Clasificador de color y segmentacin para el sistema de percepcin de los robots Bogobots

Luca Barrera, Alejandro Aceves

AbstractLa clasificacin de color juega un papel de suma importancia para la segmentacin en un sistema de visin. El presente artculo forma parte del trabajo de tesis titulado Desarrollo e implementacin de algoritmos para el sistema de percepcin y localizacin de los Robots Bogobots [18]. En este primer artculo se abarcan los procesos de nivel intermedio para el sistema de percepcin. Se presentar una comparacin entre dos clasificadores de color basados en espacios de color RGB y HSI, as como su aplicacin en dos tcnicas de segmentacin, procesamiento rengln por rengln y crecimiento de regiones a travs de pixeles semilla. La mejor combinacin se elige a partir del tiempo que toma al algoritmo generar los resultados y la representacin grfica de los mismos. El objetivo de este nivel de procesamiento consiste en generar cajas de limitacin adecuadas que permitan una posterior identificacin de objetos y extraccin de caractersticas. Estas etapas as como el algoritmo de autolocalizacin se expondrn en un segundo artculo [19].

I. INTRODUCCIN

AS competencias de RoboCup representan un gran reto para diversas reas de investigacin como son robtica, visin computacional, tecnologa sensorial, inteligencia artificial, sistemas multiagente, etc. Particularmente la categora humanoide ha despertado un gran inters entre las universidades en torno a diversos temas que contribuyan a un mejor diseo y desempeo de sus respectivos robots. Algunas de estas cuestiones son generar un caminado dinmico estable (que siente las bases para desarrollar robots que corran), patear la pelota manteniendo el balance, percepcin visual de los objetos que forman parte del juego (otros jugadores, porteras, el campo y la pelota), sistemas de auto localizacin, navegacin, evasin de obstculos, comunicacin, trabajo en equipo, entre otros. Es evidente que mejores componentes mecnicos y electrnicos y ms eficientes algoritmos harn la diferencia para ganar un partido de futbol robtico. Los Robots Bogobots [1] forman parte del proyecto Humanoide perteneciente a la ctedra de Ctedra de Investigacin en Control Avanzado, Adaptable e Inteligente del Campus Estado de Mxico. Hasta este momento, los robots Bogobots han utilizado algoritmos simples para la

deteccin de objetos por medio de su color. Estos algoritmos permiten analizar hasta cinco cuadros por segundo logrando un buen seguimiento de objetos mviles como es el caso de la pelota, sin embargo esos mismos algoritmos no le permiten al robot auto-localizarse, localizar a los robots compaeros o a los robots del equipo contrario. Como consecuencia se ha tenido un bajo desempeo tanto en lo individual como en lo colectivo. Para lograr que los robots Bogobots ejecuten tareas de planeacin de trayectorias, evasin de obstculos, generacin de estrategias defensivas y ofensivas, resulta de suma importancia la generacin de un algoritmo efectivo y simple de auto-localizacin. Para alcanzar dicho objetivo es imprescindible seguir una serie de etapas agrupadas en procesos de bajo, medio y alto nivel [8]. Estas etapas son adquisicin y preproceso (bajo nivel), clasificacin de color y segmentacin (nivel medio), representacin y descripcin y reconocimiento e interpretacin (alto nivel). Este artculo se concentrar en exponer el desarrollo y resultados generados para los procesos de nivel intermedio. La Fig. 1 muestra la interrelacin entre las diferentes etapas.

Fig. 1. Etapas de procesamiento de imgenes

Manuscrito recibido el 31 de Julio de 2010; revisado el 10 de Octubre de 2010 Luca Barrera & Alejandro Aceves forman parte del Instituto Tecnolgico de Monterrey Campus Estado de Mxico, Carretera Lago de Guadalupe KM 3.5 (telfono: 52555864-55-55; e-mail: A00457349@itesm.mx, aaceves@itesm.mx).

