JPS6375984A - 画像認識装置 - Google Patents
画像認識装置Info
- Publication number
- JPS6375984A JPS6375984A JP61219538A JP21953886A JPS6375984A JP S6375984 A JPS6375984 A JP S6375984A JP 61219538 A JP61219538 A JP 61219538A JP 21953886 A JP21953886 A JP 21953886A JP S6375984 A JPS6375984 A JP S6375984A
- Authority
- JP
- Japan
- Prior art keywords
- parameters
- feature
- feature data
- image
- predicted
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Image Analysis (AREA)
Abstract
(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。
め要約のデータは記録されません。
Description
【発明の詳細な説明】
〔産業上の利用分野〕
本発明は、撮影画像と、予測１濾との変化を認識する画
像認識装置に係り、さらに、ロボット等の移動体のため
の誘導装置に付加することにより、環境の変化に対して
、移動体を目的地まで移動させるに好適な画像認識装置
に関する。
像認識装置に係り、さらに、ロボット等の移動体のため
の誘導装置に付加することにより、環境の変化に対して
、移動体を目的地まで移動させるに好適な画像認識装置
に関する。
従来、移動体の誘導のための画像認識装置は。
例えば、特開昭５９−２００３１５号公報及び、特開昭
５９−２０１１１４号公報に記載のように、予測パター
ンと検出パターンとの画素単位の比較を行い、車両を自
動走行させている。予測パターンは％あらかじめ走行計
画に基づき、３次元幾何学データから、現在地のデータ
をもとに透視透影変換により得られる。
５９−２０１１１４号公報に記載のように、予測パター
ンと検出パターンとの画素単位の比較を行い、車両を自
動走行させている。予測パターンは％あらかじめ走行計
画に基づき、３次元幾何学データから、現在地のデータ
をもとに透視透影変換により得られる。
上記従来技術は、予め記憶したデータから、走行距離に
応じて、予測バター／を抽出し、現在撮影した映像から
得た検出パターンとの比較を行うため、比較対象が、各
々のパターンに含まれることが前提となっている。従っ
て、対象パターンが、予測１［ｉｊ像及び検出画像内に
含まれなければならない。また、走行距離より得た予測
パターンは、何ら誤差を含んではいけない。さらに記憶
した環境と、ｆＡ在採取している環境とに何ら変化が生
じてはいけないなどの問題があった。
応じて、予測バター／を抽出し、現在撮影した映像から
得た検出パターンとの比較を行うため、比較対象が、各
々のパターンに含まれることが前提となっている。従っ
て、対象パターンが、予測１［ｉｊ像及び検出画像内に
含まれなければならない。また、走行距離より得た予測
パターンは、何ら誤差を含んではいけない。さらに記憶
した環境と、ｆＡ在採取している環境とに何ら変化が生
じてはいけないなどの問題があった。
本発明の目的は、地図に記述された目標物の幾何学的変
化を用いて、環境の変化を認識することができる画像認
識装置を提供することにある。
化を用いて、環境の変化を認識することができる画像認
識装置を提供することにある。
本発明の上記の目的は、撮影画像からその特徴エツジパ
ターンの変化を抽出する画像認識装置において、エツジ
の予測特徴データを記憶する手段と、予測特徴データを
特徴パラメータに変換する手段と、撮影画像から観測特
徴データを抽出する手段と、この手段の観測特徴データ
を′４微パラメータに変換する手段と、２つのパラメー
タの整合性を判断する手段と、この判断結果から画像の
変化を決定する手段とを備えることにより、達成される
。
ターンの変化を抽出する画像認識装置において、エツジ
の予測特徴データを記憶する手段と、予測特徴データを
特徴パラメータに変換する手段と、撮影画像から観測特
徴データを抽出する手段と、この手段の観測特徴データ
を′４微パラメータに変換する手段と、２つのパラメー
タの整合性を判断する手段と、この判断結果から画像の
変化を決定する手段とを備えることにより、達成される
。
パラメータの整合性判断手段は、直線の組合せで茨現し
た予測特徴データの特徴パラメータと観測特徴データの
特徴パラメータとを比較し、決定手段はその比較結果に
より対象物の状態を判断し、その結果をロボット行動部
に与える。これにより、ロボット行動部はロボットに対
し行動計画の変更。
た予測特徴データの特徴パラメータと観測特徴データの
特徴パラメータとを比較し、決定手段はその比較結果に
