IDENTIFICACAO E RASTREAMENTO EM TEMPO REALDE MULTIPLOS AGENTES AUTONOMOS

Oliver Matias van Kaic kWilliam Robson Schwar tz

Murilo Vicente Gonc alves da Silv aHelio Pedrini

Universidade Federal do Parana

Departamento de Informatica

Curitiba-PR, Brasil, 81531-990�omvk99,wrs99,mvgs99,helio � @inf.ufpr.br

RESUMO

Futebol de Robos tem sido adotado internacionalmente como uma atividade cientıfica voltada a

educacao e pesquisa, visando estimular o desenvolvimento de novas tecnicas na area de Inteligencia

Artificial. O domınio de Futebol de Robos e bastante dinamico e complexo, consistindo de multiplos

agentes capazes de realizar acoes individuais e colaborativas para a execucao de uma tarefa. Este ar-

tigo descreve o sistema de visao computacional implementado em nosso de time de Futebol de Robos.

A arquitetura basica do time e os algoritmos adotados para a identificacao e rastreamento dos objetos

sao apresentados e discutidos. Um algoritmo simples e eficiente e proposto para a identificacao e ras-

treamento em tempo real de objetos durante o jogo. Diversos experimentos reais sao realizados para

demonstrar o desempenho de nossos algoritmos.

PALAVRAS-CHAVE: Visao Computacional, Futebol de Robos, Reconhecimento de Objetos.

1 Intr oduc ao

OFuteboldeRobosfoi propostopordiversospesquisadores[3, 5] comoumaatividadecientıfica

que integra uma grandevariedadede topicos relacionadosa educac¸ao e pesquisana area

de InteligenciaArtificial, tais como visao computacional,princıpios de agentesautonomos,

colaborac¸ao de multi-agentes,raciocınio em temporeal e robotica. O domınio de Futebolde

Robos e bastantedinamicoe complexo, consistindode multiplos agentescapazesde realizar

acoesindividuaise colaborativasatravesde operac¸oese movimentosaltamentecoordenados

paraatingir objetivosespecıficos.

Coma internacionalizac¸aodaideiado FuteboldeRobos,surgiu a necessidadededefinicao

deregrasdemodoa garantircompatibilidadeentreasequipes.Comoresultado,surgiu a Fed-

eration of International Robot-soccerAssociation(FIRA), a qual organizatorneiosanuaise

promove o desenvolvimentode sistemasinteligentese robos autonomos,contribuindo parao

estadodaarteemareasespecializadas.Atualmente,a FIRA contacomdezcategoriasou ligas,

asquaisdiferenciamentresi com relacao ao numero,tamanhoe forma dosrobos utilizados

pelasequipes[2]. ParalelamenteaosdesenvolvimentosdaFIRA, surgiu umaoutraorganizac¸ao

internacionaldenominadaRobotWorld CupInitiative (RoboCup).A RoboCuptambempossui

diversascategoriasou ligas, dentreelasa liga de simuladores(softwares),a liga de robos de

pequenoemedioporte,roboscompernasea liga humanoide[4].

O projeto de Futebolde Robos em desenvolvimento na UniversidadeFederaldo Parana

(UFPR)iniciou-seem1997,contandocoma participacaodoscursosde Informaticae Engen-

hariaEletrica. Desdeentao,variosexperimentostemsido realizadosvisandoa construc¸aode

umtimecompletoderoboscomadequadograudeintegracaoe robustezaumbaixocusto.

