinut performane bune.
4.4 Concluzii
proprieti ale unor locaii invariante din planul imaginii. Dintre aceste locaii fac parte
centrul de greutate al mulimii trsturilor ce caracterizeaz obiectul si centrul imaginii.
Folosind ca ipotez de lucru paralelismul dintre planul imaginii i scena de lucru, se
utilizeaz procedura bazat pe filtrare Kalman pentru a estima micarea centrului de
greutate. Datele de intrare considerate reprezint micare n spaiul tridimensional al
camerei. Doi parametri caracterizeaz aceast micare, nlimea fa de scena de lucru i
rotaia n jurul axei perpendiculare pe scena de lucru. Aceste informaii sunt transpuse n
modelri de micare a mulimii de trsturi vizuale ce caracterizeaz obiectul. Pentru
validarea algoritmului au fost considerate secvene de imagini ce surprind modificri ale
unei scene de lucru monitorizate cu ajutorul unei camere montate pe efectorul unui robot
manipulator. Rezultatele experimentale au scos n evidena performanele algoritmului
propus ca fiind bune n ipotezele de lucru menionate anterior.
102 Estimarea obiectelor n secvene de imagini
Capitolul 5. Aplicaii n sisteme servoing vizuale
5.1 Introducere
Obiect
f* + e Regulator bazat v*c
pe imagini
_
Amplif. putere
Robot + Camera
f Extragere Imagine
trsturi
Fig.5.1 Arhitectur bazat pe imagine
f = L f vc , (5.5)
erorii:
e = Le vc , (5.6)
vc = L+e e , (5.7)
cnd Le este de rang minim 6. n sistemele servoing reale sunt necunoscute att Le ct i
L+e . De aceea sunt necesare aproximri sau estimri a uneia din cele dou matrice (se
noteaz cu L+e aproximarea lui L+e ). Utiliznd aceast notaie legea de control devine :
vc = L+e e . (5.9)
X = vx y Z + zY
P = vc c P Y = v y z X + x Z (5.12)
Z = vz xY + y X .
Dac se noteaz ( xP , yP ) proiecia n perspectiv a lui P i innd cont de relaia:
X
xP = Z
(5.13)
y = Y
P Z
108 Aplicaii n sisteme servoing
rezult c:
vx vx
x P = Z + x p Z + x p y px (1 + x p )v y + y p z
2
(5.14)
y = v y + y v y + (1 + y 2 ) x y x
P Z
p
Z
p x p p y p z
1 xp
0 xp yp (1 + x 2p ) yp
Z Z
L( xP , yP , z ) = . (5.16)
1 yp
0 1+ y 2
p xp yp xp
Z Z
Folosind acelai raionament se identific relaia dintre proiecia n planul imaginii i
viteza camerei.
u
v = L(u ,v , z ) vc , (5.17)
unde:
u uv 2 + v2
0 v
L(u ,v , z ) =
z z . (5.18)
v + v2
2
uv
0 u
z z
5.2.2 Simulator
Extragere f*
vc Tcb (k )
Trsturi f Frame
RbI
L+ Motion
Tcb(0)
z*
Jacobian Depth
x0
x cf (k ) Tbc (k )
f(k)
Image x Inv.
xbf (0)
x
x of (0) Tob (0)
Inv. Pr.
f(0)
Extragere
Trsturi
detectate reprezint colurile obiectelor din scena de lucru i compun configuraia dorit
coninut ntr-o matrice n 2 , notat f * . Pornind de la o poziie cunoscut a camerei, se
determin cu ajutorul unui algoritm bazat pe cross-correlation corespondenii trsturilor
vizuale ce vor compune matricea notat prin f.
Informaiile cunoscute sunt: matricea de transformare omogen ce caracterizeaz
poziia i orientarea dorite pentru camer, parametrii intrinseci ai camerei i distana z *
dintre poziia dorit i planul imaginii. Aceast abordare este considerat doar pentru 2D
servo control. Obiectivul principal este determinarea matricei de transformare omogen a
poziiei de start a camerei. Sunt patru parametri ce trebuie calculai: unghiul de rotaie
n planul imaginii, x i y ce caracterizeaz translaia n planul imaginii i distana z
dintre poziia de start a camerei i scena de lucru.