より対象物の状態を判断し、その結果をロボット行動部
に与える。これにより、ロボット行動部はロボットに対
し行動計画の変更。
確ｇを指示する。
以下図面？参照して本発明の詳細な説明する。
第１図は本発明の装置の一実施例を示すもので。
この図において、１は移動体となるロボット、２はａボ
ッ）１に搭載したカメラ、３は４４ｔを３次元データと
して記述している地図データベース。
ッ）１に搭載したカメラ、３は４４ｔを３次元データと
して記述している地図データベース。
４は検出バタン抽出部で、この検出バタン抽出部４ば、
カメラ２により撮りこまれた多値画像に、微分を施しｚ
値化し、エツジ画像を抽出する。５は特徴パラメータ抽
出部で、この！＃機微パラメータ抽出５は、エツジ画像
に直線をあてはめ、直線を表す検出特徴パラメータを抽
出する。６は予測パタン抽出部で、この予測バタン抽出
部６は、地図データベース３に記述されている３次元デ
ータに透視投影変換を施し、２次元予測バタンを生成す
る。７は特徴パラメータ抽出部で、この特徴パラメータ
抽出部７は２次元データの端点情報から、直線を異す予
測特徴パラメータ？抽出する。８はパラメータ整合性判
断部で、この１判断部８は、検出特徴パラメータと予測
特徴パラメータに、リストマツチングを施し、整合結果
？出力する。９は状況判断部で、この状況判断部９は、
整合結果の組み合わせから、状況を判断し、状況結果を
出力する。ｌＯはロボット行動部で、この行動部１０は
状況結果をもとに、ｏボッ）１に対して行動計画を必要
とあれば、変更する。
カメラ２により撮りこまれた多値画像に、微分を施しｚ
値化し、エツジ画像を抽出する。５は特徴パラメータ抽
出部で、この！＃機微パラメータ抽出５は、エツジ画像
に直線をあてはめ、直線を表す検出特徴パラメータを抽
出する。６は予測パタン抽出部で、この予測バタン抽出
部６は、地図データベース３に記述されている３次元デ
ータに透視投影変換を施し、２次元予測バタンを生成す
る。７は特徴パラメータ抽出部で、この特徴パラメータ
抽出部７は２次元データの端点情報から、直線を異す予
測特徴パラメータ？抽出する。８はパラメータ整合性判
断部で、この１判断部８は、検出特徴パラメータと予測
特徴パラメータに、リストマツチングを施し、整合結果
？出力する。９は状況判断部で、この状況判断部９は、
整合結果の組み合わせから、状況を判断し、状況結果を
出力する。ｌＯはロボット行動部で、この行動部１０は
状況結果をもとに、ｏボッ）１に対して行動計画を必要
とあれば、変更する。
次に上述した本発明の装置の一実施例の動作を説明する
。
。
ロボツ）ｌが地図上にもうけられた環境理解のチェック
ポイントへ到達した時、状況判断開始命令が、カメラ２
及び地図データベース３へ伝えられる。
ポイントへ到達した時、状況判断開始命令が、カメラ２
及び地図データベース３へ伝えられる。
まず、カメラ２は環境を撮影し、多値画像を得る。検出
バタン抽出部４は撮影した多値画像にラグランアン微分
を施しｓ２＋ｉ！化して、エツジ画像を得る。このエツ
ジ画像は特徴パラメータ抽出部５にて、ハーク（Ｈｏｕ
ｇｈ ）変換を施され、特徴パラメータが抽出される。
バタン抽出部４は撮影した多値画像にラグランアン微分
を施しｓ２＋ｉ！化して、エツジ画像を得る。このエツ
ジ画像は特徴パラメータ抽出部５にて、ハーク（Ｈｏｕ
ｇｈ ）変換を施され、特徴パラメータが抽出される。
上述したハーク（ｆ（ｏｕｇｈ ）変換による直線あて
はめの原理を第２図を用いて説明する。画面内に得られ
た画像データＤは、対象物を構成する線分をなす画素ｆ
−タＤ、と、照明や、絞りの条件によって生じるノイズ
となる画素データＤ−とから成る。いま１画像データＤ
の左下を原点とし、横軸をｘ、！軸をｙとすると、対象
物を構成する線分は、直線の方程式ｘ＝ａ１．ｘ＝ａ２
．ｙ＝ｂｘ、ｙ＝ｂｚの４本で示される。ノイズデータ
のうち線を構成でさる場せ、ノイズとしての線分、ｘ＝
ａ３が抽出さｎる。特徴パラメータは、ａｌ。
はめの原理を第２図を用いて説明する。画面内に得られ
た画像データＤは、対象物を構成する線分をなす画素ｆ
−タＤ、と、照明や、絞りの条件によって生じるノイズ
となる画素データＤ−とから成る。いま１画像データＤ
の左下を原点とし、横軸をｘ、！軸をｙとすると、対象
物を構成する線分は、直線の方程式ｘ＝ａ１．ｘ＝ａ２
．ｙ＝ｂｘ、ｙ＝ｂｚの４本で示される。ノイズデータ
のうち線を構成でさる場せ、ノイズとしての線分、ｘ＝
ａ３が抽出さｎる。特徴パラメータは、ａｌ。
ａ２．ｂｌ、’ｂ２．ａ３となる。
一方、地図データベース７に格納されているデータは、
予め状況判断地点において、予測パターン抽出部６によ
り特徴パラメータが抽出さｎている。
予め状況判断地点において、予測パターン抽出部６によ
り特徴パラメータが抽出さｎている。
検出画像から抽出した第２因に示す特徴パラメータは、
パラメータ整合判断部８において、予測される特徴パラ
メータにリストマツチングを施さｎる。
パラメータ整合判断部８において、予測される特徴パラ