Seguindoesseproposito,decidiu-seadotarasregrasdaRoboCupnacategoriadepequenos

robos (small), ondecadaequipee compostade cinco robos cujo formatodeve estarcontido

em um cilindro com 18cmde diametroe 22.5cmde altura. Marcascoloridassao utilizadas

paraidentificaros robos de cadaequipe. Em adicao a essasmarcas,cadarobo deve carregar

umaboladeping-pongcoloridaquee usadacomoo uniformeou camisetado time. O campo

e formadopor umasuperfıcie planade cor verdecom dimensoesde 152.5cm� 274cm. Uma

camerainstaladaa umaalturamınima de 3 metrosacimado campoe utilizadaparacapturar

imagensdo jogo, quesaotransmitidasa um computadorresponsavel pelainterpretac¸aodessas

imagensedecisaodasestrategiasetaticasdejogos.As acoesnodomınio saorealizadasatraves

decomandosdemovimentosenviadosaosrobosvia comunicac¸aosemfio. Parao jogo,utiliza-

seumabola de golfe com aproximadamente3cm de diametroe de cor laranja. Um esquema

basicodo sistemaeapresentadonafigura1.

Figura 1: Esquema basico de um sistema de Futebol de Robos (adaptado de [2]).

O sistemautilizadoemnossoprojetoestadividido emtresmodulosprincipais(figura2):

� Visao Computacional: a partir da imagemcapturadapelacameradigital, e responsavel

peloreconhecimentodosrobosedabolanocampodejogo. A determinac¸aodaposicaoe

orientacaodosrobose realizadaatravesdemarcascoloridascolocadassobrecadarobo;

Estratégia

Aquisição

Imagemda

Comandosde

Visão Computacional Comunicação

Reconhecimentoda

Imagem

Conversão

Transmissão

Figura 2: Modulos principais do projeto Futebol de Robos da UFPR.

� Estrategia: atravesdasinformacoesfornecidaspelo modulo de visao computacional,e

responsavel pelasdecisoesdejogadascomrelacaoaosmovimentosdosrobos,incluindo

taticasde jogo, definicoesdastrajetoriasdos jogadorese tendenciasde movimentacao

dabola. Cadarobo deve sercapazdeplanificare refinarseusobjetivosdeumamaneira

eficaz,levandoemcontao contexto atualemqueeleseencontra;

� Comunicac¸ao: converteasinstrucoesresultantesdaestrategiaemcomandosdemovimentacao

paraosrobos. Tendoemvistaa propostadeseter robosautonomos,e proibidoqualquer

tipo deligacaoaosroboscomfios.

Esteartigo descreve o modulo de visao computacionalimplementadono time de Futebol

deRobosdaUFPR.A secao2 apresentaosalgoritmospropostosparapermitir a identificacao

e localizacaodosobjetosdeinteresse(robose bola)duranteo jogo. Algumasotimizacoessao

descritasde modoa melhoraro desempenhodo modulo de visao computacional.A secao 3

analisao desempenhodo sistemadesenvolvido e apresentaalgunsresultadosexperimentais.

Conclusoesesugestoesparatrabalhosfuturossaoapresentadasnasecao4.

2 Sistema de Visao Computacional

O principal objetivo do modulo de visao computacionale criar um modelo a partir das

informacoessobrecadaobjeto encontradona imagem,mais especificamenteidentificandoa

posicaodabolaea posicaoeorientacaodosagentesautonomos

O sistemadevisaocomputacional,utilizandoa basedeconhecimento,processaa imagem

capturadanomomentoeidentificaosobjetoseabola(figura3). A representac¸aoparaasituacao

atuale criada,contendoasposicoesdosobjetoseasorientacoesdosrobos.

As principaisetapasdo modulodevisaocomputacionalimplementadosno timedeFutebol

deRobosdaUFPRconsistemnaaquisicaodaimagem,construc¸aodeumabasedeconhecimen-

Imagem

Base

Conhecimentode

RepresentaçãoIS

V

OÃ

Figura 3: Reconhecimento de objetos.

to, reconhecimentodascoresdosobjetos(robosebola)edeterminac¸aodaposicaoeorientacao

dosrobos de nossaequipeno campode jogo. Essasetapassao descritasnassecoesa seguir.

images

2.1 Construc¸ao da Base de Conhecimento

Antes dos jogos, uma basede conhecimentoe construıda paraque o algoritmo possasaber

quantosobjetosirao haver na cenae quaissao ascorese caracterısticasdessesobjetos. Essa

basedeconhecimentoeconstruıdaatualmentepormeiodeumainterfacegraficacontroladapor

umoperadorhumanoduranteo perıododecalibracaodosistema.