La segmentacin se encarga de la clasificacin de pixeles en la imagen agrupndolos bajo un criterio para identificar regiones de inters. Debido a que los objetos en las canchas de futbol robtico (RoboCup) estn codificados por colores resulta que la segmentacin por color es el algoritmo con mayor recurrencia dentro de estas competencias. Los cinco colores principalmente son: naranja, amarillo, azul, verde y blanco, siendo los primeros tres los ms importantes para la identificacin de objetos [13]. La segmentacin por medio de un clasificador de color es un paso clave en los sistemas de visin robticos que se basan en parmetros de color. Los factores principales que intervendrn en una buena clasificacin de color son: las condiciones de iluminacin, la superposicin natural de

algunas clases en el espacio de color y la distorsin de las imgenes al ser captadas en movimiento, la calidad del lente y la resolucin del dispositivo [16]. El siguiente paso est relacionado con la rutina utilizada para detectar las regiones visuales de inters. Las regiones de inters, representadas mediante su abstraccin en un formato determinado, constituyen la salida de todo el componente dentro del sistema. La segmentacin y el criterio de clasificacin son el corazn de un sistema de visin. Para el primero se requiere determinar la mejor tcnica en cuanto a tiempo de procesamiento e inclusin de caractersticas y el segundo resulta vital para todo el proceso. Una mala clasificacin de color generar un sistema de visin pobre e ineficiente.

II. CLASIFICADOR DE COLOR Se debe reconocer que el tipo de clasificador de color depende del tipo de espacio de color con el cual se tom la imagen. Estos se clasifican en lineales y no lineales [12]. La base de los espacios lineales se encuentra en el uso de un conjunto de colores primarios. Los espacios de color RGB y YUV pertenecen a esta categora. Los espacios no lineales describen los colores en trminos ms comprensibles para el ojo humano. Las imgenes representadas en RGB [7] se forman con las tres componentes definidas por los colores primarios: rojo, verde y azul. Una imagen en el espacio RGB es un arreglo tridimensional M x N x 3, donde M se refiere al nmero total de renglones, N al nmero total de columnas y 3 a cada uno de las componentes de este espacio. Cada pixel se puede representar como un punto dentro de un espacio tridimensional. Tpicamente los valores de cuantizacin ven del 0 al 255 limitando un cubo como se muestra en la Fig. 2

de imgenes [9], [14] cuando estas son afectadas por cambios de iluminacin. La forma ms comn de representarlo es con un doble cono, como el que se muestra en la Fig.3. El centro de este doble cono ser una circunferencia dividida en ngulos de igual magnitud. Por tal motivo el valor de H, el cual describe al color por su longitud de onda, abarca de 0 a 2 Al mapear cada esquina del cubo RGB en el espacio HSI, corresponder a una seccin separada 60 con respecto a su vecino. Las letras R, Y, G, C, B, M en la Fig. 3 se refieren a Red, Yellow, Green, Cyan, Blue y Magenta respectivamente. La distancia del centro de la circunferencia exterior representa la saturacin encontrada en cada color y toma valores desde 0 hasta 1. La saturacin se refiere a cmo se diluye el color con la luz blanca. Finalmente el eje que atraviesa ambos conos corresponde a la componente de la intensidad. Esta tendr un valor normalizado desde 0 (negro) hasta 1 (blanco) y seala la cantidad de luz en un color. Al extraer una pequea circunferencia de la figura formada por ambos conos, los colores cercanos a una intensidad de 1 sern ms claros que aquellos cercanos a cero. Cuando la componente S sea cercana a 0, los colores solo reflejarn un cambio entre negro y blanco. Cuando esta componente se acerca a 1, el color reflejar el verdadero valor representado por H.

B (0,0,255)

Fig. 3. Representacin del espacio HSI. Imagen tomada de [15]

G (0,255,0)

R (255,0,0)

Fig. 2. Representacin del espacio RGB. Imagen tomada de [15]

La ventaja de este espacio es que la mayora de las cmaras toman fotografas bajo ese esquema. Cada esquina del cubo corresponde a un color primario o secundario. La desventaja es que los valores RGB son susceptibles a variaciones en la iluminacin. Las componentes del espacio HSI son el tono, la saturacin y la intensidad de un color. Este espacio tiene la capacidad de separar la intensidad de la informacin intrnseca del color, la cual se referira al tono y saturacin. Por tal motivo su uso es recomendable para el procesamiento