Pentru determinarea valorii parametrului putem folosi ecuaia:
f * (1,:) f (1,:)
= a cos( ), (5.19)
f * (1,:) f (1,:)
*
f * (:,1)
*
f * (:,2) f (:,1) f (:,2)
xG = i =1
; yG = i =1
; xG = i =1
; yG = i =1
. (5.20)
n n n n
Parametrii x i y rezult prin rezolvarea unor ecuaii algebrice simple:
x = xG * xG ; y = y G * y G . (5.21)
Distana z dintre poziia de start a camerei i scena de lucru poate fi calculat din
informaiile cunoscute utiliznd:
( f (1,1) xG ) 2 + ( f (1,2) y G ) 2
z = z +*
z* . (5.22)
* 2 * 2
( f (1,1) xG ) + ( f (1,2) y G )
* *
Folosind cei patru parametri calculai anterior putem determina matricea de transformare
omogen a camerei ce caracterizeaz poziia de start.
112 Aplicaii n sisteme servoing
omogene ntre sistemele de coordonate sunt date de matricele Tcb i Tob (fig. 5.4).
Rc
Tcb
Ro
Rb Tob
0 z y vx
0 x v y
O(vc ) = z . (5.23)
y x 0 vz
0 0 0 0
matricei Tcb (k ) este calculat, iar rezultatul Tbc (k ) este nmulit cu vectorul de coordonate
xi y
f xi = px + u0 ; f yi = i p y + v0 . (5.24)
zi zi
a) b) c)
d) e)
f) g)
Fig. 5.6 Transformare tip rotaie a) poziie de start; b) poziie dorit; c) estimarea traiectoriei; d) traiectoria
trsturilor pentru legea proporional; e) traiectoria camerei; f) eroarea n planul imaginii; g)
comportament viteze unghiulare i liniare.
114 Aplicaii n sisteme servoing
a) b) c)
d) e)
f) g)
Fig. 5.7 Transformare tip scalare a) poziie de start; b) poziie dorit; c) estimarea traiectoriei; d) traiectoria
trsturilor pentru legea proporional; e) traiectoria camerei; f) eroarea n planul imaginii; g)
comportament viteze unghiulare i liniare.
a) b) c)
d) e)
f) g)
Fig. 5.8 Transformare tip translaie a) poziie de start; b) poziie dorit; c) estimarea traiectoriei; d)
traiectoria trsturilor pentru legea proporional; e) traiectoria camerei; f) eroarea n planul imaginii; g)
comportament viteze unghiulare i liniare.
obiectului sunt prezentate n (fig. 5.6 a-b, 5.7 a-b, 5.8 a-b). O traiectorie ipotetic
calculat pe baza unui algoritm dezvoltat prin metoda cross-correlation este evideniat n
(fig. 5.6 c, 5.7 c, 5.8 c). Comportarea sistemului servoing vizual fr model dinamic al
robotului este descris prin analiza a patru indicatori. Traiectoriile trsturilor vizuale
(fig.5.6 d, 5.7 d, 5.8 d) scot n eviden ndeplinirea task-ului de atingere a configuraiei
dorite (simbolizat prin puncte roii), plecnd de la o configuraie de start (simbolizat
prin puncte galbene). Eroare poziiei trsturilor la un moment t n raport cu
corespondentul din configuraia dorit (fig. 5.6 f, 5.7 f, 5.8 f) ilustreaz o comportare tip
element de ordinul I. Eroarea conine dou valori pentru fiecare trstur fiind calculate
diferenele dintre cele dou componente ale trsturii la momentul t i corespondentul din
configuraia dorit. Realizarea traiectoriilor trsturilor n planul imaginii este derivat
din traiectoria camerei n spaiul Cartezian, (fig. 5.6 e, 5.7 e, 5.8 e), traiectorie generat
pe baza semnalului de comand vc* , a crui structur este reprezentat n (fig. 5.6 g, 5.7 g,
5.8 g).
