2023年模式識別大作業(yè)

作業(yè)1用身高和/或體重數(shù)據(jù)進(jìn)行性別分類（一）

基本規(guī)定:

用FAMALE.TXT和MAI_E.TXT的數(shù)據(jù)作為訓(xùn)練樣本集，建立Bayes分類器，用

測試樣本數(shù)據(jù)對該分類器進(jìn)行測試。調(diào)整特性、分類器等方面的一些因素，考察它們對分

類器性能的影響,從而加深對所學(xué)內(nèi)容的理解和感性結(jié)識。

具體做法：

1.應(yīng)用單個特性進(jìn)行實驗:以（a）身高或者（b）體重數(shù)據(jù)作為特性，在正態(tài)分布假設(shè)下運

用最大似然法或者貝葉斯估計法估計分布密度參數(shù)，建立最小錯誤率Bayes分類器，寫

出得到的決策規(guī)則，將該分類器應(yīng)用到測試樣本，考察測試錯誤情況。在分類器設(shè)計時可

以考察采用不同先驗概率（如0.5對0.5,0.75對0.25,0.9對0.1等）進(jìn)行實驗,

考察對決策規(guī)則和錯誤率的影響。

-JFigure1

ri￡urc1

E>leE&tJ￡i?wInsertlo?lsDesktopHelp

fileEditJ[ie?XasertloolsRexktopIindov]f?lp口盧。臺a□目-口

。盧。與0，，蟲@笑口切b□

后驗概率分布曲戰(zhàn)

后臉概率分布曲線

S2

料O

登0

票

42

11542

04-04

先瞼概率0505|先驗概率075025

46■06

-08-08

160165170175180185190195200

性別的觀察值性別的觀察值

圖1-先驗概率0.5:0.5分布曲線圖2-先驗概率0.75：0.25分布

曲線

圖3-先驗概率0.9:0.1分布曲線圖4不同先驗概率的曲線

有圖可以看出先驗概率對決策規(guī)則和錯誤率有很大的影響。

程序：bayesflq1.m和bayeszcx.m

2.應(yīng)用兩個特性進(jìn)行實驗：同時采用身高和體重數(shù)據(jù)作為特性，分別假設(shè)兩者相關(guān)或不相關(guān)

(在正態(tài)分布下一定獨立)，在正態(tài)分布假設(shè)下估計概率密度，建立最小錯誤率Bayes

分類器，寫出得到的決策規(guī)則,將該分類器應(yīng)用到訓(xùn)練/測試樣本，考察訓(xùn)練/測試錯誤情況。

比較相關(guān)假設(shè)和不相關(guān)假設(shè)下結(jié)果的差異。在分類器設(shè)計時可以考察采用不同先驗概率

(如0.5vs.0.5,0.75vs.0.25,0.9vs.0.1等)進(jìn)行實驗，考察對決策和錯誤

率的影響。

訓(xùn)練樣本fema1e來測試

JFigure1￡］回區(qū);

E>leEditJfiewInserttoolsQesktopMind。”Help*file￡ditYi?vJoolsfiesktop^mdovHelp

□方。昌k?e踮⑥定□園□口不。等Q，a爭⑥轉(zhuǎn)□園：口

府臉概率分布曲線后照概率分布曲戰(zhàn)

1

08

06

-----訓(xùn)練樣本female

-O■身高和體重不相關(guān)

pw1=0.75.pw2=0.25

■04

-06

■08

,■Lmyd：._______I________I________I________也上修產(chǎn)曲產(chǎn)“*tI

6080100120140406080100120140160180

性別的觀察值性別的觀察值

圖1先驗概率0.5vs.0.5圖2先驗概率0.75vs.0.25

圖3先驗概率0.9vs.0.1圖4不同先

驗概率

對測試樣本1進(jìn)行實驗得圖

figure目同區(qū)H"gureI

EilaEditV>?*Itis*rtX?olsgtsktopViadovM?lpEil*EditVi?vInstrt工oolsR.sktopWind?vK?lp

□今。目Q/e等?※□目u□口送q昌Q□明Eo

后驗概率分布曲線后臉概率分布曲統(tǒng)

-----測試樣本1

-身高和體重不相關(guān)

---------pwi=05.pw2=0.5

-06

48

性別的觀察值性別的觀察值

':叵岡>?

