MỞ ĐẦU Các robot với mục đích sử dụng hàng ngày trước đây thường sử dụng các loại cảm biến truyền thống như cảm biến hồng ngoại, cảm biến siêu âm. Nhược điểm của các loại cảm biến này là thông tin mang lại ít, gây ra nhiều giới hạn cho việc vận hành và khả năng của robot để thực hiện các tác vụ phức tạp. Trong những năm gần đây, với sự đi lên của khoa học kĩ thuật, kĩ thuật xử lý ảnh và các hướng nghiên cứu về thị giác máy tính (Computer Vision) đang được phát triển, trong đó có thị giác máy tính sử dụng trong Robotics. Việc sử dụng camera giúp robot cảm nhận được môi trường xung quanh một cách đầy đủ và chi tiết hơn nhiều so với các loại cảm biến truyền thống.
Từ đó tăng tính khả thi cho các bài toán phức tạp hơn về robot như khả năng nhận diện vật thể (màu sắc, hình khối), giúp phối hợp robot hoạt động bầy đàn (định vị, lập bản đồ, phối hợp tuần tra, tìm kiếm cứu nạn đa mục tiêu), … Hiện nay, hướng nghiên cứu thị giác máy tính không chỉ tập trung vào việc xử lý ảnh màu 2D mà còn phát triển cả các công cụ xử lý ảnh 2. Các loại camera 3D trên thị trường thường sử dụng kết hợp camera màu RGB truyền thống và camera độ sâu (Depth), cho đầu ra là ảnh kết hợp RGB-D. Bài toán nhận diện và phân loại các bề mặt vật thể sử dụng camera RGB-D là một bước khởi đầu cho việc nghiên cứu thị giác máy tính theo xu hướng mới hiện nay. Mục tiêu của luận văn là xây dựng chương trình có khả năng phân biệt, nhận biết các bề mặt vật thể trong ảnh.
Đề tài có thể được phát triển tiếp thành các ứng dụng trong lĩnh vực robot, hệ thống đa robot hay trong đời sống hàng ngày. LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com 10 Chƣơng 1: Giới thiệu 1. Giới thiệu về các ứng dụng của robot và đa robot Với sự phát triển mạnh mẽ trong những năm gần đây, robot được kì vọng sẽ có vai trò ngày càng quan trọng trong sự phát triển của công nghệ và kĩ thuật. Robot thám hiểm có khả năng giúp ích con người nhiều hơn trong các công việc nguy hiểm như tìm kiếm cứu nạn hay làm việc trong các môi trường đặc biệt như môi trường độc hại.
Robot công nghiệp có thể thay thế con người thực hiện các công nghiệp đơn điệu, lặp đi lặp lại trong nhà máy nhưng vẫn đảm bảo độ chính xác.1: Robot turtle trong nhà được trang bị cảm biến Kinect Robot trong nhà là một trong những chủ đề được nghiên cứu rộng rãi nhất. Ứng dụng của robot trong nhà có thể thấy trong cuộc sống hàng ngày như robot lau nhà trong các hộ gia đình thông thường, robot vận chuyển trong các kho bãi, robot phục vụ trong các bệnh viện … Nhu cầu về robot gia tăng đi kèm với sự phát triển của ngành robot theo nhiều hướng khác nhau. Những nghiên cứu về robot gần đây thường xoay quanh các chủ đề về thăm dò, khám phá những khu vực chưa biết, mô hình hóa môi trường, nhận diện vật thể và con người. Bên cạnh LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com 11 đó, bài toán đa robot (nhiều robot phối hợp cùng thực hiện một nhiệm vụ) cũng được nghiên cứu rộng rãi.2: Bài toán đa robot phối hợp thực hiện nhiệm vụ [11] Vấn đề nhận biết môi trường xung quanh của robot là chủ đề nghiên cứu rộng rãi nhất hiện nay.