Modelul unui sistem servoing vizual n bucl deschis este compus din dou pri:
prima include dinamica robotului, denumit VCMD (eng. Virtual Cartesian Motion
Device) (Hashimoto i Naritsugu, 1998) iar a doua parte conine dinamica indus de
camera video i procesul de achiziie a imaginii. Reprezentarea buclei nchise, cu cele
dou pri componente ale buclei deschise i regulatorul bazat pe imagini, este ilustrat n
figura 5.9. Semnalul de intrare n VCMD este viteza de referin vc* exprimat n spaiul
Cartezian, deci este necesar o conversie n spaiul articulaiilor pentru a putea fi aplicat
celor ase niveluri de control al vitezei articulaiilor robotului. Aceast transformare este
realizat folosind inversa matricei Jacobian J r1 ataat robotului, rezultnd vectorul
vitez de referin pentru fiecare articulaie vq* . Fiecrei articulaii i este ataat o bucl
robotului pe o perioad de eantionare este mult redus. Deci J r este constant ntre dou
eantioane consecutive, presupunere valid n aplicaiile reale dac robotul nu se gsete
n spaiul de lucru ntr-o zon de singularitate. Modelul dinamicii robotului este neliniar
datorit efectelor generate de fore precum Coriolis, centrifug i gravitaional. Cnd
robotul i modific configuraia cu vitez mare atunci neliniaritile devin semnificative.
n cazul sistemelor servoing vizuale vitezele articulaiilor sunt controlate
individual, regulatoarele buclelor de reglare, C1 C6 , (Fig. 5.9), sunt astfel proiectate
pentru a elimina efectele neliniare generate de perturbaiile de ncrcare. O singur
comportare neliniar mai apare, aceea a matricei de inerie. Ineria articulaiilor variaz
limitat n raport cu poziia xq a robotului i astfel matricea de inerie poate fi considerat
constant n jurul unei poziii date pentru robot. Mai mult, se poate liniariza modelul
VCMD ntr-o vecintate a lui xq pentru care modelul dinamicii robotului i J r sunt
vq = H ( s ) vq* . (5.25)
de date. Unul din aceste seturi este utilizat pentru determinarea modelului i estimarea
parametrilor, iar celelalte seturi de date pentru validare.
Dac regulatoarele de vitez Ci , i = 1, 6 din bucla intern sunt proiectate pentru a
model diagonal liniar pentru sistemul cu ase grade de libertate (Fujimoto, 2003). n acest
caz este valabil presupunerea c fiecare articulaie este decuplat pentru o frecven mai
mic dect frecvena de tiere a buclei interne. Perioada de eantionare a buclei interne
este aleas de obicei din intervalul 0.21[ms] i frecvena de tiere este 150300 [rad/s]
(Fujimoto i Himura, 2001). Cum regulatorul de vitez este de obicei unul tip
proporional cu Ci ( s) = K v , bucla intern a sistemului poate fi modelat n regiunea
frecvenelor mai mici dect frecvena de tiere, fapt exprimat prin:
kv
vc ( s ) = H 0 ( s ) vc* ( s ) = I 6 vc* ( s ) . (5.26)
s + kv
Din modelul (5.26) rezult necesitatea poziionrii blocului ZOH din figura 5.9 dup
regulatorul RbI, pentru a utiliza semnalul vs* ( s ) ca i intrare a buclei interne, astfel
rezultnd modelul linearizat pentru VCMD din figura 5.10:
caracterizat prin :
G ( z ) = (1 z 1 ) Z ( H 0 ( s ) / s ) (5.27)
a) b)
c) d)
Fig. 5.12 Comportarea sistemului servoing cu model dinamic al robotului manipulator inclus pentru un
regulator PI: a) traiectoria trsturilor n planul imaginii, b) traiectoria camerei n spaiul Cartezian, c)
eroarea n planul imaginii, d) componentele vectorului vitez al camerei
Aplicaii n sisteme servoing 121
bucl intern
e(k) ec(k) vc* (k ) vc* + vc* q* vc vc(k)
f* + 1
L RPbI ZOH kV J rc Robot
+ _ +
_ _ T
Regulator q
de vitez Jrc
f(k)
i ( xc , xo )
xo(k)
senzor vizual
bazat pe imagini este reprezentat n figura 5.14 i este compus dintr-un model discret al
buclei interne VCMD plus un model al senzorului vizual.
