Đề tài Nghiên cứu phát triển hệ Robot – camera tự động tìm kiếm và bám đối tượng di động VICON

Nghiên cứu phát triển hệ Robot – camera tự động tìm kiếm và bám đối tượng di động VICON. PGS. TSKH Phạm Thượng Cát, Ths. Trần Việt Phong Phòng công nghệ Tự Động Hóa - Viện Công Nghệ Thông Tin Tel. 8363484, e-mail: ptcat@ioit.ncst.ac.vn Tóm tắt: Hệ điều khiển visual servoing bám đối tượng di động liên quan đến vấn đề điều khiển và thị giác máy được rất nhiều tác giả quan tâm. Hệ thống được trình bày trong báo cáo này bao gồm một robot hai bậc tự do pan/tilt có gắn một camera. Hệ thống có nhiệm vụ bám đối tượng đang di chuyển với quỹ đạo không biết trước, thông qua điều khiển các khớp quay của robot sao cho ảnh của đối tượng thu được ở chính giữa tâm camera. Báo cáo đưa ra mô hình động học của hệ, liên quan đến vị trí của đối tượng trong ảnh và góc quay pan, tilt. Sau đó, để mục tiêu luôn luôn ở chính giữa ảnh, một mô hình dự báo vị trí và tốc độ của mục tiêu được áp dụng. Báo cáo cũng giới thiệu về phương pháp xử lí ảnh, tự động tìm kiếm và nhận dạng đối tượng di động. Các kết quả nghiên cứu được áp dụng trong hệ thực nghiệm VICON cho kết quả rất khả quan. Development of a Robot-camera system VICON for automatic recognition and tracking of moving objects. Abstract: The robotic visual servoing system relates to robot control and machine vision issue has received many attention from reseachers. The system introduced in this paper consists of a pan/tilt robot with 2 degree of freedom (pitch and yaw) that controls a videocamera. The aim of system is to move robot in such a way that the image of an unknown moving object attains the center of camera. We propose a kinematic model that relates the position of object’s centroid in the image plane with the pan and tilt rotation angles. In order to permanently maintain the object in the field of vision of videocamera, a prediction algorithm is used. This paper also briefly describes image processing, auto detection and recognition of moving objects. The experiments with VICON system present good results. 1.GIỚI THIỆU. Hệ thống điều khiển robot có thị giác được sử dụng để theo dõi các mục tiêu di động trong các ứng dụng của robot công nghiệp và quốc phòng. Hệ thống thị giác có thể được phân thành hai lớp, theo như cấu trúc của hệ, đó là hệ có camera gắn cố định và hệ có camera gắn trên tay máy (eye-in-hand). Trong hệ camera cố định, các camera được gắn cố định so với hệ tọa độ thực, thu thập ảnh của cả mục tiêu và của cả môi trường. Mục đích của hệ này là cung cấp tín hiệu điều khiển tay máy sao cho tay máy đạt tới vị trí mong muốn. Mục đích của cấu trúc eye-in-hand là điều khiển tay máy sao cho ảnh của mục tiêu cố định hoặc di động luôn luôn được duy trì ở vị trí mong muốn trên mặt phẳng ảnh thu được. Trên cơ sở ảnh thu được từ camera, được số hóa và tích hợp trong vòng điều khiển phản hồi, hệ thống điều khiển các khớp của tay máy (DOF). Để cải thiện chất lượng của hệ bám, các thuật điều khiển khác như thích nghi, tối ưu, lọc Kalman thường được sử dụng. Số bậc tự do của robot tùy thuộc từng bài toán cụ thể, ví dụ khi i éng59838962TT3.46027 Tf 0AB Tc 10.02 0 0 10.0203174.717 t76.00032 Tm Tj /T/TT038194 2TT3.46027 Tmn r40i ttTm (ng)Tj 10.02 0 0 100 2165194 112590 186 Tmm (i )Tj 10.02 0 0 10.02 244.472 92.88251 966. 