Do các yêu cầu càng ngày càng cao trong việc thực hiện nhiệm vụ thì các cảm biến truyền thống dần dần không đáp ứng được nhu cầu của người phát triển. Robot ngày nay được trang bị nhiều thiết bị cảm nhận môi trường hiện đại hơn trong đó có camera RGB-D hay máy quét laser. Các bài toán robot trong nhà với cảm biến ảnh nhờ đó có thể được cụ thể hóa thành các chủ đề nghiên cứu nhỏ hơn như xây dựng mô hình môi trường từ những hình ảnh thu thập được; định vị robot trong một môi trường đã biết trước; nhận diện, phân loại vật thể/con người trong môi trường xung quanh. Camera RGB-D và đám mây điểm Camera RGB-D là loại camera sử dụng đồng thời hai loại cảm biến: cảm biến ảnh màu thông thường như các loại camera truyền thống, cho ảnh đầu ra là ảnh RGB và một cảm biến độ sâu, cho ảnh đầu ra là ảnh độ sâu (Depth).
Loại camera RGB-D phổ biến nhất trên thị trường là Kinect của Microsoft. Cảm biến độ sâu của Kinect sử dụng một cặp thu phát hồng ngoại. LUAN VAN CHAT LUONG download : add luanvanchat@agmail.3: Cảm biến Kinect Bảng 1.1: Các thông số kĩ thuật của cảm biến Kinect Độ phân giải ảnh màu VGA (640x480) Độ phân giải ảnh độ sâu VGA (640x480) Thị trường 43o theo chiều dọc 57o theo chiều ngang Tốc độ ghi hình 30 khung hình/giây Ảnh màu RGB và ảnh độ sâu Depth trên Kinect qua các bước xử lý tạo ra dữ liệu 3D dưới dạng point cloud (đám mây điểm). Đám mây điểm là một bộ các điểm trong không gian ba chiều, mỗi điểm bao gồm tọa độ XYZ của nó.
Ngoài ra, mỗi điểm cũng có thể chứa thêm thông tin về màu. Nói chung, đám mây điểm là kiểu dữ liệu thu được từ các thiết bị quét 3D. Các thiết bị này cảm nhận bề mặt các vật thể theo nguyên tắc phát ra một chùm sóng điện từ (hồng ngoại hoặc laser) và thu về sóng phản xạ. Kết quả của quá trình đo từ máy quét là tập dữ liệu gồm bộ các điểm thu được, dưới dạng đám mây điểm.
Cảm biến RGB-D cũng là một dạng máy quét 3D khi sử dụng cảm biến độ sâu theo nguyên lý quét và kết hợp với cảm biến màu. Ngoài ra, dữ liệu kiểu đám mây điểm cũng có thể được tạo ra từ các mô hình 3D như mô hình CAD. Dữ liệu kiểu đám mây điểm được sử dụng trong robot và đa robot với các cảm biến RGB-D, hay ngành viễn thám với các thiết bị quét 3D địa hình bằng máy quét gắn trên máy bay không người lái. LUAN VAN CHAT LUONG download : add luanvanchat@agmail.4: Ảnh đầu ra của Kinect (nguồn: internet) ảnh độ sâu (phía trên bên trái), ảnh màu RGB (phía dưới bên trái) và đám mây điểm kết hợp ảnh độ sâu và RGB (bên phải) 1.
Mục tiêu và đối tƣợng nghiên cứu Mục tiêu của luận văn này là nhận diện các dạng bề mặt khác nhau trong đám mây điểm, với mục đích phân loại vật thể, phục vụ cho các ứng dụng về robot trong nhà. Bài toán nhận dạng và phân loại vật thể trên đám mây điểm đã được nghiên cứu và phát triển trong nhiều năm, với nhiều cách tiếp cận khác nhau. Một trong những phương pháp tiếp cận phổ biến và rõ ràng nhất là trích xuất các đặc trưng (feature) của đối tượng và sau đó dùng phương pháp máy véc tơ hỗ trợ (Support Véc tơ Machine – SVM) để nhận diện đối tượng. Nội dung của luận văn này là giới thiệu phương pháp trích xuất lược đồ đặc trưng điểm (Point Feature Histogram) và sau đó sử dụng SVM để nhận diện bề mặt của điểm.