VCMD SV
vc* (k ) vc* ( s ) vc(s) vc(k) ( ui (k ), vi (k ), zi (k ) )
EOZ I 6G( s) L
T f (k +1) f (k )
T
I 6G ( z 1 )
este iniializat cu trsturile f (.) la pasul k ce sunt obinute din senzorul vizual utiliznd
un detector de trsturi vizuale adecvat.
Controlul erorii trsturilor n planul imaginii exprimate n coordonatele spaiului
Cartezian, este dat de:
ec (k + i ) = L+ ( f d f (k + i )), i = 1, H p . (5.30)
Funcia cost ce trebuie minimizat este definit ca o form ptratic compus din erori
exprimate n spaiul Cartezian i un vector de intrri tip trstur pe un orizont de control
Hc :
H
1 p 1 H c 1
J = ecT (k + i )Qec (k + i ) + vc*T (k + i ) Rvc* (k + i ) , (5.31)
2 i =1 2 i =0
unde Q i R reprezint matrice tip pondere, pozitiv definite i simetrice. Limitele
imaginii introduc restricii de vizibilitate pentru a asigura existena n planul imaginii n
permanen a trsturilor. Aceast restricie e sintetizat:
(ui (k ), vi (k )) [u min , v min ; u max , v max ] (5.32)
i inclus n funcia cost pentru a garanta validitatea fizic a soluiei a strategiei
predictive.
Implementarea, testarea i validarea predictorului propus n ecuaia (5.29) au fost
realizate prin dezvoltarea unor rutine Matlab care s ndeplineasc obiective diferite
precum calcularea matricei de interaciune, transformarea prin proiecia n perspectiv a
punctelor din spaiul Cartezian n planul imaginii, modelarea micrii camerei prin
determinarea matricei de transformare omogen ataate. Pentru determinarea orientrii
camerei obinute dup aplicarea unei viteze de rotaie a fost utilizat reprezentarea roll ,
pitch , yaw , reprezentare ce genereaz o matrice de rotaie (Siciliano, et al., 2009)
via ecuaia:
124 Aplicaii n sisteme servoing
c c c s s s c c s c + s s
R = s c
b
c s s s + c c s s c c s . (5.33)
s c s c c
Dezvoltnd ecuaia (5.28) , forma utilizat n implementare este dat de ecuaia :
2 + kvT 1 T 2 kv
f (k + 1) = f (k ) f (k 1) + Lk vc (k ) (5.34)
1 + kvT 1 + kvT 1 + k vT
a c e
b d f
Fig.5.15 Estimarea micrii trsturilor pe baza modificrii valorilor componentelor vectorului vitez a)
grafic de modificare a componentei vx , b) traiectorii puncte de interes pentru modificarea componentei
vx , c) grafic de modificare a componentei v y , d) traiectorii puncte de interes pentru modificarea
componentei v y , e) grafic de modificare a componentei vz , f) traiectorii puncte de interes pentru
modificarea componentei vz .
Aplicaii n sisteme servoing 125
a) b)
Fig. 5.16 a) grafic modificare componente vitez camer, b) traiectorii puncte de interes
a) b)
c) d)
Fig. 5.17 Regulator PI: Translaie pe direcia x a) traiectorie puncte de interes; b) eroare n planul
imaginii; c) comportare componente vitez camer; d) traiectorie camer.
a) b)
c)
Fig. 5.18 Regulator Predictiv: translaie pe direcia x a) traiectorie puncte de interes; b) eroare n planul
imaginii; c) comportare componente vitez camer;
Aplicaii n sisteme servoing 127
a) b)
c) d)
Fig. 5.19 Regulator PI: modificare factor scalare a) traiectorie puncte de interes; b) eroare n planul
imaginii; c) comportare componente vitez camer; d) traiectorie camer.
a) b)
c)
Fig. 5.20 Regulator Predictiv: modificare factor de scalare a) traiectorie puncte de interes; b) eroare n
planul imaginii; c) comportare componente vitez camer;
128 Aplicaii n sisteme servoing
a) b)
c) d)
Fig. 5.21 Regulator PI: Rotaie axa z a) traiectorie puncte de interes; b) eroare n planul imaginii; c)
comportare componente vitez camer; d) traiectorie camer.