Nossabasedeconhecimentocontemasseguintesinformacoes:

��� : numeroderobosdenossaequipe;

� cor b : cor dospixels ����� ��� dabola;

� cor c : cordacamisetadosrobos(cor unicaparatodososrobosdanossaequipe);

� diam c : diametrodacamisetadosrobos;

� cor ��� : cordamarcadecadarobo ��� ; (umacorparacadarobo)

� dist c m : distanciaempixelsentreamarcae acamisetadosrobos.

2.2 Classificac¸ ao das cores

O sistemautilizado paraatribuir um valor a um pixel e o espac¸o cromatico RGB, o qual e

diretamentefornecidopelanossacamera. Parautilizar o HSI, por exemplo,serianecessario

fazerumaconversaodealgumoutro formatodisponıvel nacameraparaeste,o querequereria

maior tempode processamento.Outrosformatoscomoo YUV carregamumaquantidadede

informacaobemmenor(8 bits saofornecidosemnossacamera)comparadoscomos24 bits do

RGB.

No sistemaRGB, a cor de cadapixel e definidapor tres componentes(R, G, B). Cada

componentedefineaquantidadedeumacorprimariapresentenacordopixel. Logo,Rdefinea

quantidadedevermelho,B aquantidadedeazuleG a quantidadedeverde.No RGB fornecido

pela camera,cadacomponentee definidapor 8 bits, o que totaliza uma boa quantidadede

informacaosobreumacor (24 bits).

As imagensutilizadassao compostaspor variosobjetosdispostossobreum fundo de cor

unica.Cadaobjetoaserreconhecidotambempossuiapenasumacorcomoatributo. Quandoas

imagenssao convertidasparaa formadigital, ospixelsquedefinemos objetosacabamsendo

devariostonsde umamesmacor. De forma a verificarseum pixel pertencea umaclassede

corparticular, o reconhecimentodeveutilizar um espac¸o detoleranciadeumadeterminadacor

aoinvesdeumvalorabsolutoparacomparac¸ao.

Paraclassificarumpixel comoequivalenteaumadeterminadacor, cadacomponentedacor

devepertenceraum intervalodetolerancia.Ostresintervalosaosquaisascomponentesdacor

devempertencersimultaneamentecaracterizamum volumeno espac¸o parametricodo sistema

RGB,queeo espac¸o (intervalo)detoleranciadeumacor.

Paradeterminac¸aodesteespac¸o detolerancia,o usuariodeve inicialmenteinformarumval-

or paracadacomponentedo sistemaRGB, o qual e feito por meio de uma interfacegrafica

apresentadadurantea etapade calibracao. Estevalor e consideradoo centrodo intervalo de

toleranciade umadeterminadacomponente.Os extremossuperiore inferior do intervalo sao

obtidosadicionando-see subtraindo-se,respectivamente,umacertatolerancia � ao valor ini-

cial. Estevalor detoleranciae determinadoempiricamente,poisdeve serajustadosegundoas

condicoesdeiluminacaoe contrastedasimagenscapturadas.

Paraverificar seumadeterminadacomponenteda cor de um pixel pertenceao intervalo,

cujo centroe representadopelovalor cor, utiliza-sea expressao ������������� �!#"%$&�'�(�)�+*,� ,

queotimizadaparaa computac¸ao torna-se-.�(���/�0�1�2#"%$ -3�4� . O testeacimae realizadopara

cadacomponente(R,G,B)dacor e,seresultaremverdadeiroparaastrescomponentes,pixel e

consideradocomosendoequivalenteacor, segundoa tolerancia� .