1Tj 10112590 186 T0 Tc 0 Tw 10.02 0 010.02 174.71 14502 244.472 92.88251 966.8.7754 112590 186 Tmc (bot)Tj 10.02 0 0 10.149.432944 112590 186 Tmib,2b i thể thay đổi không biết trước (do gió, ánh sáng thay đổi). Các nghiên cứu về hệ môi trường động bị bỏ khá xa so với hệ môi trường tĩnh do bị ảnh hưởng khá lớn của tốc độ tính toán, cũng như độ chính xác của việc phân tích ảnh. Do vậy, có nhiều thuật toán để cải thiện tốc độ xử lý ảnh và xem xét đến các yếu tố nhiễu tác động lên quá trình thu thập ảnh. Một thách thức khác của bài toán visual servoing là việc phân loại đối tượng. Một robot có thể phải đối mặt với rất nhiều đối tượng khác nhau, trong đó chỉ có một đối tượng quan tâm, còn các đối tượng khác thì không. Do vậy chúng ta phải mở rộng khả năng của hệ thống bao gồm chức năng thông minh tự nhận dạng chính xác đối tượng cần tìm. Để nhận được thông tin về vị trí của mục tiêu trong môi trường động, các đặc trưng của mục tiêu rất quan trọng. Các điểm lỗ, các góc cạnh, các đặc trưng hình ọc của mục tiêu được phân tích thông qua quá t tiêu c của ả trong thực pháp tiếp gian phươ Hệ th 1 đượ quả t ở ph Phần thứ h thống Kalm thuật hệ th cùng 2. MÔ trong quay chuy H Cấu thành dựa vào chuỗi ảnh liên tiếp thu được từ camera để nhận dạng và tính toán vị trí của đối tượng quan tâm. Phần thứ hai là phần điều khiển, dựa vào thông tin vị trí của đối tượng trong mặt phẳng ảnh, tính toán tín hiệu điều khiển robot sao cho ảnh của đối tượng di chuyển duy trì ở chính giữa mặt phẳng ảnh. Precision deg/step Range deg Max velocity deg/s Pan 0.01290 -1590 – +1580 60 Tilt 0.01290 -300 – +410 60 Bảng 1. Các đặc trưng chủ yếu của Robot. Các thông số cơ bản của robot được giới thiệu như trên bảng 1. Do các tín hiệu điều khiển dựa trên thông tin xử lí ảnh, nên một mô hình ánh xạ từ mặt phẳng ảnh vào h rình nhận dạng. Đặc tính về trọng tâm của mục ó thể dễ dàng tính thông qua momen bậc nhất nh, trong trường hợp môi trường tĩnh, nhưng trường hợp môi trường động, việc này rất khó hiện vì chi phí thời gian tính toán lớn. Một giải hay được sử dụng để lọc nhiễu, dự báo vị trí theo của mục tiêu, do đó giảm đáng kể thời xử lí ảnh, được trình bày trong trong bài báo là ng pháp lọc Kalman. ống VICON được thiết kế dựa trên sơ đồ hình c thử nghiệm trong phòng thí nghiệm cho kết ốt, mặc dù có một số hạn chế sẽ được trình bày ần sau. Bài báo này được tổ chức như sau. thứ nhất mô tả hệ bám mục tiêu di động. Phần ai trình bày về mô hình động học của hệ . Phần tiếp theo giới thiệu về mô hình bộ lọc an trong dự báo vị trí mục tiêu. Phần thứ 4 là toán nhận dạng, xử lí ảnh. Kết quả thử nghiệm ống VICON sẽ được trình bày ở phần 5. Cuối là kết luận và hướng nghiên