a) b)
c)
Fig. 5.22 Regulator Predictiv: rotaie axa z : a) traiectorie puncte de interes; b) eroare n planul imaginii; c)
comportare componente vitez camer;
Aplicaii n sisteme servoing 129
5.22 b) se pot evalua rezultatele obinute prin utilizarea tehnicii de control predictive
bazate pe model. Convergena ctre configuraiile dorite sunt evidente (dup cum este
evideniat i n fig. 5.18 a), 5.20 a), 5.22 a) ) i se poate concluziona faptul c sistemul
servoing vizual cu regulator predictiv bazat pe imagini este mai rapid prin comparaie cu
un regulator tip PI bazat pe imagini. Eroarea n planul imaginii se apropie de 0
aproximativ dup 8 pai iterativi, fiecare pas fiind evaluat n medie dup 11 sec. Din
figurile 5.18 c), 5.20 c), 5.22 c) se poate observa evoluia structurii semnalului de
comand tip vitez pentru camer. Pe parcursul experimentelor s-a observat un efort
computaional mai ridicat pentru abordarea predictiv i n acelai timp a fost scoas n
eviden necesitate dezvoltrii unor metode de identificarea restriciilor variabile pentru
funcia cost pentru a asigura o comportare optim a algoritmului.
5.4 Concluzii
A fost dezvoltat un predictor pentru estimarea micrii trsturilor tip punct de interes n
planul imaginii pentru viteze prescrise ale camerei video. Predictorul, dezvoltat pe baza
modelului n bucl deschis a sistemului servoing vizual, a fost implementat, testat i
validat iar rezultatele experimentale au relevat performane foarte bune, n special pentru
acurateea traiectoriilor punctelor de interes n planul imaginii. n final au fost evaluate
performanele a dou structuri de reglare bazate pe imagini una coninnd un regulator PI
bazat pe imagini cealalt un regulator predictiv bazat pe imagini. Experimentele au
constat n evidenierea comportrii celor dou structuri pentru transformri fundamentale
precum translaie, rotaie, modificare factor scalare. Structura ce conine regulatorul
predictiv bazat pe imagini a relevat performane mult mai bune dect abordarea clasic cu
regulator PI bazat pe imagini.
Capitolul 6. Concluzii
6.1 Contribuii
Amit Y., 2002, 2D Object Detection and Recognition Models, Algorithms and Networks,
Ed. M.I.T
Andreff, N., B. Espiau, R. Horaud, 2002, Visual Servoing from Lines, International
Journal Of Robotics Research, 21, no. 8, pp 679-700.
Anderson J., Lee D., Eduards B., Archibald J. and Greco C., 2007, Real-Time feature
tracking on an embedded vision sensor for small vision guided unmanned
vehicles, Proc. of the IEEE International Symposium on Computational
Intelligence in Robotics and Automation, pp 55-60.
Betke M., Hariteoghe E., Davis L., 2000, Real time multiple vehicle detection and
tracking from a moving vehicle, In Journal of Machine Vision and Applications,
vol. 12, pp 69-83.
Boghiu B., Burlacu A., Lazr C., 2007, Image features detection using phase congruency,
Proc. of 9th International Symposium on Automatic Control and Computer
Science, Iasi, November 16-17, CD-ROM, ISSN 1843-665-X.
Brown R. i Hwang P., 1992, Introduction to random signals and applied Kalman
filtering, Second Edition, Ed. John Wiley and Sons, 512 pp, ISBN 0-47152-573-1.
Burlacu A. i Lazr C. 2006a, Performance Analysis of Point Features Using Image
Sequences with Controlled Motion, Scientific Bulletin of Politehnica University of
Timisoara, Trans. On Automatic Control and Computer Science, Vol. 51 (56),
No. 2, 2006, pp. 15-20, ISSN 1224-600X
Burlacu A. i Lazr C., 2006b, Motion-Based Object Detection and Tracking in Image
Sequences, Proc. of 5th International Conference on Advanced Engineering
Design, Prague, 11-14 June, (CD-ROM), ISBN: 80 86059 44 8 (Best Paper
Award Student Competition).