Una de las ventajas al utilizar el espacio HSI es que los colores del ambiente son diferenciables entre s a travs de la componente H, cuestin que no sucede con el espacio RGB. La principal desventaja de este espacio de color es que previo a la segmentacin debe existir una conversin entre el espacio en el cual normalmente se adquiere la fotografa (RGB o YUV) [7]. En tal caso, el procedimiento sera el siguiente: tomar una fotografa, convertir los valores de RGB a HSI, realizar la clasificacin y nuevamente regresar al espacio RGB para mostrar los resultados. La clasificacin de color consiste en definir un conjunto de clases de color que caracterizan a los objetos conocidos en el ambiente, dividiendo el espacio de color en subespacios. La definicin de tales subespacios consiste en elegir una funcin volumtrica de tal manera que una nube de pixeles especificados quede dentro. De esta manera se establece la pertenencia a una clase de color.

La forma ms comn de crear las clases de color es recolectando muestras de color distintivas de los objetos. Una vez que se recolectan las muestras se clasifican. En este artculo se presentan y comparan dos opciones: la primera combina el uso del espacio RGB con la clasificacin a travs de superficies implcitas [5] con la creacin de tablas de bsqueda reducidas. La segunda opcin involucra realizar la transformacin de RGB a HSI e implementar en este espacio umbrales simples o subespacios cbicos. Dichos umbrales (mximos y mnimos) para cada componente de color se obtienen a travs de un histograma de muestras. A. Primer clasificador propuesto: RGB + tabla de bsqueda reducida El objetivo del clasificador de superficies implcitas [2], [3],[4],[5] es determinar si los puntos del espacio se encuentran dentro o fuera de la funcin de aglutinamiento. Sea un pixel con sus respectivas componentes cromticas: (1) ( ) ( ) ( ) ( ) ; para i=1k (2) { ( ) }

f (P)<1 para todo pixel P dentro f (P)=1 para todo pixel P exactamente sobre la superficie f (P)>1 para todo pixel P fuera Esta funcin resulta en un mecanismo muy simple de clasificacin de pixeles en una clase de color. Sin embargo requiere de efectuar varios clculos que podran tomar tiempo. Debe reconocerse que entre ms esferas ms clculos debern realizarse. Para lograr reducir el tiempo de clculo se propone utilizar tablas de bsqueda a partir de la evaluacin a priori de cada pixel de todo el espacio RGB con la funcin . As se determina una lista de pixeles que pertenecen o que quedan dentro del volumen definido por . Esta lista ser ms larga entre mayor sea el volumen contenido dentro de la funcin. En este caso, el algoritmo de clasificacin se reduce a buscar un pixel dado P dentro de la lista. Si se encuentra enlistado entonces pertenece al color. La desventaja de esta opcin es que al analizar un pixel de la imagen en una tabla con una gran cantidad de datos se consume gran tiempo tambin. Este artculo propone una alternativa para disminuir la cantidad de datos en la lista de la tabla de bsqueda. Esta consiste en agrupar los pixeles que se encuentran alineados en una determinada direccin. Debido a que el espacio de color est cuantizado desde 0 hasta 255, entonces el espacio contiene en total 255x255x255 pixeles diferentes. Un grupo de ellos quedar dentro de la superficie implcita .

Para cada i-sima esfera (cluster) se conoce su centro y su radio: ( ) y conocido como factor de aglutinamiento. Para formar esta funcin para un color especfico primero se deben obtener un conjunto de esferas mediante el algoritmo K-means (mediante un conjunto de pixeles muestra) y la adicin de la desviacin estndar a los centros encontrados. Las esferas sern agrupadas bajo una funcin de aglutinamiento (2), esta representar cada clase de color generada. Un valor pequeo del factor de aglutinamiento ajusta la funcin total ms entalladamente a las esferas. Un valor grande de dicho factor ajusta la funcin total ms holgadamente a las esferas. En la Fig.4 se aprecia esta relacin. La determinacin de un factor adecuado es importante y normalmente se hace heursticamente.