De modoa tornaro processamentomaiseficiente,e utilizadaumaotimizacao baseadano

usodemascaras[1] paradeterminarseum valorpertenceaum intervalo. Divide-seo intervalo

inteirodeumacomponenteem � partesdiscretas.Cria-seentaoumvetorcom � posicoes,cada

posicao representandoum intervalo de 5 unidades.Determina-seo intervalo de equivalencia

paraumadeterminadacomponentedacorecoloca-seo valor1 nasposicoesdovetorqueestao

dentrodointervaloeovalor0 nasqueestaofora. Paraverificarseumacorpertenceaoespac¸ode

tolerancia,cadavetore indexadocoma respectivacomponentee depoise realizadaa operac¸ao

logicaAND entreessestreselementosdosvetores.Seaoperac¸aoresultaremverdadeiro,o pixel

e equivalentea cor. Essaotimizacao podeserrealizadacom variossistemasde cores,aqui e

ilustradoapenascomo sistemaRGB.

Considereaamplitudedascomponentes

6+798;:.<�7 �>= 7@?6+AB8;:.<�A �>= AC?6EDF84:G<�D �>= DH?

onde<

e = sao respectivamenteos limites inferior e superiordo intervalo de amplitudeda

componente.

Osintervalosdeamplitudesaodivididosem � partesdetamanho5 cadaum,ou seja

5 798 �H= 7 � <�7 �@I(�5 AJ8 �H= A � <�A �@I>�5 DK8 �H= D � <LD �MI(�

Devemoscriar osvetoresde componentesN 7 , N A e N D paraumadeterminadacor, definida

pelosintervalos O 7 , O A e O D . Osvetoresresultantessao

N 7P8RQ �TS>�VULUVUW� �VX)�VUVUVUW�@� Y[ZN AJ8RQ%\ SC�VUVUVUW� \ X)�VUVUVU]� \ Y[ZN DK8RQ)^ S(�VUVUVU]� ^ XT�VUVUVUW� ^ YTZ

onde�VX equivalea:G<(7 *�5 7>_ � <�7 *`5 7 � _ *ba��c�da ? , \ X equivalea

:.<�A *�5 A�_ � <(A *`5 A � _ *ea%�c��a ? e^ X equivalea:G<�D *`5 Df_ � <�D *`5 D � _ *ba��g�da ? .

O valor �VX sera1 seo intervalorepresentadoporeleestivercontidonointervalodarespectiva

componente,casocontrariosera0 (se:G<(7 *h5 7>_ � <�7 *i5 7 � _ *�a%�j�ka ?�l O 7 entao �VX e 1, senao0).

As outrascomponentessaodeterminadasdemaneiraanaloga.

As componentesdeumpixel qualquer, sendo� �!#"%$ 8 �!��� \ � ^ � , pertencemaosintervalos O 7 ,O A e O D se N 7%: �[I(� ?m8 a , N AT:.\ I(� ?n8 a e N D>:G^ I(� ?m8 a .

Seo valor � for umapotenciade2, asdivisoes �oI>� ,\ I(� , e

^ I(� podemsersubstituıdaspor

divisoesnabase2, quesaocomputacionalmentemaisrapidas.

2.3 Reconhecimento e Rastreamento dos Objetos

Os objetosa seremidentificadosna imagemsao os robos e a bola. De modo a permitir a

identificacao,a localizacaoe a orientacaodosrobosdenossotime, algumasmarcassaocolo-

cadassobrecadarobo. A figura4 mostraumexemplodemarcasutilizadasnaidentificacaodos

robosdenossaequipe.

No centrodasuperfıcie do robo localiza-sesuacamiseta.A umadistancia p do centroesta

d

r

Figura 4: Marcas de identificac¸ ao dos robos.

a marcaparaidentificacaoindividualdecadarobo e � e a distanciado centrodo robo ate a sua

extremidade.

Seja< � o conjuntodetodosospixels �3�q�� �1� daimagem,pr�tsV5��u�W� v[� umafuncaoqueretorna

a distancia,utilizandoa metricaManhattan, do pixel � ate o pixel v , �(" � 5�� 6 � umafuncaoque

retornao centroide dospixelspertencentesao conjuntode pixels6

, ���)�t" � 5��u�W� v[� umafuncao

queretornao coeficienteangulardo segmentoorientadode retaconectando� a v e �(�)���w�]� vo�umafuncaoqueretornaverdadeiro seacordopixel � esemelhanteacordopixel v e falsocaso

contrario,sendoqueessasemelhanc¸aentrepixelsedescritanaSecao2.2.