cứu tiếp theo. TẢ HỆ BÁM MỤC TIÊU DI ĐỘNG. Hệ bám mục tiêu di động được trình bày bài này như hình 2. Hệ thống bao gồm một bệ hai bậc tự do (2DOF), camera CCD có thể di ển đồng thời theo hai hướng pan và tilt. ình 2. Thiết bị điều khiển pan/tilt-camera. trúc hệ điều khiển visual servoing gồm hai phần chính. Phần thứ nhất là phần xử lí ảnh, không gian robot cần được thực hiện. Hơn nữa, để giảm ảnh hưởng của nhiễu và giảm khối lượng tính toán trong xử lí ảnh nên các bước tiền xử lí, nhận dạng, thích nghi cũng được sử dụng. Các bước này sẽ lần lượt được trình bày dưới đây. 3. MÔ HÌNH HÓA ĐỘNG HỌC ROBOT. Nhằm mục đích duy trì ảnh của mục tiêu càng gần tâm của mặt phẳng ảnh, chúng ta thiết lập mối quan hệ tương đối giữa biến quan sát được x0 và y0 là tọa độ của đối tượng trên hệ tọa độ gắn với mặt phẳng ảnh (IP), đối với biến điều khiển của robot φ và θ. Yc Xc Oc P(X, Y, Z)Zc Z Y' d2 θ φ d1X O X' Z' Y Hình 3. Mô hình động học hệ. Trong hình 3, ta có thể nhìn thấy rằng φ và θ là các góc quay xung quanh trục tương ứng là OZ và OZ’, sao cho, sau khi di chuyển tâm của mục tiêu di động có tọa độ P(X, Y, Z) sẽ được ánh xạ lên tâm của mặt phẳng ảnh. Mô hình động học của hệ sẽ được thể hiện trong hai phần. Đầu tiên là xây dựng một mô hình hình học xấp xỉ quan hệ giữa biến điều khiển và biến quan sát. Tiếp theo, sử dụng xấp xỉ đó để xây dựng mô hình động học của hệ. 2 1. Mô hình xấp xỉ hình học. Gọi OXYZ là hệ toạ độ thực của hệ robot-camera và OXcYcZc là hệ toạ độ gắn với camera. P(X, Y, Z) là toạ độ của đối tượng trên hệ toạ độ thực, toạ độ của P chiếu lên mặt phẳng ảnh là (xp, yp). Hình 4 thể hiện quan hệ hình học của góc quay φ là góc quay của hệ robot-camera sao cho tâm của đối tượng P(X, Y, Z) nằm trên trục OcZc. Từ hình vẽ 4, có thể nhận thấy: X Y)tan( =φ (1) và λ −=−==α p c c x dX Y Z X )tan( 1 (2) trong đó X và Y thể hiện vị trí của tâm mục tiêu trong hệ tọa độ thực, d1 là khoảng cách từ trục OY đến trục OcXc , λ là tiêu cự camera. Từ (1) ta nhận thấy, để tính được φ chúng ta phải biết X và Y, là các đại lượng không đo được, cũng không quan sát được, khi chỉ dùng một camera tĩnh. Cũng từ (2) ta nhận thấy rằng, từ xP, là biến có thể quan sát được, và λ là đại lượng có thể đo được, ta có thể tính được α. Nếu sai số để có thể xấp xỉ φ ≈ α là đủ nhỏ, thì φ có thể tính qua α, do đó có thể tính φ từ các đại lượng đo được và quan sát được. Nếu φe là sai lệch khi thực hiện xấp xỉ này thì ta có φ = α + φe. Do đó ta có thể viết: )tan()tan(1 )tan()tan( )tan()tan( e e e φα φαφαφ − +=+= (3) từ (1), (2), (3) ta có: ⎟⎟⎠⎝ 1 YXdX từ (4) có thể nhận thấy rằng sai số khi thực hiện xấp ⎞ ⎜⎜ ⎛ +−=φ 22 1Ydarctane (4) - 0. Khi hệ điều khiển bám chính xác - d và Y, tức là X >> d Y . n giải của robot và sai số do nhiễu ác biến quan sát được x , y và đo lường được λ. 2. Mô hình động học của hệ robot-camera. xỉ có thể chấp nhận được, trong các trường hợp sau: limY→0 φe = đối tượng. - limd1→0 φe = 0. Khi gốc O và Oc là trùng nhau. limX→∞ φe = 0. Khi khoảng cách X