Burlacu A. i Lazr C., 2006c, Recovering trajectories in image sequences using point
features, Buletinul Institului Politehnic din Iasi, Tomul LII (LVI), Fasc. 7A,
Secia Constructii de Masini, pp. 133-138, ISSN 1011-2855.
Burlacu A. i Lazr C., 2007, Evaluation of Scale Invariant Features for Visual Servoing
Tasks, Proc. of 16th International Conference on Control Systems and Computer
Science, Bucuresti, 22-25 May, pp. 389-394, ISBN 978-973-718-741-3
Burlacu A., Copot C. i Lazr C., 2007, SIFT Based Algorithm for Point Feature
Tracking, The Annals of Dunarea de Jos University of Galati, Fascicle III, pp.
59-64, ISSN 1221-454X.
Burlacu A. i Lazr C., 2008, Image Features Detection using Phase Congruency and Its
Application in Visual Servoing, Proc. of IEEE 4th International Conference on
Intelligent Computer Communication and Processing, Cluj Napoca, August 28-
30, pp. 47 53, ISBN 978-1-4244-2673-7.
Burlacu A. i Lazr C., 2008b, Image based predictive controller for visual servoing
systems, accepted at Buletinul institutului Politehnic Iasi, Secia Automatic i
Calculatoare, XLXIV (LVII), fasc.1-4, ISSN 1220-2169.
Burlacu A. i Lazr C., 2009, Visual feature tracking using Kalman filter, submitted at
the 17th International Conference on Control Systems and Computer Science,
Bucharest, May 26-29.
Cervera E., Visual Servoing Toolbox, 2003, Jaume I University, Castello,
http://sourceforge.net/projects/vstoolbox/
Chaumette F., 2004. Image Moments: A General and Useful Set of Features for Visual
Servoing, IEEE Transaction on Robotics, 20, (4), pp. 713 723.
Chaumette F. i Hutchinson S., 2006, Visual Servo Control Part I: Basic Approaches,
IEEE Robotics & Automation Magazine, 13, (4), pp. 82-90.
Collewet C., Marchand E. i Chaumette F., 2008, Visual servoing set free from image
processing, IEEE Int. Conference on robotics and Automation, Pasadena, USA,
pp.81-86.
Cooke T. i Whotmough R., 2005, Evaluation of Corner Detectors for Structure from
Motion Problems, Proceedings of Digital image computing: Techniques and
Applications, pp.535-542 , ISBN: 0-7695-2774-4.
Cuvillon L., Laroche E., Garnier H, Gangloff J. i de Mathelin M., 2006, Continuous-
time model identification of robot flexibilities for fast visual servoing, Proc. of
14th IFAC Symposium on System Identification, SYSID2006, Newcastle,
Australia, pp. 1264-1269
Dixon W.E., Y. Fang, D. M. Dawson, i T. J. Flynn, 2003 a, Range Identification for
Perspective Vision Systems, IEEE Transactions on Automatic Control, Vol. 48,
No. 12, pp. 2232-2238.
Dixon W. E., Y. Fang, D. M. Dawson, i J. Chen, 2003 b, Adaptive Range Identification
for Exponential Visual Servo Control, IEEE Int. Symp. on Intel. Control,
Houston, Texas, pp. 46-51.
Drummond, T. i R. Cipolla, 2002, Real-Time Visual Tracking of Complex Structure,
IEEE Trans. On Pattern Analysis and Machine Intelligence, 24, 7, pp. 932-946.
Feng X., Cao M., Wang H i Collier M, 2008, The comparison of Camera Calibration
Methods Based on Structured Light Measurements, Proceedings of CISP, Vol 2,
pp 155-161.
Forsyth D. i Ponce J., 2003, Computer Vision A Modern Approach, Ed. Prentice Hall.
Fuijimoto H., 2003, Visual Servoing of 6 DOF Manipulator by Multirate Control with
Depth Identification, Proc of the 42nd IEEE Conference on Decision and Control,
Maui, Hawaii U.S.A, pp. 5408-5413.
Fujimoto H. i Kimura H., 2001, Visual servoing based on intersample disturbance
rejection by mutirate sampling control time delay compensation and
experimental verification, Proc. of 40nd IEEE Conference on Decision and
Control, Orlando, Florida, pp. 334-339.