Definiremosagoraosobjetosbolae roboscomo:

� Bola: conjuntox depixelsdabola.

� Robos: conjuntoy com � elementos,ondecadaelementoeumrobo �L� definidopelatripla

�2z{�|�CO}�H�H� �L�~� , tal que z{� e o conjuntodospixelsdamarcadesterobo, ou seja,ospixelsQ �0� < � -��(���1�u�W�C�(�)� ���!� 8'� "V�Tp���p�"V�2�[�rZ , � �L���q�� �1� e o primeiropixel de ��� encontrado

navarredurada imageme O}� e o conjuntodepixelspertencentesa camisetadesterobo,

ou seja,ospixelsQ ��� < � -n�(�)���w�W�)�C�)� �V� 8�� "V�Tp���p�"V�H�T�rZ e pr�|sL5��u�W�H� �L�q�����[�!�[� � . O

testededistanciae feito paradiferenciac¸aoentrecadarobo pois todostema mesmacor

decamiseta.

Nota-sequecomessasdefinicoes,maiso fatodeque p�� �� (conformefigura4), naoocorre

apossibilidadedeseassociarumamarcaerradaacamisetadeumrobo, mesmoqueelesestejam

imediatamenteadjacentesentresi.

A representac¸aocriadaapartir daimagemcontem:

� posicao de �L� : denotadapor � ��� , estaposicao e dadapelo centroide dospixels perten-

centesacamisetade �L� , ouseja ��" � 5��2O}�!� ;� orientacao de �L� : denotadapor �%� ,

dadapor ���T�H" � 5��2�(" � 5��!O}�!�(� ��" � 5��Hz{�!�M� ;� posicaoda bola: denotadapor c b, e dadapelocentroidedospixelsdo conjunto x .

A ideiabasicado algoritmoe percorrera imageme classificarcadapixel segundosuacor

como, pixel da bola, da camiseta,da marcade algum dos robos ou do fundo, sendoentao

inseridono respectivo conjuntodepixels( x , O}� , z{� ). Ospixelsdo fundosaodescartados.Em

seguidacadaconjuntode pixels O}� (camisetas),e associadoa um conjunto z{� (marcas)e e

calculadaaposicaodabolae aposicaoeorientacaodosrobos.

Seja � o numeroderobosdaimagem,O 5f���1� um conjuntotemporario depixelsdacor da

camisetaecont r umavariavel quearmazenao numerodecamisetasencontradasateo momen-

to. O pseudocodigodo modulodereconhecimentodeobjetoseapresentadoaseguir:

/* Inicializacoes*/

cont r � �inicializa todososconjuntoscomovazios

/* Classificac¸ao dospixels*/

paratodospixels � daimagem

/* Verifica se� e umpixel dabola */

se �(�)���w�W�)�C�)� ���x4� x�� Q �]Z /* Insereo pixel em x */

/* Verifica se� e da cor damarcadealgumrobo */

para� de a ate �secor(p,cor ��� )

z{�j� z{��� Q �]Z/* Verifica se� e da cor dacamisetadosrobos*/

secor(p,cor c)� � �" � ��� � 5f�T����� �m��$!s%�/* Para cadacamisetaencontradaate o momento*/

enquanto� �d��� � 5 � e � �����2" � ��� � 5f�T���j�

se p��tsL5��w�W�H�1�L��P�R�[�!�[� �C 5f������� C 5f������� Q �]Z" � �(� � 5f�[����� � "V�[p���p�"V�H�T�

/* Senao pertencera umacamisetaexistente, cria-seumanova*/

senao(encontrou)

cont r � cont r + 1

�1�[�~�|�C� �9� �eliminaroscont r - n menoresconjuntosC 5f���1�/* Associamarcascomascamisetastemporariasencontradas*/

para� de a ate �

para�

de a ate �se pr�|sL5��2�(" � 5��2z{�!�(� ��" � 5�� C 5f���r¡ )) ¢£�[�¥¤(¦ � �

O}�m� C 5f����¡ ,/* Encontra centro da bola */

c b � �(" � 5��!x§�/* Encontra centro dosrobos*/

para� de a ate �� �L�j� ��" � 5��2O}��

/* Encontra orientacao dosrobos*/

para� de a ate ������ �)�)�t" � 5��2O}�|�>zh��

2.4 Otimizac oes

Comintuito demelhorara qualidadedosresultadose aumentara velocidadedeprocessamen-

to pretendemosimplementaralgumasotimizacoesque foram estudadase serao descritasnas

secoesseguintes.

Paraaumentona qualidadeda classificac¸aode corese propostoo usoderedesneuraisar-

tificiais. Paraobtencaodeumamaiorvelocidade,e propostoum metodoqueutiliza a basede

conhecimentoparaevitar quetodosospixelsdaimagemsejampercorridos.

Paraaumentonaqualidadedaclassificac¸aodecorese propostoo usoderedesneuraisarti-

ficiais. Paraobtencaodeumamaiorvelocidade,saopropostosdoismetodos,o primeirousaa

basedeconhecimentoparanaopercorrertodosospixelsda imageme o segundoutilizandoa

representac¸aodaimagemanteriorparadelimitaramaximaregiaoondeo objetoseraencontrado

naimagema serprocessada.

2.4.1 Classificac¸ ao das cores Utilizando Redes Neurais Ar tificiais

Umapossıvel solucaoparaeliminaradeterminac¸aoempıricadatoleranciautililizadaparatestar

quecor tem um determinadopixel, e a utilizacao de redesneuraisartificiais. Devido a carac-

terısticadeextrapolacao,asredesneuraisconseguemdetectarpadroesquenaoforamutilizados

nafasedeaprendizado.

A redeneuralsera um perceptron em multicamadas,pelasuacapacidadede detecc¸ao de

padroes. A topologiada redesera compostapor tres neuronios na camadade entrada,que

receberao os tonsR, G e B do pixel, umacamadaocultae na camadade saıda o numerode

neuroniossera igualaonumerodecoresdiferentesaseremclassificadas(Figura5).

O treinamentoda redesera realizadodurantea construc¸ao da basede conhecimento,uti-

lizando o algoritmo backpropagation paracorrecao de errosna determinac¸ao dos pesosdas

sinapses.Na saıda, o neuronio querepresentaessepadrao de entradatera um valor alto e os

demaisneuroniosteraovaloresbaixos.

.

.

.

C1

C3

C2

Cn

R

G

B

Figura 5: A topologia proposta para rede neural artificial. A entrada recebe os componentes dopix el e a saıda mostra qual padr ao de cor ¨W©CªH¨j«(ªM¬�¬M¬rªH¨j­ a entrada representa.

2.4.2 Varredura Parcial da Imagem

Em buscade umavelocidademaior no algoritmo,umapossıvel solucao seriaa alteracao do

metodode varredurade imagem. O metodoconsistiriaem percorrerparcialmentea areada

imagem,o que e possıvel ja que os objetoscobremuma areaque contem um determinado

numerode pixels. Para detectaro local ondeseencontraum objeto e necessario identificar

somenteacoordenadadeumpixel.

Para percorrerparcialmentea imageme criadauma gradecom espac¸amentoentrecada

pontode tal forma que os objetossempreestejamno mınimo sobreum ponto da grade. A

distanciaentredoispontos�mS e � ® dagradedevesermenorqueo diametrop domenorobjetoa

serdetectado.Define-seaseguinteformulaparacalcularadistanciaentrecadapontodagrade,

pr�|sL5��w�jSC�H� ®>�P��p , ondep��tsL5��w�jS(�H�1®>� retornaadistanciaentreospontos�jS e � ® .A partir da formulaacima,e possıvel calcularo numerode pontosqueserao percorridos.

