于机器人的运动，那些提取位置标志的区域将在像素级内改变。因此，选择的描述或特征相应于比例、旋转和视角的变化应该在一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的四个特征，简单地描述如下：
GO：渐变的方向。已经证明光照和旋转的变化可能对它有更少的影响。 ASM和ENT：角二阶矩和熵，这是两个纹理描述符。
H：色调，用来描述图像的基本信息。
匹配问题的另一个关键问题是选择一个好的匹配方法或算法。通常近邻方法（神经网络）是用来测量两部分之间的相似性。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的作用。
为了解决这个问题，我们设计了一个新的以模糊逻辑为基础的匹配算法，用以展示每个特征的微妙变化。
而在数据库中的融合相似程度最高的位置标志，可以当作最佳匹配。匹配结果如图5所示。如上所述，该方法可以有效地测量两部分图像的相似性。
5 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。该视觉系统是由一个CCD相机和一帧采集卡IVC-4200。图像分辨率设置为400 × 320，采样频率设置为10帧/秒。该电脑系统是由1千兆赫处理器和512M内存，由机器人携带。目前机器人运行于室内环境。
图3 使用模糊逻辑方法计算的相似度
由于采用HMM的描述和识别场景，我们的系统有能力捕捉图像局部区域分布的区别，并且能有效区分类似的场景。从每个环境选取10个场景，并为每个场景创建隐马尔可夫模型。然后收集20个场景时为机器人随后进入每一个环境，用以
形成60个以上HMMs。
在自动搜索过中，类似的场景可以连接起来。这个过程可以概括为：当定位成功，当前的位置标志序列根据他们的方向添加到伴随观察的匹配顶点的序列（包括从突出局部区域和机器人顶部所观测的图像角度）。 HMM模型的参数重复学习。
相对于使用整体图像外观特征的方法（方法2，M2），我们的系统（M1）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的容许，这些变化由机器人的运动、高频率的识别和拓扑图上较少的顶点数量所造成。因此，我们的系统在动态环境中具有更好的性能。
6 结论
1）提取突出局部图像特征，以取代整体图像参与的识别，这提高了对比例大小的变化，二维旋转和环境图像视角的容许。
2）模糊逻辑用来识别局部图像，并且强调个体特征对识别的作用，从而提高了位置标志的可靠性
3）HMM模型是用来捕获图像结构或那些局部图像之间的联系，这使场景识别问题转化为对HMM的评价问题。
4）实验结果表明，该矿山救援机器人场景识别系统具有较高的识别和定位的比例。今后的工作将侧重于利用HMM的处理定位的不确定性。
matlab图像处理-外文翻译-外文文献-英文文献-基于视觉的矿井救援