rất lớn so với 1 1 Các giả thiết này được áp dụng cho mô hình động học của hệ thống đang xét với sai số nhỏ φc ≈ 0.005 rad. Sai số này có thể chấp nhận được nếu so với sai số do độ phâ trong xử lí ảnh. Đối với xấp xỉ góc θ cũng tính tương tự. Ta có thể kết luận rằng, khi tính φ và θ có thể giả thiết rằng O và OC trùng nhau. Mục đích của xấp xỉ này là chúng ta có thể tính góc quay pan φ và góc tilt θ từ c P P Nhằm mục đích tìm mô tả quan hệ giữa xp và yp đối với φ và θ, đầu tiên ta tìm ma trận chuyển đổi đồng nhất của hai phép quay c era xung quanh O một góc φ và θ. O Oc R Hệ toạ độ quy chiếu của robot được xác định theo quy tắc David - Hetenberg như trên hình 3. Hình 4. Phép chiếu quay quanh trục OZ. Ma trận chuyển từ hệ toạ độ O’X’Y’Z’ về hệ toạ độ OXYZ: ch hệ toạ độ cos(φ) 0 sin(φ) 0 sin(φ) 0 -cos(φ) 0 0 1 0 0 1 O O'R = Y P(X, Y, Z) Xc Yφ Zcλ α xp O Oc X IP d1 X Ma trận O’X’Y’Z’ Ma trận đồ Oc về hệ to đồng nhất độ camera R Do vậy: =cOOR Hình 3 và được chiếu thực hiện p trận đồng n co -co 'O OCR = uyển từ hệ toạ độ OcXYZ về khi quay quanh O’Z’ góc θ: 0 0 0 ng nhất khi chuyển ạ độ thực O là khi chuyển từ hệ tọa O O OCR c, theo định nghĩa ( ) ( OOOOOO CCc RR == −1 hình 4 chỉ ra rằng cá lên tâm của mặt p hép quay φ và θ . hất , ta có thể vcOOR s(φ)cos(θ) sin(φ)c s(φ)sin(θ) -sin(φ)s sin(φ) -cos 0 0 cos(θ) -sin(θ) sin(θ) cos(θ) 0 0 0 0 c 0 0 1am từ hệ toạ độ camera . Ma trận độ thực O về hệ tọa 'O O O 'O CRR= ta có: )T c điểm P(X, Y, Z) sẽ hẳng ảnh IP sau khi Do vậy, khi biết ma iết được như sau: (5) os(θ) sin(θ) 0 in(θ) cos(θ) 0 (φ) 0 0 0 1 0 0 0 0 1 0 0 1 = 3 Trong đó, (c, 0, 0, 1) và (X, Y, Z, 1) là tọa độ đồng nhất của điểm P khi nhìn trong hệ toạ độ Oc và hệ toạ độ O tương ứng. Giải (5) ta có: Xsin(φ) - Ycos(φ) = 0 (6) -Xcos(φ)sin(θ) - Ysin(φ)sin(θ) + Zcos(θ) = 0 ta có: ⎟⎠ ⎞⎜⎝ ⎛=φ X Yarctan (7) ( )⎟⎠ ⎞⎜⎝ ⎛ φ−=θ cos Y Zarctan từ giả thiết xấp xỉ (1) và (2) ta có: ⎟⎟⎠ ⎞ ⎜⎜⎝ ⎛ λ−=φ pxarctan (8) ( )⎟⎟⎠ ⎞ ⎜⎜⎝ ⎛ φλ=θ cos y arctan p Công thức (8) biểu diễn quan hệ giữa vị trí của mục tiêu trên hệ tọa độ ảnh và các biến điều khiển của robot, qua đó ta có thể điều khiển robot sao cho ảnh của mục tiêu tiến tới chính giữa của mặt phẳng ảnh. Trước khi trình bày về phần xử lý ảnh, ta giới thiệu về phương pháp dự báo vị trí, tốc độ của mục tiêu trên ảnh để điều khiển sao cho ảnh của mục tiêu luôn duy trì ở chính giữa mặt phẳng ảnh khi mục tiêu di chuyển, đồng thời phép dự báo này cũng làm giảm khối lượng tính toán xử lí ảnh. 3. DỰ BÁO VỊ TRÍ CỦA MỤC TIÊU TRONG MÔI TRƯỜNG CÓ NHIỄU BẰNG BỘ LỌC KALMAN. Bài toán bám mục tiêu di động với quỹ đạo không biết trước yêu cầu phải dự báo được vị trí và tốc độ của đặc trưng ảnh ở bước tiếp theo. Bộ lọc Kalman được sử dụng để ước lượng dự đoán căn cứ vào thông tin ảnh thu được từ camera số tại thời điểm hiện tại. Bộ lọc Kalman được coi như bộ ước lượng trạng thái hệ thống, có cấu trúc lọc đơn giản và độ hội tụ tốt cùng với khả năng lọc nhiễu cao [8], [9], [10]. Mô hình cần được ước lượng dự báo được mô tả bởi