Fig. 5. Representacin de pixeles alineaos en direccin z

Fig. 4. a) Superficie con factor de aglutinamiento grande, b) factor de aglutinamiento pequeo

Una vez que se tiene la funcin, un nuevo pixel P debe cumplir el criterio para pertenecer a la clase de color determinada. De hecho, la funcin define un volumen dentro del cual hay una cierta cantidad de pixeles:

Todos estos pixeles pueden ser enlistados uno por uno en forma de tabla o en forma de columnas alineadas en una determinada direccin, ya sea en R, G B. SE propone en este artculo elegir la direccin en la cual se cuente con el mayor nmero de pixeles. Cada una de estas alineaciones producir una tabla organizada de forma distinta. Supngase que la direccin elegida es B. Al ordenar los pixeles en columnas alineadas en la direccin B, el resultado ser una tabla con secciones en la cual las coordenadas R y G son la misma pero B es un nmero consecutivo que va desde un valor B hasta un valor B. Entonces es posible compactar dicha seccin de la tabla original en un solo rengln de la forma R, G, BBB. La ventaja de esta tcnica es que se pueden obtiene una reduccin importante del nmero de datos a utilizar para el algoritmo de clasificacin.

B. Segundo clasificador propuesto: HSI + umbrales simples Esta tcnica consiste en convertir la imagen del espacio RGB a HSI, se seleccionan las muestras deseadas y se obtiene un histograma para identificar el rango en el cual existe mayor densidad. Este proceso se ejemplifica en el diagrama de la Fig. 6.

para una clase respectiva. Esta tabla de bsqueda se redujo agrupando los pixeles en la componente de mayor rango, tal como se explic en la seccin previa. La Tabla I expone los resultados generados para cada clase de color. Se muestra la cantidad de datos para la tabla de bsqueda original y la reducida as como el porcentaje de reduccin obtenido. T(s) es el tiempo requerido para generar la tabla de bsqueda reducida. En la seccin de segmentacin se expondr el tiempo de ejecucin al evaluar los pixeles de las imgenes a segmentar y su bsqueda en las tablas reducidas. Por ltimo se presentan los rangos mximos y mnimos de cada componente para cada una de las clases de color.
TABLA I RESULTADOS DEL CLASIFICADOR RGB + TABLA DE BUSQUEDA REDUCIDA
Color Datos Tabla Datos Tabla % Reduccin original reducida 909 27937 3302 2937 2966 800 2046 702 1504 1988 12% 93% 79% 49% 33% Ts Rangos a partir de tabla reducida Rmin 162 88 90 31 152 Rmax Gmin Gmax Bmin Bmax 255 75 205 43 133 164 94 172 83 152 170 108 168 38 82 66 54 107 78 145 218 154 214 140 208

Fig. 6. Proceso para la obtencin de rangos en HSI

A partir de los histogramas se generar una matriz m x 7 donde m son los distintos colores a clasificar. Ntese que se agrega una columna para asignar una etiqueta numrica a cada color. C. Resultados y comparacin de clasificadores 1) Primer clasificador: Para ejecutar las pruebas se probaron diferentes valores con el nmero de clusters (k= 6 a 10), el radio ser relacionado con la desviacin estndar (r=2, 3) y el factor de aglutinamiento (0.5, 1, 2, 5, 10). Al finalizar los experimentos se concluy que estos tres factores se encuentran relacionados. Por ejemplo, contar con un mayor nmero de clusters resulta importante ya que el radio de las esferas disminuye y esto reduce la posibilidad de incluir pixeles de otros colores cuando son poco diferenciables, por ejemplo naranja y amarillo. Al utilizar un valor menor de r, ejemplo 2gran cantidad de muestras quedan fuera de las esferas, por el contrario un valor grande, ejemplo 4, incluye demasiados pixeles de otros colores, por lo cual se concluy era mejor utilizar el radio 3. Finalmente se corrobor que al incrementar el valor , un menor nmero de muestras quedaban incluidas. De esta forma, para los experimentos realizados se eligi k=10, =2 y =3. Una vez definidos estos parmetros y obtenidas las funciones de cada color. El siguiente paso consisti en elaborar la tabla de bsqueda. Con las muestras de cada clase de color se obtuvieron los rangos mximos y mnimos de cada componente RGB. Se obtuvieron las combinaciones posibles entre cada componente para generar una lista de pixeles cuyos valores se sustituyeron en la funcin de superficie implcita de cada clase. A partir de esto surgi una nueva lista con los pixeles que cumplan el criterio