Nội dung chính của các chương được trình bày như sau: LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com 14 Chương 2: Nói về các kĩ thuật xử lý đám mây điểm, gồm có tiền xử lý và tính toán đặc trưng điểm. Tiền xử lý gồm có giảm mẫu (downsample), loại bỏ các điểm nhiễu không liên quan, phân đoạn và ghép nhóm. Mục đích của quá trình này là lọc đi những dữ liệu thừa, giảm dung lượng dữ liệu cần xử lý nhằm giảm thời gian tính toán cho các bước sau. Các đặc trưng điểm được sử dụng bao gồm véc tơ pháp tuyến và lược đồ đặc trưng điểm – là đặc trưng cần thiết để xác định bề mặt vật thể.
Chương 3: Khái niệm và phương pháp xây dựng mô hình học máy SVM, cũng như cách thức dùng mô hình SVM để nhận diện, phân loại đặc trưng vật thể. Chương 4: Chương trình và thực nghiệm. Chương trình được thử nghiệm trên dữ liệu sạch (noiseless) và dữ liệu thật chụp bằng cảm biến Kinect. Phân tích và đánh giá hiệu năng khi thay đổi các tham số của giải thuật.
Chương 5: Kết luận và đánh giá, đồng thời đề xuất các hướng phát triển tiếp theo của đề tài. Các nghiên cứu liên quan Các phương pháp trích xuất đặc trưng của đối tượng từ đám mây điểm đã được nghiên cứu rộng rãi trong nhiều năm. Trong đó, hai đặc trưng về mặt hình học của các điểm trong đám mây điểm được sử dụng nhiều nhất là ước lượng pháp tuyến (normal estimation) và ước lượng độ cong (curvature estimation). Đây đều là những đặc trưng mang tính cục bộ bởi nó mô tả thông tin về môi trường (hay các điểm) xung quanh điểm cần khảo sát.
Các đặc trưng mang tính cục bộ này sử dụng phương pháp khảo sát thông qua các điểm lân cận. Đặc điểm chung của các đặc trưng cục bộ là chúng dễ bị ảnh hưởng bởi nhiễu đến từ cảm biến. Trái với các đặc trưng điểm mang tính cục bộ chỉ mô tả mối liên hệ giữa một điểm và các lân cận của nó, các đặc trưng điểm mang tính toàn thể mô tả đặc trưng của cả một nhóm điểm lớn biểu diễn một vật thể và có thể dùng trong các bài toán phân loại, nhận dạng vật thể. Một loại đặc trưng toàn thể liên quan là Viewpoint Feature Histogram (VFH) [12].
Đây là đặc trưng toàn thể có liên quan đến Fast Point Feature Histogram (FPFH) [14]. Với đặc trưng này, các góc sai lệch được tính dựa trên véc tơ pháp tuyến của điểm và véc tơ pháp tuyến của tâm LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com 15 đám mây điểm. Điều đó khiến cho histogram trở nên hữu ích cho việc nhận diện vật thể và ước lượng tư thế. Một giải thuật mở rộng của VFH là Cluster Viewpoint Feature Histogram (CVFH) được trình bày trong [13].
Giải thuật này dựa trên ý tưởng rằng mỗi vật thể đều có một cấu trúc nhất định cho phép chia vật thể đó ra thành một số N vùng mịn riêng biệt. Mỗi vùng đó lại được sử dụng độc lập để tính ra một bộ N histogram VFH riêng biệt. Global Fast Point Feature Histogram (GFPFH) được trình bày trong [15] là giải thuật tổng quát hóa FPFH ở cấp độ toàn thể để tạo ra một đặc trưng điểm có thể bao gồm mối liên hệ của các phần hình học cục bộ của các vật thể. LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com 16 Chƣơng 2: Các kỹ thuật xử lý đám mây điểm 2.