hệ phương trình trạng thái: kkk kkk ζCxy GωAxx += += + + 1 1 ở đây, x và y tương ứng là vector trạng thái và vector đầu ra của hệ thống, các chỉ số ‘k’ và ‘k+1’ chỉ các vector tại thời điểm thứ k và k+1. Đối với bài toán ước lượng đặc trưng ảnh, ta có: T kkkkk vvuu ][ &&=x ; Tkkk vu ][=y trong đó (uk, vk) và tương ứng là toạ độ và tốc độ của ảnh đối tượng trên mặt phẳng ảnh ở thời điểm thứ k. ),( kk vu && - Nhiễu quá trình ωk là nhiễu thể hiện độ không chính xác của mô hình và được giả thiết là nhiễu ồn trắng có giá trị kỳ vọng bằng 0 và ma trận tương uan Q; ζk là nhiễu đo lư ng do độ không chính ác của sensor và cũng đư c giả thiết là nhiễu ồn X Y Z 1 cos(φ)cos(θ) sin(φ)cos(θ) sin(θ) 0 -cos(φ)sin(θ) -sin(φ)sin(θ) cos(θ) 0 sin(φ) -cos(φ) 0 0 0 0 0 1 q x trắng có giá trị kỳ vọng b quan R. Trong mô phỏng Q dương và là các ma trận đơ Trong bài toán dự bá điểm đặc trưng, ta xấp xỉ c giữa hai lần cắt mẫu T có v Các ma trận được tính như ⎥⎥ ⎥⎥ ⎦ ⎤ ⎢⎢ ⎢⎢ ⎣ ⎡ = 1000 100 0010 001 A T T Gọi P là ma trận tương qu chọn là ma trận đơn vị, c trước thời điểm hiện tại. Ta có thuật toán lọc Kalma Đầu ra của bộ dự báo cho điểm đặc trưng. Mô phỏng của bộ lọc dự bày trên hình 5, khi ảnh củ quỹ đạo thẳng. Hình 5. Kết quả ờ ợ(15) ằng 0 và ma trận tương , R được chọn xác định n vị. o vị trí và vận tốc của huyển động của mục tiêu ận tốc không đổi. sau: ⎥⎦ ⎤⎢⎣ ⎡= 0100 0001 C G = I an sai lệch, ban đầu P0 hỉ số “-“ xác định giá trị n [9]: ta vị trí và tốc độ của báo Kalman được trình a mục tiêu di chuyển với bộ lọc Kalman. 4 Trong thực tế, áp dụng bộ lọc Kalman phụ thuộc nhiều vào việc lựa chọn ma trận tương quan Q, R. Ngoài ra nếu mục tiêu di chuyển với sự thay đổi quỹ đạo nhanh chóng, tức là giả thiết tốc độ mục tiêu là hằng số giữa hai lần lấy mẫu không còn chính xác thì việc dự báo bằng bộ lọc Kalman sẽ tiến tới kết quả không ổn định. Khi đó có thể sử dụng phương pháp dự báo khác như phương pháp Luenberger [10]. 4. NHẬN DẠNG VÀ BÁM MỤC TIÊU DI ĐỘNG. Nhận dạng mục tiêu di động là bước quan trọng trong hệ tự động tìm kiếm và bám mục tiêu di động. Mục đích của quá trình này là thực hiện các phép xử lí ảnh để tìm kiếm đối tượng cần quan tâm, xác định vị trí của nó trong mặt phẳng ảnh hiện thời. Trong quá trình tìm kiếm, ta chia một ảnh là tập hợp các pixel bao gồm hai thành phần, hoặc là thuộc đối tượng, hoặc là thuộc nền. Ta xem xét việc tìm kiếm để nhận dạng các điểm thuộc đối tượng trong mỗi ảnh thuộc chuỗi ảnh thu được. Có rất nhiều cách để nhận dạng một đối tượng, ví dụ ta có thể áp đặt mô hình của đối tượng đã biết trước (màu sắc, hình dáng) lên toàn bộ ảnh, từ đó tìm ra vị trí phù hợp nhất của đối tượng trong ảnh. Tuy nhiên cách này phải tốn nhiều thời gian, và không hiệu quả trong thực tế. Một phương pháp nhanh hơn để xử lí ảnh và nhận dạng đối tượng được trình bày như lưu đồ trên hình 6. Hình 6. Lưu đồ xử lí ảnh. Để đánh giá trạng thái của một pixel là đối tượng hay là nền, chúng ta giả thiết là đối với các pixel thuộc nền, cường độ sáng thay đổi