メータにリストマツチングを施さｎる。
このリストマツチングの原理を第３図？用いて説明する
。この図において、αは水平成分パラメータ？、βは垂
直成分パラメータを示す。検出特徴パラメータおよび予
測特徴パラメータｔ％あるルールに従って並びかえる。
。この図において、αは水平成分パラメータ？、βは垂
直成分パラメータを示す。検出特徴パラメータおよび予
測特徴パラメータｔ％あるルールに従って並びかえる。
そのルールを具体的に述べるとｓ ｙ＝ｑ （ｑは定数
）で表わされる線分パラメータに（１’ ＝ｑＸ１００
０ の重みづけを与え、大きさの順に並べる。検出リス
トは、存在する線分を全部抽出するため１図中のパラメ
ータβ３．β４．β６といったノイズをも含む。そして
検出リス）Ｌ！ｌが例えば（α１．α２，１里。
）で表わされる線分パラメータに（１’ ＝ｑＸ１００
０ の重みづけを与え、大きさの順に並べる。検出リス
トは、存在する線分を全部抽出するため１図中のパラメ
ータβ３．β４．β６といったノイズをも含む。そして
検出リス）Ｌ！ｌが例えば（α１．α２，１里。
βＳ・β２・β３．β４ ）となり、予測リストＬｍが
（町′、α２′、β１′、β２′）でおる場合に、これ
らの検出リストＬｏを予測リストＬｍのリストの要素の
先頭から順に比較し、例えばα！′＝α１゜α言′＝α
２．βｌ′＝β１．β２′＝β２ のように予測リスト
Ｌｘと同じ要素が同じ順番に検出リストＬＤに存在する
場合、整合性があると判断する。実際には、整合性に幅
を持たせ、各要素の数チのずれは、誤差範囲とみなして
いる。
（町′、α２′、β１′、β２′）でおる場合に、これ
らの検出リストＬｏを予測リストＬｍのリストの要素の
先頭から順に比較し、例えばα！′＝α１゜α言′＝α
２．βｌ′＝β１．β２′＝β２ のように予測リスト
Ｌｘと同じ要素が同じ順番に検出リストＬＤに存在する
場合、整合性があると判断する。実際には、整合性に幅
を持たせ、各要素の数チのずれは、誤差範囲とみなして
いる。
次に、状況判断部９の動作を第４図を用いて説明する。
ここでは、環境内にしばしば存在するドアを対象とし、
ドアの開閉状況を判断する。ケースＡ、Ｂは、予測画像
のバタンで、ケース人はドアが開いている場合、ケース
Ｂは閉じた場合を示す。ケースＩ、ｎ、ＤＩはそれぞれ
検出画像例を示すもので、ケースエは閉じたドア、ケー
ス■は開いたドア、そしてケース■は何かの障害でドア
を構成する線分が検出されない＃ｌｊ会、あるいは、存
在するはずのない線分が検出された場合のパタンを示し
ている。バタン至合性判断部の判断結果を。
ドアの開閉状況を判断する。ケースＡ、Ｂは、予測画像
のバタンで、ケース人はドアが開いている場合、ケース
Ｂは閉じた場合を示す。ケースＩ、ｎ、ＤＩはそれぞれ
検出画像例を示すもので、ケースエは閉じたドア、ケー
ス■は開いたドア、そしてケース■は何かの障害でドア
を構成する線分が検出されない＃ｌｊ会、あるいは、存
在するはずのない線分が検出された場合のパタンを示し
ている。バタン至合性判断部の判断結果を。
歪合性有りの場合、′成功′無しの場合、′失敗”で表
示している。状況判断部９では、整合結果の組みあわせ
から、ドアの状況、１ドアは閉じている″”ドアは開い
ている＃１判断不能（？）“のいずれかの状況判断結果
を出力する。判断結果は。
示している。状況判断部９では、整合結果の組みあわせ
から、ドアの状況、１ドアは閉じている″”ドアは開い
ている＃１判断不能（？）“のいずれかの状況判断結果
を出力する。判断結果は。
ロボット行動部ｌＯに渡され、必要とあれば、ｃｒボッ
トの行動針＃Ｉを変更する。
トの行動針＃Ｉを変更する。
上述した本発明の実施例によれば、予測パタンを、幾何
学データで表わす場合と比べ、パラメータで表現するこ
とにより、予測データベースのサイズが、縮小される。
学データで表わす場合と比べ、パラメータで表現するこ
とにより、予測データベースのサイズが、縮小される。
具体的にドアを用いた場合について説明する。ドアを構
成する線分は、２次元では、−線分の端点け、１データ
を１ ｂｙｔｅとすれば、 ４ ｂｙｔｅ必要である。
成する線分は、２次元では、−線分の端点け、１データ
を１ ｂｙｔｅとすれば、 ４ ｂｙｔｅ必要である。
これに対し、縦又は横の直線のパラメータはｌ ｂｙｔ
ｅ、斜めの場合も２ ｂｙｔｅ となり、全体のデータ
サイズはｌ／２以丁になる。これにより、データ検索の
速度も増大する。したがって、多６Ｌｅパタンの判断が
可能となる。
ｅ、斜めの場合も２ ｂｙｔｅ となり、全体のデータ
サイズはｌ／２以丁になる。これにより、データ検索の
速度も増大する。したがって、多６Ｌｅパタンの判断が
可能となる。
なｊ？、上述の実施例における検出バタン抽出部４を第
１の計算機で構成し、特徴パラメータ抽出部５およびパ
ラメータ整合判断ｔ！１５８を第２の計算機で構成し、
これらの計算機をパイプラインに接続して構成すること
もできる。
１の計算機で構成し、特徴パラメータ抽出部５およびパ