Naranja Verde Amarillo Azul Blanco

12.5 243.2 140.3 91.2 43.2

2) Segundo clasificador: Despus de seleccionar las muestras para cada calor, los rangos mximos y mnimos obtenidos fueron:
TABLA II RANGOS SIMPLES EN HSI
Hmin 0.0256 0.2093 0.1557 0.5339 0.7 Hmax 0.065 0.4252 0.1887 0.5911 0.85 Smin 0.4079 0.0338 0.37 0.357 0 Smax 0.5728 0.0877 0.56 0.4679 0.018 Imin 0.4175 0.3275 0.3881 0.27 0.8 Imax 0.6745 0.6007 0.485 0.4555 1 Color 1 2 3 4 5

Se tom el tiempo requerido para generar la matriz con todas las muestras seleccionadas por el usuario hasta la entrega final de los histogramas. Dado que los objetos son de diferente tamao, las muestras generadas para cada color no son las mismas, sin embargo esta diferencia aporta una idea de la relacin muestras-tiempo de procesamiento ya que, como en el caso de superficies implcitas, entre mayor sea la muestra el tiempo de proceso incrementar proporcionalmente.
TABLA III MUESTRA Y TIEMPO DE PROCESO PARA GENERAR RANGOS

Color Naranja Amarillo Azul Verde Blanco

No.Muestras 42059 70930 84840 93096 16156

Tiempo 12 ms 24.6 ms 26.8 ms 30.5 ms 5.7 ms

La informacin que requiere el clasificador para cada color en la primera tcnica es mayor. Esto implica que para cada foto se tendr que evaluar la tabla con la sumatoria de

esos datos. En las pruebas realizadas el total de datos generados al realizar la sumatoria de los colores clasificados es de 7,000 datos aproximadamente. En cambio para el espacio HSI son nicamente 30 datos, seis por los cinco colores clasificados. Otro aspecto importante es que los datos y el tiempo que toma la evaluacin de los mismos estn directamente relacionados. De forma tal que en la segunda tcnica el tiempo es menor, hablamos de milisegundos comparados con segundos. III. TCNICA DE SEGMENTACIN Se trabaj con dos tcnicas de segmentacin procesamiento rengln por rengln y crecimiento de regiones a travs de una matriz de semillas generadas por medio de lneas de escaneo en la imagen. En cada una de estas tcnicas se aplicaron los clasificadores descritos anteriormente. Esto con el fin de determinar la combinacin ms efectiva en cuanto a tiempo y resultados. El algoritmo de procesamiento rengln por rengln [6] analiza todos los pixeles de izquierda a derecha de manera horizontal clasificando de acuerdo a las clases de color predefinidas y se van formando las corridas horizontales con aquellos pixeles adyacentes de la misma clase. Este algoritmo se modific de forma tal que se hiciera un barrido inicial buscando pixeles dentro de las clases que cumplieran con ciertas condiciones, ya fuera pertenecer a la tabla de bsqueda o encontrarse dentro de los rangos determinados por el espacio HSI. Como resultado, se genera una matriz con las posiciones de los pixeles que cumplen con la condicin. Posteriormente esas posiciones se etiquetan. El resultado de este etiquetado ser contar con cajas de limitacin que contengan informacin como el centroide, el rea y el color. El crecimiento de regiones [17] evala la informacin relacionada con la vecindad de los pixeles utilizando cualquiera de los dos tipos de conectividad: conectividad de cuatro o conectividad de ocho [8], esto se representa en la Fig.7. Se utilizan semillas de cada color para llevar a cabo el crecimiento y fusionar aquellas regiones adyacentes que compartan el mismo criterio de color. El crecimiento se detiene cuando al evaluar un pixel vecino, ste ya no cumple con los parmetros definidos.