￡il?EditJi**￡ns?rt［。。1工DesktopJindovK?lp

Fil*EditVi?v工asertXoolsDesktopVibdovH?lp

口空。昌k&e爭⑥也□目，口

口安p身Q，ec?運口園口口

后驗柢率分布曲線后墩概率分布曲線

——測試樣本1

身高和體重不相關(guān)

---------pw=09:pw2=01

—測試樣本1

?身高和體重不相關(guān)

08-08

II|的"MT41-1

100120140160180200

性別的觀察值

對測試樣本2進(jìn)行實驗

￡>1*工dilVi?vXnt?rt1001sR”ktopJfindawMCpHI*EditV??MInz?rt[。。1*DesktopYindovK?lp

口信。昌k/df?⑥史口國目口口■。國4a，爭⑥軍口目n□

后驗概率分布曲線后驗概率分布曲線

08

06

-----測試樣本2一測試樣本2

■身高和體重不相關(guān)-身高和體重不相關(guān)

pwi=05.pw2=05-----pvi=075pv2=025

?06

■0.8

.iJ」I

-------1

10012014016018020080100120140

性別的觀察值性別的觀察值

■>Figure1目圓國4Mte[目回區(qū)l]

￡il?gditl￡i*w^nxtrtTooleDasktopYindov{{dp

□昌Qeer?與發(fā)□回i□口￥EI目Q0酚注口自國口

后驗概率分布曲線

-----測試樣本2

身高和體肅不相關(guān)

200

性別的觀察值

有圖可以看出先驗概率對決策規(guī)則和錯誤率有很大的影響。程序bayesflq2.m和baye

szcx2.m

3.自行給出一個決策表，采用最小風(fēng)險的Bayes決策反復(fù)上面的某個或所有實驗。

設(shè)以ceshil單個特性身高進(jìn)行實驗:決策表

W1W2

W100.7

W20.30

|JFigure1

->Fii13回區(qū)）

fil?EditVitrKInz?rtTool:D?sktopnindowHelp

I_—］目回區(qū)］

￡il?EditX***Insert［。。1工D”ktopYindovtfclp￡il?Rd，tJf?ewInsert1091sdesktop￡>nilowM?lp

□中。昌》/ae⑥黃□目□□Hak瘡口目口口

最小風(fēng)檢的Bayes決策后驗概率分布曲線最小風(fēng)險的Bayes決策后瞼概率分布曲線

c1oseall;

cleara11;

X=120:0.1：200；%設(shè)立采樣范圍及精度

pw1=0.9;pw2=0.1;%設(shè)立先驗概率

samp1el=textreadfFEMALE.txf)%讀入樣本

samplew1=zeros(1,1ength(samplel(:,1)));

ul=mean(samp1el(:,1));

ml=std(samplel(：,1));

yl=normpdf(X,ul,ml);%類條件概率分布

figure(1)；

subplot(2,1,1);

P1ot(X,y1);

titleCF身高類條件概率分布曲線');

sample2=textread('MALE.txt')%讀入樣本

samplew2=zeros(l,length(sample2(1,l)));

u2=mean(sample2(:,1));

m2=std(samp1e2(:,1))；

y2=normpdf(X,u2,m2);%類條件概率分布

subplot(2,1,2);

plot(X,y2)；

title(，M身高類條件概率分布曲線〉

Pl=pwl*y1./(pwl*y1+pw2*y2);

P2=pw2*y2./(pw1*yl+pw2*y2)；

figure(2);

subplot(2,1,1)；

plot(X,P1);

titleCF身高后驗概率分布曲線)；

subplot(2,1,2);

p1ot(X,P2)；

M身高后驗概率分布曲線》

Pll=pwl*yl；

P22=pw2*y2;

figure(3);

subp1ot(3,l,l);

plot(X,P11);

subplot(3,1,2)；

plot(X,P22);

subplot(3,l,3):

plot(X,Pl1,X,P22);

samp1e=textread(7al1sample,txt*)%讀入樣本

fresu1t]=bayes(samp1el(:,1),sample2(:,l),pw1,pw2);

%bayes分類器

function[resuIt]=bayes(sample1(:,1),sample2(:,l),pwl,pw2);

errorl=0;

error2=0;

u1=mean(samp1e1(：,1));

ml=std(samplel(:,1));

y1=normpdf(X,u1,ml);%類條件概率分布

u2=mean(samp1e2(:,l))；

m2=std(samp1e2(:,l))；

y2=normpdf(X,u2,m2);%類條件概率分布

Pl=pw1*y1./(pwl*yl+pw2*y2);