Funk N., 2003, A study of the Kalman Filter applied to Visual Tracking, project for
CMPUT.
Gangloff J.A., Mathelin M.F., 2003, High speed visual servoing of a 6 DOF manipulator
using multivariable predictive control, Advances Robotics, vol. 21, no. 10, pp.
993-1021.
Harris C. i Stephens M., 1988, A combined corner and edge detector, in Proc. 4th Alrey
Vision Conference, Manchester, pp.147-151.
Hashimoto K. i T. Noritsugu, 1998, Performance and sensitivity in visual servoing,
Proc. of IEEE Int. Conference on Robotics and Automation, pp. 2321-2326.
Hu W., Tan T., Wang L. i Maybank S., 2004, A survey on Visual Surveilance of Object
Motion and Behaviors, IEEE Transactions on Szstem, Man and Cybernetics
Part C: Applications and Reviews, vol. 34, No. 3, pp 334-352.
Hutchinson, S., G. Hager i P.Corke, 1996, A tutorial on visual servo control, IEEE
Transactions on Robotics and Automation, 12, 5, pp. 651 670.
Kovesi P.D, 1999, Image features from phase congruency, Videre: Journal of Computer
Vision Research , vol.1, pp.1-26.
Kyrki, V., Kragic, D. i Christensen, H., 2004, New shortest-path approaches to visual
servoing, Proc of 2004 IEEE/RSJ International Conference on Intelligent Robots
and Systems, Sendai, Japan.
Lazr C. i Burlacu A., 2006, Detection and Tracking of Feature Points in Image
Sequences, Proc. of 12th IEEE Conference on Methods and Models in Automation
and Robotics MMAR 2006, Midzyzdroje, 28-31 August, ISBN 83 60140 93 6.
Lazr C. i Burlacu A., 2007, Performance Evaluation of Point Feature Detectors for
Eye-in-Hand Visual Servoing, Proc. of 5th IEEE International Conference of
Industrial Informatics, Vienna, vol.1, pp. 497-502, July 23-26, ISBN 1-4244-
0864-4.
Lazr C. i Burlacu A., 2007b. : Scale Invariant Features Evaluation Using Image-Based
Moments, Prep. of 4th IFAC Conference on Management and Control of
Production and Logistics, Sibiu, vol.1, pp. 109-115, 27-30 September, ISBN 978-
973-739-481-1.
Lazr C. i Burlacu A., 2007c, ARIMAX MIMO model for image based visual servo
control, Proc. of 9th International Symposium on Automatic Control and
Computer Science, Iasi, November 16-17, CD-ROM, ISSN 1843-665-X.
Lazr C. i Burlacu A., 2008a, Predictive control strategy for image based visual servoing
of robot manipulators, Proc. of 9th International Conference on Automation and
Information, Bucharest, June 24-26, pp 18, 91-97, ISBN 978-960-6766-77-0
(Invited Paper).
Lazr C. i Burlacu A., 2008b, Modeling of visual servo open-loop for robot manipulators,
Proc. of IEEE International Symposium on Industrial Electronics, Cambridge,
June 30-July 2, CD-ROM, ISBN 978-1-4244-1666-0.
Lazr C. i Burlacu A., 2008c, Dynamic Simulation Model for Image Based Visual Servo
Control Systems, Proc. of 11th International Conference on Optimization of
Electrical and Electronic Equipment, Vol. III, pp. 285-290, Brasov, May 22-24,
ISBN 978-973-131-031-2
Li R. i Jilkov P Vesselin, 2005, Survey of Maneuvering Target Tracking, Part V:
Multiple Model Methods, IEEE Transactions on Aerospace and Electronics
Szstems, Vol 41, No.4, pp. 1255 1321.
Li P., Tahri O. i Chaumette F., 2005, A shape tracking algorithm for visual servoing, In
IEEE Int. Conf. on Robotics and Automation, ICRA'05, pp 2858-2863, Barcelona,
Spania.
Lindeberg T., 1998, Feature detection with automatic scale detection, International
Journal of Computer Vision, 30(20):79-116.