se agrega a la regin. De lo contrario se contina el proceso hasta que ya no se encuentren ms pixeles que pertenezcan al criterio de color y con esto se detiene el crecimiento. El criterio de comparacin utilizado en este trabajo es la bsqueda del pixel en la tabla generada a partir de las superficies implcitaso en la tabla de valores mximos y mnimos en HSIy el algoritmo desarrollado busca la conectividad de cuatro pixeles. La matriz de semillas se gener a partir de lneas de escaneo [10], [11] que realizan un barrido inicial de la imagen en coordenadas que cuenten con una separacin determinada. Los pixeles que pertenezcan a las coordenadas de barrido se evaluarn en los criterios de color seleccionados. De esta forma se genera una matriz de semillas para cada clase de color, las cuales iniciarn el crecimiento de las regiones. Muchas de estas semillas se incluirn en el crecimiento y poco a poco se reducir la lista de bsqueda ya que una semilla contenida en la regin no se evala nuevamente. Las lneas de escaneo se alinean perpendicularmente al horizonte de la imagen y se distribuyen con una mayor densidad en las zonas que requieren mayor atencin para la deteccin de objetos. La densidad se refiere a la cantidad de lneas en una seccin de la imagen. La cual depender de la separacin entre ellas. A mayor densidad, menor separacin y viceversa. De forma tal que la densidad aumenta en zonas ms cercanas al horizonte porque ah se encuentran los objetos ms alejados y en consecuencia los ms pequeos en la imagen. Se propusieron dos tipos diferentes de lneas, pero al encontrar que el crecimiento era similar pues en el crecimiento se eliminan aquellos pixeles incluidos en la regin, se opt por trabajar con la ms sencilla de construir (Tipo II). La lnea de horizonte para este trabajo es a la mitad de la imagen y se ha considerado un 20% por encima de ella.

Fig. 8. Lneas de escaneo tipo I y II

Fig. 7. a) Ejemplo conectividad 4. b) Ejemplo conectividad 8

Al contar con las regiones se obtienen las siguientes caractersticas: punto inicial y final de la regin, rea y etiqueta de color. La Fig. 9 presenta grficamente los pasos. Primero se obtienen las regiones de color en la imagen, posteriormente se etiquetan y agrupan con respecto a las clases de color, y finalmente se generan las cajas de limitacin.
1 1 2 3 4 5 6 7 8 9 10 11 2 3 4 5 6 7 8 9 10 2 2 2 2 2 2 2 2 2 2 3 3 3 3 3 1 1 3 3 3 3 3 1 1 1 1

El criterio de color utiliza un conjunto de umbrales que determinan los cambios mximos permisibles entre pixeles, de tal forma que la expansin implica primero evaluar el contraste entre el pixel y la semilla. Previo a esto se debe cumplir con el criterio de conectividad deseado. Posteriormente se analiza el valor del pixel bajo el criterio de homogeneidad. Si entra dentro de los valores estipulados,

1 1

Fig. 9. Proceso de etiquetado para obtener cajas de limitacin

El resultado de este proceso (Fig.10) es una matriz con las regiones encontradas [No. Regin, color de pertenencia, Xi, Yi, Xf, Yf, rea, ancho y alto] y una imagen que encierra dentro de una caja delimitadora blanca las regiones de color encontradas. Tambin se cuenta con la variante de slo mostrar el contorno de la regin (Fig. 10.b).