ラメータ整合判断ｔ！１５８を第２の計算機で構成し、
これらの計算機をパイプラインに接続して構成すること
もできる。
この構成によれば、２台の計算機をパイプラインに接続
して、実行できるアルゴリズムを構成しているので、認
識速度を２倍に向上させることができる。。
して、実行できるアルゴリズムを構成しているので、認
識速度を２倍に向上させることができる。。
以上述べたように、本発明によれば、画像ｇ識を記号の
世界に変換して実行することができるので、高速性、高
機能性を実現できる。
世界に変換して実行することができるので、高速性、高
機能性を実現できる。
第１図は本発明の装置の一実施例の構成を示す図、第２
図は本発明に用いられる特徴バタン抽出動作を示す説明
図、第３図は本発明に用いられるリストマツチング動作
を示す説明図、第４図は本発明の装置を構成する状況判
断部での判断例を示す図である。 １・・・ロボット、２・・・カメラ、３・・・地図デー
タベース、４・・・検出バタン抽出部、５・・・特徴バ
タン抽出部、６・・・予測バタ／抽出部、７・・・特徴
バタン抽出部、８・・・パラメータ葺合性判断部、９・
・・状況判断部、ｌｏ・・・ロボット行動部。 ／ｌ！ｉＩ 図 遁２図 ａ ３ 口 葛４− 口
図は本発明に用いられる特徴バタン抽出動作を示す説明
図、第３図は本発明に用いられるリストマツチング動作
を示す説明図、第４図は本発明の装置を構成する状況判
断部での判断例を示す図である。 １・・・ロボット、２・・・カメラ、３・・・地図デー
タベース、４・・・検出バタン抽出部、５・・・特徴バ
タン抽出部、６・・・予測バタ／抽出部、７・・・特徴
バタン抽出部、８・・・パラメータ葺合性判断部、９・
・・状況判断部、ｌｏ・・・ロボット行動部。 ／ｌ！ｉＩ 図 遁２図 ａ ３ 口 葛４− 口
Claims (1)
- 【特許請求の範囲】 １、撮影画像からその特徴エッジパターンの変化を抽出
する画像認識装置において、エッジの予測特徴データを
記憶する手段と、予測特徴データを特徴パラメータに変
換する手段と、撮影画像から観測特徴データを抽出する
手段と、前述この手段の観測特徴データを特徴パラメー
タに変換する手段と、２つのパラメータの整合性を判断
する手段と、この判断結果から画像の変化を決定する手
段とを備えたことを特徴とする画像認識装置。 ２、観測特徴データから特徴パラメータに変換する手段
はエッジ画像から、直線の方程式を求めパラメータを出
力する演算器で構成し、判断手段は特徴パラメータと、
前記演算器から出力されるパラメータとを比較し整合性
を判断する整合器で構成し、決定手段は整合結果の組み
あわせルールを用いて状況判断を行なう判断器で構成し
たことを特徴とする特許請求の範囲第１項記載の画像認
識装置。 ３、撮影画像から観測特徴データを求める手段を第１の
計算機で構成し、観測特徴データを特徴パラメータに変
換する手段およびこの手段で求めた特徴パラメータと予
測特徴データの特徴パラメータとの整合性を判断する手
段を第２の計算機で構成し、これらの計算機をパイプラ
インで接続し、並列に稼動したことを特徴とする特許請
求の範囲第１項記載の画像認識装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP61219538A JPH077445B2 (ja) | 1986-09-19 | 1986-09-19 | 画像認識装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP61219538A JPH077445B2 (ja) | 1986-09-19 | 1986-09-19 | 画像認識装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPS6375984A true JPS6375984A (ja) | 1988-04-06 |
| JPH077445B2 JPH077445B2 (ja) | 1995-01-30 |
Family
ID=16737057
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP61219538A Expired - Lifetime JPH077445B2 (ja) | 1986-09-19 | 1986-09-19 | 画像認識装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH077445B2 (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0788791A (ja) * | 1993-09-20 | 1995-04-04 | Mitsubishi Electric Corp | ロボット装置およびその周辺装置 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS61877A (ja) * | 1984-06-14 | 1986-01-06 | Amada Co Ltd | 形状認識装置 |