P2=pw2*y2./(pwl*y1+pw2*y2);

fori=1:50

ifPl(i)>P2(i)

result(i)=0;

pe(i)=P2(i)；

e1se

result(i)=l；

pe(i)=Pl(i)；

end

end

fori=1：50

ifresult(k)=0

error1=error1+1;

elseresu1t(k)=1

error2=error2+l;

end

ratio=errorl+error2/length(sample)；%辨認(rèn)率，比例形式

sprintf('對的辨認(rèn)率為％.2f%%.\ratio)

作業(yè)2用身高/體重數(shù)據(jù)進(jìn)行性別分類(二)

基本規(guī)定：

實驗直接設(shè)計線性分類器的方法，與基于概率密度估計的貝葉斯分離器進(jìn)行比較。

具體做法：

同時采用身高和體重數(shù)據(jù)作為特性，用Fisher線性判別方法求分類器，將該分類器

應(yīng)用到訓(xùn)練和測試樣本，考察訓(xùn)練和測試錯誤情況。將訓(xùn)練樣本和求得的決策邊界畫到圖上,

同時把以往用Bayes方法求得的分類器也畫到圖上，比較結(jié)果的異同。

解答：

Clc

clearall

samplel=textread('FEMALE.txt')%讀入樣本

sample2=textread('MALE.txt')%讀入樣本

[1ength1,widthl]=size(samp1e1);

[length2,width2]=size(sample2);

One1=ones(lengthl,1)；

0ne2=ones(1ength2,1);

p1ot(sample1(：,1),sample1(:,2),T*',samp1e2(:,1),sample2(:,2),'b

o')

tit1e(Tamale和male身高體重聚類圖)；

Y1=samplel(:,l:2);

Y2=samp1e2(:,1:2);

m1=mean(Yl);

m2=mean(Y2)；

SI=(Y1-Onel*ml)*(Yl—Onel*ml);

S2=(Y2-One2*m2)r*(Y2-One2*m2);

sw=S1+S2;

ww=inv(sw);

w=inv(sw)*(m1-m2)，；

Y=[Y1；Y2]；

z=Y*w;

holdon

t=z*w7norm(w)A2；

Plot(t(：,l),t(：,2))

fori=1:length1+1ength2

plot([Y(i,l)t(i,1)],[Y(i,2)t(i,2)])

end

axis([120200401001)

title('fisher線性變換后')；

grid

作業(yè)2圖一

fishe族性變換后

130i-----1-----1-----1-----1-----1-----r-

20

伯

00

90

印

70

印

50

410

作業(yè)2圖二

運用K-L變換進(jìn)行特性提取的實驗

一、基本規(guī)定

用FAMALE.TXT和MALE.TXT的數(shù)據(jù)作為本次實驗使用的樣本集，運用K-L變換對該

樣本集進(jìn)行變換，與過去用Fisher線性判別方法或其它方法得到的分類面進(jìn)行比較，

從而加深對所學(xué)內(nèi)容的理解和感性結(jié)識。

二、具體做法

1.不考慮類別信息對整個樣本集進(jìn)行K-L變換(即PCA),并將計算出的新特性方向

表達(dá)在二維平面上，考察投影到特性值最大的方向后男女樣本的分布情況并用該主

成分進(jìn)行分類

2.運用類平均向量提取判別信息,選取最佳的投影方向，考察投影后樣本的分布情況并

用該投影方向進(jìn)行分類。

3.將上述投影和分類情況與以前做的各種分類情況比較，考察各自的特點和互相關(guān)