En cuanto a los algoritmos de clasificacin de color y segmentacin desarrollados, estos entregan buenos resultados en tiempo y forma logrando tiempos de proceso menores a 0.05 segundos. REFERENCIAS
[1] A. Aceves, E. Cruz, G.Villarreal y S. Sumohano. Bogobots Humanoid Team Kid Size (Informe). - China : Team Description Paper submitted for qualification to RoboCup contest, 2008. R. lvarez. Sistemas de percepcin y localizacin para robots cuadrpedos. Tesis presentada para recibir el grado de Maestro Atizapn, Edo Mex. : Tecnolgico de Monterrey Campus Estado de Mxico, 2003. R. lvarez, E.Milln, R.Swain y A.Aceves. Color image classification through fitting of implicit surfaces. Lecture Notes in Computer Science. Springer-Verlag, 2004. - Vol. 3315. ISSN: 0302-9743. R. lvarez, E.Milln, R.Swain y A.Aceves . Accurate color classification and segmentation for mobile robots (Seccin del libro) // Mobile Robots: Perception & Navigation. - Verlag : (s.n.), 2007. - ISBN 3-86611-283-1.pp 149-164 J. Bloomenthal. Introduction to implicit surfaces. Morgan Kaufmann Inc, 1997. J.Bruce, T. Balch y M.Veloso. Fast and Inexpensive Color Image Segmentation for Interactive Robots. International Conference on Intelligent Robots ans Systems. 2000. Vol. 3. R. Gonzlez, R.Woods y S.Eddins. Digital Image Processing using MATLAB . Prentice Hall, 2004. Pp 204-214 R. Gonzlez y R.Woods. Digital Image Processing. Prentice Hall, 2007. Q. Zhong y R. Honger. A new image segmentation method based on HSI color space for biped soccer robot. IEEE International Symposium on IT in Medicine and Education. - Xiamen : [s.n.], 2008. M.Jngel. A vision system for robocup: Diploma Thesis. Humboldt Universitt zu Berlin, 2004. M.Jngel, J. Hoffman, M. Ltzsch. A real-time auto-adjusting vision system for robotic soccer. International Workshop on Robocup. Pdova, Italia : Lecture Notes on Artificial Intelligence, 2003. - Vol. 7th. J.Ponce y D.Forsyth. Computer Vision: A modern Approach. Upper Saddle River, NJ : Prentice Hall, 2003. Robocup. RoboCup Official Site. RoboCup Soccer Humanoid League Rules and Setup. Mayo de 2009. http://www.robocup2009.org/files/humanoidleaguerules200903-27-final.pdf. C. Rotaru, T. Graf t. y Z. Jianwei. Color Image Segmentation in HSI Space for Automotive applications. Hamburgo, 2007. J.Russ. The Image Processing Handbook. Boca Raton, FL: CRC Press, 2007. R.Palma, P.Guerrero, P. Vallejo. Context:Dependent color segmentation for Aibo robots. IEEE, 2006. 1-4244-0537-8 Z. Wasik y A. Saffiotti. Robust color segmentation for the robocup domain . International Conference on Pattern Recognition, 2002. L. Barrera. Desarrollo e implementacin de algoritmos para el sistema de percepcin y localizacin de los Robots Bogobots. Tesis presentada para recibir el grado de Maestro Atizapn, Edo Mex. : Tecnolgico de Monterrey Campus Estado de Mxico, 2010. L.Barrera. Interpretacin de la escena y autolocalizacin va triangulacin de los Robots Bogobots. (Sometido para publicacin). XII Congreso Mexicano de Robtica, 2010.

[2]

[3]
a) b)

Fig. 10. Segmentacin Beacon1. a) Regiones limitadas por cajas blancas. b) Regiones limitadas por cuadros del color de clase a la que pertenecen

[4]

Despus de evaluar ambas tcnicas de segmentacin en combinacin con los diferentes criterios de color, el mejor resultado se obtiene con la tcnica de procesamiento rengln por rengln y la clasificacin bajo el espacio HSI con umbrales simples.
TABLA IV RESULTADOS DEL PROCESO DE SEGMENTACIN

[5] [6]

[7] [8] [9]

[10] [11]

[12] [13]

[14]

IV. CONCLUSIONES Este trabajo presenta la investigacin, diseo, desarrollo y resultados obtenidos para los procesos de nivel intermedio del sistema de visin generado para los robots humanoides que compiten en la categora KidSize en la Liga de Robots Humanoides dentro de RoboCup. Una vez que se cuenta con las cajas de limitacin el siguiente paso consistir en identificar los objetos del ambiente pues tendrn asociados parmetros como el rea, coordenadas de centro, lados mximos y mnimos y color. Esto a su vez sentar el precedente para el sistema de localizacin. Una cuestin muy interesante fue experimentar y corroborar la ventaja que presenta la clasificacin de color a travs del espacio HSI debido a que es posible integrar variaciones en la iluminacin sin que la clasificacin se vea afectada sensiblemente.

[15] [16] [17]

[18]

[19]