-
1986
- 1986-09-19 JP JP61219538A patent/JPH077445B2/ja not_active Expired - Lifetime
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS61877A (ja) * | 1984-06-14 | 1986-01-06 | Amada Co Ltd | 形状認識装置 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0788791A (ja) * | 1993-09-20 | 1995-04-04 | Mitsubishi Electric Corp | ロボット装置およびその周辺装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| JPH077445B2 (ja) | 1995-01-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111174782B (zh) | 位姿估计方法、装置、电子设备及计算机可读存储介质 | |
| KR100493159B1 (ko) | 이동체의 효율적 자기 위치 인식을 위한 랜드마크 및 이를이용한 자기 위치 인식 장치 및 방법 | |
| JP6820967B2 (ja) | コンピュータビジョンと結合される地磁気信号に基づいた室内位置決めシステム及び方法 | |
| US20160292533A1 (en) | Image processing apparatus for estimating three-dimensional position of object and method therefor | |
| CN112509047A (zh) | 基于图像的位姿确定方法、装置、存储介质及电子设备 | |
| Reich et al. | Monocular 3d multi-object tracking with an ekf approach for long-term stable tracks | |
| CN113508420A (zh) | 物体追踪装置以及物体追踪方法 | |
| KR101645959B1 (ko) | 복수의 오버헤드 카메라와 사이트 맵에 기반한 객체 추적 장치 및 그 방법 | |
| JPWO2017154655A1 (ja) | 群衆種類識別システム、群衆種類識別方法および群衆種類識別プログラム | |
| CN111105695B (zh) | 地图制作方法、装置、电子设备及计算机可读存储介质 | |
| CN114543819A (zh) | 车辆定位方法、装置、电子设备及存储介质 | |
| CN115908498A (zh) | 一种基于类别最优匹配的多目标跟踪方法及装置 | |
| JP7255173B2 (ja) | 人検出装置および人検出方法 | |
| Huang et al. | An improved method for swing measurement based on monocular vision to the payload of overhead crane | |
| Ding et al. | Efficient convex-hull-based vehicle pose estimation method for 3D LiDAR | |
| CN109934185B (zh) | 数据处理方法及装置、介质和计算设备 | |
| Rane et al. | Real object detection using TensorFlow | |
| CN114926534A (zh) | 障碍物感知方法、装置、可读存储介质及电子设备 | |
| Lichtenfeld et al. | Efficient dynamic lidar odometry for mobile robots with structured point clouds | |
| Bacchin et al. | People tracking in panoramic video for guiding robots | |
| JPS6375984A (ja) | 画像認識装置 | |
| CN115631296A (zh) | 一种3d目标检测方法、计算机程序产品及电子设备 | |
| Liu et al. | Post-integration based point-line feature visual SLAM in low-texture environments | |
| JP2020135446A (ja) | 画像処理装置及び画像処理方法 | |
| JP2002536709A (ja) | 第１の構造と少なくとも１つの予め設定された第２の構造との類似度を算出するための方法及び装置 |