chậm, trong khi đó đối với pixel thuộc đối tượng, cường độ sáng thay đổi lớn. Như vậy, một phép so sánh được thực hiện giữa các pixel trong ảnh hiện thời, nếu giá trị của pixel lớn hơn ngưỡng đặt trước, pixel đó có giá trị 1, nếu không pixel có giá trị 0. Nếu ngưỡng quá lớn, pixel thuộc đối tượng có thể lẫn với nền, nếu ngưỡng quá nhỏ, thì sự thay đổi ánh sáng trong môi trường sẽ tạo ra nhiều pixel có giá trị 1, mà các diểm này lại không phải là điểm quan trọng. Ngưỡng hợp lí được tạo ra sau khi thực hiện một số phép lọc nhiễu và các bước tiền xử lí ảnh khác. Khi ảnh đã được xử lí ngưỡng, ảnh nhị phân thu được sẽ gồm các pixel có hai trạng thái 0 và 1. Các pixel 0 thuộc nền và các pixel 1 thuộc các đối tượng, ta phải phân tích các đối tượng được thể hiện. Tuy nhiên ảnh thu được sẽ bao gồm rất nhiều đối tượng khác nhau, bao gồm cả nhiễu, nhưng trong đó chỉ có duy nhất một đối tượng cần quan tâm. Các bước xử lí ảnh nhị phân tiếp theo được thực hiện nhằm loại bỏ nhiễu, hoặc điền đầy các lỗ của đối tượng, cũng làm giảm khối lượng tính toán của các bước xử lí ảnh tiếp theo. Quá trình phân đoạn ảnh thành từng đối tượng riêng rẽ được thực hiện thông qua algorithm đánh nhãn liên tiếp (Sequential Labeling Algorithm). Quá trình này có thể tạo ra hàng trăm đối tượng khác nhau, trong đó chỉ có một số đối tượng gần với đối tượng quan tâm. Một quá trình quét tiếp theo sẽ loại bỏ các đối tượng không hợp lý so với đối tượng mẫu. Bước tiếp theo là phân tích các đặc trưng của các đối tượng vừa thu thập được trên ảnh, và quyết định xem đối tượng nào thuộc lớp đối tượng quan tâm. Sử dụng phương pháp momen bất biến hoặc phương pháp quyết định Bayes là các biện pháp ương đối hiệu quả [4]. Việc còn lại là xác định vị Bắt đầu Tiền xử lý ảnh nhị phân ảnh phân vùng Nhận dạng mục tiêu Xác định tọa độ mục tiêu Kết thúc t trí trọng tâm của mục tiêu trên ảnh tương đối đơn giản, thông qua xác định momen bậc nhất. Quá trình xử lí ảnh được thực hiện không phải trên toàn bộ ảnh thu được, mà sử dụng kết quả dự báo ở trên để làm giảm thời gian tính toán. Hình 7 thể hiện ảnh kết quả sau khi đã thực hiện nhận dạng. a) ảnh gốc. b) ảnh sau khi xử lí Hình 7. ảnh sau khi qua các bước xử lí. 5. THỬ NGHIỆM HỆ THỐNG. Hệ thống VICON được xây dựng bao gồm một robot tay máy với hai bậc tự do pan và tilt của hãng DPerception Inc, như hình 1, với các đặc trưng chủ yếu của robot giới thiệu trong bảng 1. Camera CV-M50, monochrome CCD Camera của hãng JAI Corporation, có tiêu cự λ = 8mm, tín hiệu ra video 25 hình/s. Quá trình thu thập ảnh và số hóa ảnh được thực hiện nhờ card xử lí ảnh FrameLocker của hãng Ajeco, tốc độ xử lí 33ms. Thiết bị tính toán và điều khiển là một máy tính Touchscreen màn hình 6.4 inchs, theo chuẩn PC104, tốc độ xử lí 800MHz/s, do hãng Nagasaki IPC Technology chế tạo. Phần mềm của hệ điều khiển và xử lí ảnh được viết bằng ngôn ngữ C trên môi trường MS-DOS. 5 Thực nghiệm hệ thống với mục tiêu đặt cách camera khoảng 6.5 m. Mục tiêu được gắn động cơ di chuyển với