[[alternative]]Pso-based fuzzy classifier in multi-object color models design

碩士[[abstract]]本論文係以符合FIRA (Federation of International Robot-soccer Association) RoboSot規則之中型足球機器人全方位視覺系統為發展平台，研究基於PSO模糊分類器之多目標色彩模型的設計，取代傳統以人工建立多目標色彩模型的方法，提升建立色彩模型之效率，並且改善一般以HSV色彩空間中色相、飽和度與亮度之上下界建立色彩模型容易包含過多不屬於目標色彩範圍的問題，減少機器人誤判目標物的可能。本論文提出解耦合模糊分類器的方法簡化PSO訓練參數之複雜度，一個模糊分類器建立一種目標色彩模型，單一模糊分類器之輸入為像素之三分量－色相、飽和度、亮度，輸出為像素對應模糊規則庫之最大歸屬度與其所屬規則類別，綜合模糊分類器獲得歸屬度最大之所屬類別即為輸出。PSO模糊分類器為監督式學習方法，一般樣本空間以事先在多種環境下取得之多目標樣本組成，而本論文以固定位置作為基本定位，定義感興趣之多目標物範圍後就地取樣，建立適合當時環境之色彩模型。實驗結果呈現本論文提出之建立多目標色彩模型方法較使用六個閥值建立之色彩模型貼近多目標物之色彩模型，且提升人工建立色彩模型之效率。[[abstract]]The construction of multi-object color models based on PSO-based fuzzy classifier is proposed. This study is developed on omnidirectional vision system of middle-size robots with the competition of FIRA (Federation of International Robot-soccer Association) RoboSot. It replace the old method in order to promote the efficient of construct multi-object color models by manual and improve the problem which misjudge the object because of using six thresholding in HSV color space may include too many colors not belong objective color model. This paper proposed a method to reduce the complexity of training parameter in PSO algorithm with a decouple fuzzy classifier. One fuzzy classifier will construct an objective color model. The input for fuzzy classifier is the consistence in one pixel, hue, saturation, value. The maximum membership value with the color class is output. PSO fuzzy classifier is a supervised learning method. Generally, the patterns of multi-object were obtained in multi-environment beforehand. This paper use fixed location to define the region of interest then get the patterns of multi-object pixels right there. And construct the multi-object models suit of the environment. The experiments show the multi-object color models construct by the proposed method between by manual use six thresholding is much close to the real multi-object color models and much efficiently.[[tableofcontents]]目錄 中文摘要 I 英文摘要 II 目錄 III 圖目錄 V 表目錄 VIII 第一章 緒論 1 1.1 研究背景 1 1.2 研究動機 4 1.3 論文架構 7 第二章 中型足球機器人之全方位視覺系統 8 2.1 中型足球機器人簡介 8 2.2 中型足球機器人之全方位視覺系統 11 2.3 HSV色彩模型 13 第三章 演算法介紹 17 3.1 模糊分類器 17 3.2 粒子群最佳化演算法 22 3.3 PSO模糊分類器建立之色彩模型 28 第四章 實驗結果 45 4.1 PSO模糊分類器建立之色彩模型應用於色彩分割 45 4.2 PSO模糊分類器建立之色彩模型與目標模型比較 49 4.3 PSO模糊分類器應用於中型足球機器人 50 第五章 結論與未來展望 54 參考文獻 56 圖目錄 圖 1.1、FIRA RoboSot之競賽場地尺寸 3 圖 1.2、FIRA RoboSot 競賽場地三維示意圖 3 圖 1.3、FIRA RoboSot賽用指定球 4 圖 1.4、傳統手動建立目標物色彩模型方法 6 圖 1.5、場中主要四個目標物之像素樣本分佈情形 6 圖 1.6、像素目標樣本與其HSV之上下閥值 6 圖 2.1、中型足球機器人 9 圖 2.2、中型足球機器人之系統架構圖 9 圖 2.3、全方位視覺感測器之外觀 11 圖 2.4、全方位視覺扭曲之影像 13 圖 2.5、全方位視覺系統使用極座標標記目標物之示意圖 13 圖 2.6、RGB之色彩模型 14 圖 2.7、HSV之色彩模型 15 圖 3.1、模糊系統之架構圖 18 圖 3.2、梯形歸屬函數之參數 20 圖 3.3、粒子群最佳化演算法流程圖 23 圖 3.4、粒子群最佳化演算法訓練模糊分類器之架構圖 29 圖 3.5、單一解耦合之模糊分類器輸出入示意圖 31 圖 3.6、模糊分類器架構圖 31 圖 3.7、全方位影像取樣範例 32 圖 3.8、使用修正式迭代法之二值化影像 35 圖 3.9、目標物扇形區域範圍 36 圖 3.10、實際取得之像素樣本 36 圖 3.11、歸屬函數為梯形函數之範例 39 圖 3.12、指數函數曲線 41 圖 3.13、提供樣本之原始圖 42 圖 3.14、紅色模糊分類器前件部之訓練結果 42 圖 4.1、理想之色彩分割 46 圖 4.2、使用模糊分類器建立之色彩模型與目標物色彩模型之比較 49 圖 4.3、一個定位點之取樣圖 52 圖 4.4、三個定位點新增之取樣圖 52 圖 4.5、實際應用於2013年 FIRA RoboSot 53 表目錄 表 2.1、數位高速攝影機規格表 10 表 3.1、以粒子群最佳化演算法訓練模糊分類器之結果（其一） 43 表 3.2、以粒子群最佳化演算法訓練模糊分類器之結果（其二） 44 表 4.1、訓練十次模糊分類器之結果 46 表 4.2、分別使用一個及三個定位點取樣之色彩模型用於色彩分割 51[[note]]學號: 600470016, 學年度: 10