Antes da calibra¸c˜ao de cores do sistema, alguns parˆametros como brilho, con- traste, satura¸c˜ao e resolu¸c˜ao, referentes `a imagem precisam ser ajustados. Esses ajustes s˜ao feitos manualmente atrav´es do software que acompanha a placa digitali- zadora, de forma que a imagem do campo apresente uma boa ilumina¸c˜ao e contraste (diferen¸cas entre cores). Outro parˆametro de extrema importˆancia ´e a altura da cˆamera, que deve ser ajustada previamente, pois influencia diretamente nos valores dos parˆametros anteriormente citados. De acordo com as regras da FIRA (ver apˆen- dice A), a cˆamera deve ser posicionada a dois metros ou mais acima do campo de jogo.
A calibra¸c˜ao de cores ´e feita utilizando-se o algoritmo K-means. Inicialmente s˜ao escolhidos K centros de maneira aleat´oria, dentro do conjunto de pixels que forma a imagem a ser trabalhada. ´E escolhido um n´umero K maior que o dobro do n´umero de
C1
C3
Limite entre classes
2
C
Figura 4.2: Algoritmo K-means. Movimento dos centros.
cores presentes na cena1
, com o objetivo de cada centro classificar uma cor, ficando os centros restantes respons´aveis por agrupar os pixels esp´urios da imagem, bem como os pixels correspondentes ao campo de jogo. Todos esses pixels s˜ao classificados como pixels indesej´aveis ao programa de localiza¸c˜ao dos objetos coloridos da cena. Os pixels esp´urios s˜ao aqueles que por imperfei¸c˜oes nos objetos ou condi¸c˜oes de ilumina¸c˜ao, aparecem na imagem diferentes da sua cor real. Isso ´e feito para evitar que o K-means imponha uma estrutura errˆonea aos dados, agrupando pixels esp´urios em uma mesma classe de pixels de cor definida.
Ap´os escolhidos os centros, ´e iniciado o processamento do conjunto de pixels (dados). O n´umero de itera¸c˜oes do programa, N, ´e estabelecido como condi¸c˜ao de parada. Ao final das N itera¸c˜oes teremos K centros representando K agrupamentos
de pixels, onde cada classe de cor ´e representada por um centro, e os centros restan- tes representam os pixels indesej´aveis, anteriormente mencionados. A escolha dos agrupamentos corretos, dentre os K agrupamentos finais, que classifiquem as cores desejadas, ´e feita levando-se em considera¸c˜ao o n´umero de pixels pertencentes a cada agrupamento. Para isso, pode ser estabelecido uma faixa de valores, analisando a resolu¸c˜ao da imagem, o tamanho real (cm) do r´otulo e a quantidade de r´otulos de cada cor presentes na imagem, ou seja, determina-se aproximadamente a quantidade de pixels de cada cor presentes na imagem. Essa faixa de valores ´e utilizada para excluir, por exemplo, classes que n˜ao correspondam `a cor azul, por possu´ırem um n´umero de pixels fora da faixa previamente determinada. Com o objetivo de agrupar os pixels indesej´aveis da imagem, mais de uma classe deve ser escolhida. Para isso s˜ao escolhidas as classes que possuem o maior n´umero de pixels.
Para relacionar a classe com sua respectiva cor, leva-se em conta os valores das componentes normalizadas para cada cor utilizada. Isso ´e feito normalizando os valores R, G e B dos centros que representam cada classe e comparando esses valores com os valores reais normalizados que representam cada cor. Por exemplo, para classificar a cor amarela ´e escolhido o centro que estiver mais pr´oximo do ponto (R = 1, G = 1, B = 0) (caso tenha sido escolhido para calibra¸c˜ao o modelo RGB), que corresponde ao amarelo no cubo RGB de cores (ver se¸c˜ao 2.2.1). Sendo assim, para classificar os pixels das imagens a serem processadas basta medir a distˆancia entre esse pixel e os centros obtidos, classificando o pixel como pertencente `a classe cujo centro estiver mais pr´oximo a ele.
A figura 4.3 mostra, em detalhe, o exemplo de uma imagem calibrada no modelo RGB utilizando o algoritmo K-means, onde cada pixel da imagem pertencente a uma dada classe foi substitu´ıdo pelo centro que representa a referida classe. Como se pode verificar, todas as cores foram corretamente classificadas. A calibra¸c˜ao foi testada em imagens com os modelos de cores citados na se¸c˜ao 2.2, RGB e HSL, e os resultados e compara¸c˜oes referentes a esse processo ser˜ao mostrados no cap´ıtulo 6.
Figura 4.3: Detalhe de uma imagem RGB ap´os ter sido calibrada com o algoritmo K-means.
4.5
Conclus˜oes
Este cap´ıtulo mostrou o sistema proposto para calibra¸c˜ao autom´atica de cores, baseado no algoritmo K-means. Ap´os o sistema ter sido calibrado, ele est´a apto a processar os dados referentes `a imagem, de modo a fornecer a localiza¸c˜ao dos objetos. A forma como isso ´e feito ´e tratada no cap´ıtulo 5.
Cap´ıtulo 5
Localiza¸c˜ao e Identifica¸c˜ao
5.1
Introdu¸c˜ao
Ap´os o est´agio de calibra¸c˜ao do sistema, todos os pixels coloridos da imagem poder˜ao classificados quanto `a cor, com boa precis˜ao. Deve entrar em a¸c˜ao o software de localiza¸c˜ao e identifica¸c˜ao dos elementos da imagem, de forma a interpretar essa matriz de pixels como um conjunto coerente de objetos. Como foi dito anteriormente, existem diversas maneiras de rotular um robˆo. O modo como essa informa¸c˜ao deve ser processada fica a cargo do algoritmo utilizado. Esse algoritmo deve atuar de forma r´apida e eficiente, analisando a maior quantidade poss´ıvel informa¸c˜oes por segundo.
Este cap´ıtulo mostra o algoritmo utilizado para localizar e identificar os diversos elementos envolvidos na disputa de futebol de robˆos, bem como diversos aspectos referentes a esse est´agio do sistema de vis˜ao.