tốc độ khoảng 0.5m/s. Hình 8 chỉ ra một số frame ảnh trích từ chuỗi ảnh thu được từ camera, minh họa khả năng bám đối tượng cũng như tìm kiếm tự động đối tượng. a) Frame ảnh ban đầu b) Frame ảnh thứ 4 c) Frame ảnh thứ 5 d) Frame ảnh thứ 6 e) Frame ảnh thứ 7 f) Frame ảnh thứ 8 ình 8. Chuỗi ảnh thu được sau khi thực hiện xử lí ảnh và điều khiển hệ robot-camera. Từ kết quả thực nghiệm thấy rằng, hệ bám mục tiêu di động với tốc độ xử lí ảnh khoảng 15 frame/s. Với tốc độ này, thí nghiệm cũng chỉ ra rằng, khi mục tiêu di chuyển với tốc độ nhanh thì ảnh mục tiêu sẽ i chuyển ra ngoài vùng quan sát của camera, do ậy hệ sẽ không bám được mục tiêu. Các thuật xử lí ảnh và nhận dạng sẽ được cải thiện nhằm tăng chất lượng của hệ thống. 6. KẾT LUẬN. Báo cáo này đã mô tả ngắn gọn hệ thống tự động bám đối tượng di động sử dụng thông tin phản hồi hình ảnh. Động học của hệ được xây dựng, vị trí của đối tượng trong ảnh được nhận dạng theo kỹ thuật đã được trình bày ở trên. Nhằm mục đích duy trì mục tiêu ở tâm của ảnh, phương pháp dự báo Kalman cho vị trí tiếp theo của mục tiêu được áp dụng. Hệ thống đã cho kết quả tốt khi thử nghiệm, tuy nhiên để nâng cao tính ổn định và tốc độ bám, các nghiên cứu tiếp theo sẽ được thực hiện để hệ thống càng hoàn chỉnh hơn. 7. TÀI LIỆU THAM KHẢO. 1. J.Somlo, B.Lantos, P.T.Cat. Advanced robot control. Akademiai Kiado press, 1997. 2. Wolfram Stadler. Analytical robotics and mechatronics. McGraw-Hill, Inc press, 1995. 3. D. Maravall, L. Baumela. Adaptive control of a video camera for the automatic detection and tracking of mobiles. 4. Charles A. Rechards, Nicholaos Papanikolopoulos. The automatic detection and visual tracking of moving objects by eye-in hand robotics system. 5. Bharat N. Shah, Paul.Y.Oh. Biomimetic Visual Servoing Using A Partitioned Control Scheme. 6. Apostolos Dailianas, Robert B. Allen, Paul England. Comparison of automatic video segmentation algorithms. 7. Halina Kwa_nicka and Bartosz Wawrzyniak. License plate localization and recognition in camera pictures. Artificial Intelligence Methods 8. K. Daniilidis, C. Krauss, M. Hansen and G. Sommer. Real-Time Tracking of Moving Objects with an Active Camera. Real-Time Imaging 4, (1998). 9. Kyu Bum Han, Yoon Su Back. Visual servo tracking strategy using time-varying kalman filter estimation. Yonsei University, Seoul, Korea. 10. J.A. Piepmeier, G.V. McMuray, H.Lipkin. Tracking moving target with Model Independent Visual Servoing: A predictive estimate Approach Proceeding of the 1998 IEEE, Int. Conf. On intelligent robot and system, Leuven, Begium, 1998. 11. Armel Cretual, Francois Chaumette. Image- based visual servoing by integration of dynamic measurements. IEEE Int. Conf. Robot. Automat., Vol 3:1994-2001, May, 1998. 12. Venkataraman Sundareswaran, Patrick Bouthemy, Franácois Chaumette. Visual servoing using dynamic image parameters. 13. Trần Việt Phong. Xây dựng hệ điều khiển robot trên cơ sở phản hồi hình ảnh. Luận văn thạc sỹ, Đại học Bách Khoa 2002. 6d vH