Lowe D.G., 2004, Distinctive image features from scale-invariant keypoints,
International Journal of Computer Vision, 60, (2), pp. 91-110.
Ma Y., Soatto S., Kosecko J. i Sasky S.S., 2005, An invitation to 3-D Vision from
Images to Geometric Models, 552 pp, Springer, ISBN 978-0-387-00893-6.
Marchand E. i Chaumette F., 2005, Feature tracking for visual servoing purpose, In
Journal of Robotics and Autonomous Systems, vol. 52, pp.53-70.
Marques de Sa J.P, 2001, Pattern Recognition concepts, Methods and Applications, 318
pp., Springer 2001, ISBN 3540422978.
Martinez-Fonte L., Gautama S. i Philips W., 2004, An empirical study on corner
detection to extract building in very high resolution satellite images, IEEE-
Proceedings of ProRISC, Veldhoven, pp.288-29.
Mezouar, Y. i Chaumette, F., 2002, Path Planning for Robust Image-based Control,
IEEE Transactions on Robotics and Automation, 18, 4, pp 534-549.
Morrels P. i Perona P., 2007, Evaluation of Features Detectors and Descriptors Based on
3D Objects, International Journal of computer Vision, Vol.73(3), pp. 263-284.
Morrone M.C. i Owens R.A., 1987, Feature Detection from Local Energy, Pattern
recognition Letters 6, pp.303-313, 1987.
Morrone M.C. i Burr D.C., 1988, Feature Detection in Human Vision: A phase-
dependent Energy Model, Proc.R.Soc.Lond.B., vol.235, pp.221-245.
Murakami T., Oda N., Miyasaka Y. i Ohnishi K., 1995, A motion control strategy based
on equivalent mass matrix in multidegree of freedom manipulator, IEEE Trans.
on Industrial Electronics, 42, 2, pp. 259-265.
Peer P. i Salina F., 2002, Panoramic Depth Imaging: Single standard Camera approach,
International Journal of Computer Vision, Vol 47, pp. 149-160.
Ray N. i Acton S., 2004, Motion Gradient Vector Flow: An external force for Tracking
Rolling Leukocytes with Shape and Size Constrained. Active Conturs, IEEE
Transactions on Medical Imaging, Vol 23, No.12, pp 1466 1478.
Sauvee M., Poignet P., Dombre E. i Courtial E., Image based visual servoing through
nonlinear model predictive control, Proc. of the 4th IEEE Conferenceon Decision
and Control, San Diego, December 2006, pp.1776-1781.
Savier N. and Sayed T., 2006, A feature-based algorithm for vehicles in intersections,
Proc. of the 3rd Canadian Conference on Computer and Robot Vision (CVR06),
pp 59-65.
Schmid C., R. Mohr and C. Bauckhage, 2000, Evaluation of interest point detectors, Intl
Journal Computer Vision, 37, (2), pp. 151-172.
Schramm, F., Morel, G., Micaelli, A., Lottin, A., 2004, Extended-2D Visual Servoing,
Proc. of IEEE International Conference on Robotics and Automation, New
Orleans, vol.1, pp. 267-273.
Shapiro L. i Stockman G. 2000, Computer Vision, Ed. Prentice Hall.
Sicilliano B. i Katib O., 2008, Handbook of Robotics, Ed. Springer, ISBN 978-3-540-
23957-4
Smith S.M. and J.M. Brady (1997), "SUSAN - A new approach to low level image
processing", International Journal of Computer Vision, vol.23(1), pp.45-78.
Spong M.W., Hutchinson S. i Vidyasagar, 2006, Robot Modelling and Control, Ed. John
Willey and Sons.
Tahri O. i Chaumette F., 2005. Point-based and Region-based Image Moments for
Visual Servoing of Planar Objects, IEEE Transaction on Robotics, 21, (6), pp.
1116-1127.
Tissainayagam P. i Suter D., 2004 Assessing the performance of corner detectors for
point feature tracking applications, Image and Vision Computing, 22, (8), pp. 663-
679.
Weiss L. E., 1984, Dynamic Visual Servo Control of Robots: An Adaptive Image-Based
Approach, Phd. Thesis, Carnegi-Mellon University, Pittsburgh .