Supondoumaimagemcom alturade ¯ pixelse largurade ° pixels,utilizandoo metodoque

percorretoda a imagem,o numerode pixels percorridose °²±³¯ . Utilizando o metodode

varreduraparcial,seriampercorridos�!°´I1�2pµ�`pr�|sL5��u�jS(�H� ®>�M�@�3±¶�H¯nI1�!p·��pr�|sL5��u�jS>�H� ®C�@�@� pixels.

3 Resultados Experimentais

Alguns resultadosobtidosatravesda utilizacao de nossoalgoritmosao apresentadosnasfig-

uras6(a)-(f). Paraavaliar a robustezdo algoritmo,foi utilizadoum numerovariavel derobos,

comorientacoeseposicoesdiferentesnasimagens.

As imagensna colunaa esquerdamostramas imagensoriginaiscapturadaspelacamera,

enquantoasimagensa direitamostramosresultadosgeradospeloalgoritmo.As imagens6(a)

e (c) contem, respectivamente,dois e tres robos voltadosparaa bola; as imagens6(b) e (d)

mostramosresultadosdoprocessamentodasimagenscapturadas.O sistemadetectousatisfato-

riamentetodososobjetos,mostrandocırculosbrancosemtornodo centrodosrobose dabola

eum segmentoderetaparaindicara orientacaodecadarobo. Na imagem6(e),emboraostres

robosestejambastanteproximosentresi, o algoritmoidentificoucorretamentetodososobjetos

dacena.

OsalgoritmosforamimplementadosemmicrocomputadoresPCPentiumIII 450MHZ com

128MbytesdeRAM utilizandolinguagemdeprogramac¸aoC como sistemaoperacionalLinux.

As imagenssaocapturadaspor umacameradevıdeocoloridaJVC comsaıdaemVHS e digi-

talizadaspor umaplacaPCI daPixelView PV-Bt-878. A imagemdigitalizadautiliza resolucao

de320� 240pixelse24 bits dequantizac¸aoemRGB.

O processamentodaimagemutiliza comointerfaceo video4linux, possibilitandoaaquisicao

deimagensdigitaiscomgrandesimplicidadeeversatilidade,operandocomtaxasde30quadros

porsegundo.

4 Conc lus oes e Trabalhos Futur os

Nossosistemadevisaocomputacionalmostrou-serobustoascondicoesdeluminosidade,sendo

capazde identificarascoresdosobjetoscomaltaprecisao. Ele permitea execucaoemtempo

real,tal queobjetospodemserlocalizadose rastreadosaumataxade30 quadrospor segundo.

Trabalhosfuturos incluem a implementac¸ao de todasas otimizacoespropostasanterior-

mentede modoa melhorara qualidadedosresultadose aumentara velocidadede processa-

mento.O usoderedesneuraisparaa classificac¸aodecorese localizacaodeobjetos,associado

a um metodode varreduraparcialda imagem,devem melhorara robusteze desempenhodo

atualsistemadevisaocomputacional.

Referencias

[1] BRUCE, J., BALCH, T., AND VELOSO, M. Fastandcheapcolor imagesegmentationfor

interactive robots.In Workshopon InteractiveRoboticsandEntertainment(Apr. 2000).

[2] FIRA. Federationof InternationalRobot-soccerAssociation. http://www.fira.net.

[3] K ITANO, H., KUNIYOSHI , Y., NODA , I ., ASADA , M., MATSUBARA , H., AND OSAWA ,

H. Robocup:A challengeproblemfor AI. AI Magazine18, 1 (1997),73–85.

[4] ROBOCUP. RobotWorld CupInitiative. http://www.robocup.org.

[5] SANDERSON, A. Micro-RobotWorld CupSoccerTournament(MiroSot). IEEE Robotics

andAutomationMagazine(Dec.1997).

(a) (b)

(c) (d)

(e) (f)

Figura 6: Exemplos do reconhecimento de objetos. As imagens capturadas pela camera saomostradas a esquer da, enquanto as imagens a direita mostram o resultado apos a detecc ao dosobjetos.