Lighting-tolerant adaptive supervision of moving objects for mobile robotics applications

Abstract

Lighting independence and automatic learning of the objects of recognition are still the main "stumbling blocks" of computer-based image understanding. This applies to very many areas of application, the "countermeasures" applied are usually simplification and standardization - the image understanding system is restricted to predefined and controlled environments, and therefore the interplay of flexibility and robustness in recognition has very often not gotten the attention it should have.<br />The main application area for this work is robot soccer, where we mainly find color-based recognition tasks. These have also been simplified - until very recently - by defining strict lighting conditions (which still overstrained some systems, admittingly). These restrictions are now slowly being lifted, which leads us to the need to present solutions than can adapt to changing lighting conditions as well as automatically learn the objects of recognition.<br />This work is based on a vision system previously designed by the author - the RoboBV2 system - which has proven to be flexible and quite robust.<br />At the same time it has set marks regarding ease of use, adaptive power and extensibility. Its competitiveness has been verified with the team using it gaining 2nd place in the FIRA RoboWorld Cup, the world championship in robot soccer.<br />Yet some issues with the system and its design remain. These, together with recent trends in robot soccer in opening the previously strongly restricted and controlled environments, motivate this work. In detail, the "cornerstones" are variability, generality, reliability, autonomy and feasibility given the image understanding task a hand.<br />Shortly put, this work has its focus on automatic, lighting-tolerant and color-based recognition of moving objects, mainly targeted at the robot soccer global vision domain, but with applications in many other surveillance-related areas.<br />

Beleuchtungsunabhängigkeit und automatisches Lernen der zu erkennenden Objekte sind noch immer "Stolpersteine" für computer-basiertes Bildverstehen. Dies betrifft viele Anwendungsgebiete, die ergriffenen "Gegenmaßnahmen" sind üblicherweise Simplifizierung und Standardisierung - das System wird auf vordefinierte und kontrollierte Umgebungen und Bedingungen eingeschränkt. Das Wechselspiel von Flexibilität und Robustheit hat also oft nicht die Aufmerksamkeit erhalten, die es hätte erhalten sollen.<br />Das Hauptanwendungsgebiet dieser Arbeit ist Roboterfußball, welcher sich durch auf Farbe basierende Erkennungsaufgaben auszeichnet. Diese wurden bis vor kurzem gleichfalls vereinfacht, primär durch die strikte Definition der Beleuchtungsbedingungen (die - zugegebenermaßen - trotzdem noch einige Systeme überfordert haben). Diese Einschränkungen werden nun langsam gelockert, was neue Lösungen erfordert, die sich an wechselnde Umgebungslichtbedingungen anpassen und gleichzeitig die zu erkennenden Objekte lernen können. Diese Arbeit basiert auf einem System zum Bildverstehen, das in vorangegangenen Arbeiten durch den Autor entworfen wurde. Es handelt sich um das RoboBV2-System, das sich durch einfache Bedienung, Adaptivität und Erweiterbarkeit auszeichnet und sich als flexibel und robust erwiesen hat. Die Wettbewerbsfähigkeit wurde durch einen 2. Platz im FIRA RoboWorld Cup, der Weltmeisterschaft für Roboterfußball, erwiesen.<br />Das System weist allerdings einige problematische Punkte auf. Diese - zusammen mit neuen Trends im Roboterfußball zur Aufhebung der bisher strikten Umgebungskontrolle - sind die Hauptmotivation für diese Arbeit.<br />Die Erfolgsmarker sind Variabilität, Generalität, Verläßlichkeit, Autonomie und Durchführbarkeit in Bezug auf die gegebenen Aufgaben.<br />Zusammengefaßt liegt der Fokus dieser Arbeit auf der automatischen, beleuchtungstoleranten und farbbasierten Erkennung von bewegten Objekten mit Hauptanwendungsgebiet Roboterfußball, jedoch Anwendbarkeit deutlich darüber hinaus.