，它可以增强个别特征对场景识别作用。由于它部分信息恢复能力，采用隐马尔可夫模型组织这些位置标志，它可以捕捉到结构或标志之间关系。因此，场景识别可以转化为对评价问题，这使得识别具有鲁棒性。局部图像区域不变形检测生物视觉系统研究表明，生物体像果蝇在观察周围环境时，经常因为他们行为习惯注意场景中确定特殊区域或者局部图像信息。这些区域可以当作天然位置标志有效地表示和区别不同环境。受这些启示，我们利用中心环绕差分法检测多尺度图像空间突出区域。计算颜色和纹理相似度用以绘制突出区域地图。随后，以地图突出位置为中心分图像，被定义为位置标志区域。位置标志区域大小可以根据该区域图像梯度方向变化自适应决定。移动机器人导航要求当环境有定程度变化时自然位置标志能被稳定地检测出来。为了验证我们方法对位置标志检测可重复性，我们已经在图像比例二维旋转和视角等变化时，做了些实验。图表明当视角变化时因为它突出效果大门能被检测出来。关于比率和旋转更详细分析和结果可以在我们以前论文中发现。图关于视角变化实验场景识别和定位与其他场景识别系统不同是，我们不需要离线培训。换句话说，在前进中，我们不必对场景分类。当机器人徘徊时，在固定时间间隔内捕获场景用于生成拓扑地图顶点，它表示了机器人所在位置。虽然地图几何布局被定位系统忽视，但它对可视化调试是有用，并对路径规划很有益处。因此，定位即意味在地图上搜索当前场景最佳匹配位置。在论文中隐马尔可夫模型是用来组织从当前现场提取位置标志，并且设置拓扑图顶点用以实现部分信息恢复能力。类似于全景视觉系统，机器人环顾四周，以获得全方位图像。从每张图像，探测突出局部区域，并形成个命名为位置标志序列序列，其顺序和图像序列相同。然后，在包含个突出局部图像区域位置标志序列基础上，创建个隐马尔可夫模型当作机器人所处环境描述。在我们系统中相机拥有个视野。为了避免重复，我们样品图像每取张，共得到个图像。让这个图像作为隐藏状态，创建模型可以由图描述出来。参数和是通过使用算法学习获得。衔接阈值设置为。图机器人所处环境至于拓扑图边缘，我们用两个顶点之间距离信息设置。距离可以根据里程计读数得到。基于模糊逻辑匹配方法图像匹配关键问题之，是要选择最有效特征或描述代表原始图像。由于机器人运动，那些提取位置标志区域将在像素级内改变。因此，选择描述或特征相应于比例旋转和视角变化应该在定范围内保持恒定不变，在本文中，我们使用社会上通常采用四个特征，简单地描述如下渐变方向。已经证明光照和旋转变化可能对它有更少影响。和角二阶矩和熵，这是两个纹理描述符。色调，用来描述图像基本信息。匹配问题另个关键问题是选择个好匹配方法或算法。通常近邻方法神经网络是用来测量两部分之间相似性。但我们在实验中发现，神经网络不能充分展现个体描述或特征对相似性度量作用。为了解决这个问题，我们设计了个新以模糊逻辑为基础匹配算法，用以展示每个特征微妙变化。而在数据库中融合相似程度最高位置标志，可以当作最佳匹配。匹配结果如图所示。如上所述，该方法可以有效地测量两部分图像相似性。实验和分析该定位系统已经应用在我们实验室制造移动机器人。该视觉系统是由个相机和帧采集卡。图像分辨率设置为，采样频率设置为帧秒。该电脑系统是由千兆赫处理器和内存，由机器人携带。目前机器人运行于室内环境。图使用模糊逻辑方法计算相似度由于采用描述和识别场景，我们系统有能力捕捉图像局部区域分布区别，并且能有效区分类似场景。从每个环境选取个场景，并为每个场景创建隐马尔可夫模型。然后收集个场景时为机器人随后进入每个环境，用以形成个以上。在自动搜索过中，类似场景可以连接起来。这个过程可以概括为当定位成功，当前位置标志序列根据他们方向添加到伴随观察匹配顶点序列包括从突出局部区域和机器人顶部所观测图像角度。模型参数重复学习。相对于使用整体图像外观特征方法方法我们系统使用局部突出区域定位和识别地图，这使得它能有更多对变化容许，这些变化由机器人运动高频率识别和拓扑图上较少顶点数量所造成。因此，我们系统在动态环境中具有更好性能。结论提取突出局部图像特征，以取代整体图像参与识别，这提高了对比例大小变化，二维旋转和环境图像视角容许。模糊逻辑用来识别局部图像，并且强调个体特征对识别作用，从而提高了位置标志可靠性模型是用来捕获图像结构或那些局部图像之间联系，这使场景识别问题转化为对评价问题。实验结果表明，该矿山救援机器人场景识别系统具有较高识别和定位比例。今后工作将侧重于利用处理定位不确定性。,,中文字出处附录英文原文,,,,,,,,,,,,,,,,,,,中文字出处附录英文原文