系。

三、實驗原理

K-L變換是一種基于目的記錄特性的最佳正交變換。它具有一些優(yōu)良的性質(zhì):即變

換后產(chǎn)生的新的分量正交或者不相關(guān);以部分新的分量表達(dá)原矢量均方誤差最??；變換

后的矢量更趨擬定，能量更集中。這一方法的目的是尋找任意記錄分布的數(shù)據(jù)集合之重

要分量的子集。

設(shè)n維矢量x=[x”X2,…,,其均值矢量|i=E[x],協(xié)方差陣C=E[(x-u)(x-u)]，

此協(xié)方差陣為對稱正定陣，則通過正交分解克表達(dá)為C=UAUT,其中

A=龍,域4,為…,41，u=3,如…必」為相應(yīng)特性值的特性向量組成的變換陣,且滿足

U、UJ變換陣為旋轉(zhuǎn)矩陣，再此變換陣下X變換為y=ir(x-u),在新的正交基空間

中，相應(yīng)的協(xié)方差陣C,=UC*U=或34，為…，圖-通過略去相應(yīng)于若干較小特性值的特性向

量來給y降維然后進(jìn)行解決。通常情況下特性值幅度差別很大，忽略一些較小的值并不會

引起大的誤差。

1.不考慮類別信息對整個樣本集進(jìn)行K-L變換（即PCA）

（1）讀入female.txt和male,txt兩組數(shù)據(jù)，組成一個樣本集。計算樣本均值向量

〃=石卜］和協(xié)方差仁=石任工一〃）（x—K）q

（2）計算協(xié)方差陣C的特性值A(chǔ)和特性向量U

（3）選取特性值最大的特性向量作為投影方向

（4）選取閾值進(jìn)行判斷

2.運用類平均信息提取判別信息

（1）讀入female.txt和male,txt兩組數(shù)據(jù),分別計算樣本均值向量％=磯x］和

協(xié)方差G=E［（X-〃）（X—以）（，及總均值向量〃=（/+“%

（2）計算類間離散度矩陣Sb（S〃=￡P(guān)W）與類內(nèi)離散度矩陣Sw

i=\

2_

（Sw=￡qZ，）

/=1

（3）用比較分類性能，選擇最佳投影方向

（4）選取閾值進(jìn)行判斷

四、實驗結(jié)果與分析

1.不考慮類別信息對整個樣本集進(jìn)行K-L變換（即PCA）

T

U=（0.6269,0.7791）,PI=0.5,P2=0.5

判錯個數(shù)錯誤率

采用K-L變換判別方法1414%

采用Fisher線性判別方法1212%

2.運用類平均信息提取判決信息

T

U=(0.5818,0.8133),PI=0.5,P2=0.5

判錯個數(shù)錯誤率

采用K-L變換判別方法1313%

采用Fisher線性判別方1212%

法

%不考慮類別信息

clc；

clearall;

[FHFW]=textread(，C：\Users\rengang\Desktop\homework\FEMA

LE.%f);

[MHMW]=textread(fC:\Users\rengang\Desktop\homework\MALE.tx

t-‘％f%f');

FA=[FHFW]；FA=FA';

MA=[MHMW];MA=MA';

fork=1:50

NT(:,k)=FA(：,k)；

end

fork=51:100

NT(:,k)=MA(：,k-50);

end

X=(sum(NT,"length(NT)”；％這里NT'是一個100*2的矩陣，X為總樣本均值。

c=cov(NTf);

[u,v]=eig(c);%求矩陣c的所有特性值，構(gòu)成對角陣V,并求c的特性向量構(gòu)成u的列

向量。

[a,b]=max(v);

[c,d]=max(a);

U=u(：,d)

x=U，*X;

errorg=0;

errorb=0；

fork=1:100

TT(:,k)=U'*NT(:,k)；

ifk<=50

ifTT(:,k)>x

errorg=errorg+1；

end

else

ifTT(：,k)<x

errorb=errorb+1;

end

end

end

errorg

errorb

error=errorg+errorb

h二error/100

%運用類平均信息

c1c;

clearall;

[FHFW]=textread('C:\Users\rengang\Desktop\homework\FEMALE.txt',

'%f%fr);

[MHMW]=textread('C:\Users\rengang\Desktop\homework\MALE.txt','%

f%f');

FA=[FHFW];FA=FA,;

MA=[MHMW];MA=MA';

a=cov(FA，)；

b=cov(MA，);

xl=(sum(FA')/length(FA));

x2=(sum(MA')/Iength(MA)),;

Sw=0.5*a+0?5*b;

[u,v]=eig(Sw);

x=(xl+x2)/2;

Sb=O.5*(x1—x)*(xl-x)'+0.5*(x2-x)*(x2-x)';

ifu(：,1)'*Sb*u(：,l)/v(1,l)>u(:,2)，*Sb*u(:,2)/v(2,2)

u=u(：,1)；

else

u=u(：,2);

end

fork=1：50

TF(：,k)=u,*FA(：,k)；

TM(：,k)=u*MA(:,k)；

end

w=(sum(TF)+sum(TM))/100；

errorg=0;

errorb=0;

fork=1:50

ifTF(:,k)>w

errorg=errorg+1;

end

ifTM(:,k)<w

errorb=errorb+1;

end

end

errorg

errorb

error=errorg+errorb

h=error/100

/留一法在測試集上的運用

clc

clearall;

[T1T2]=textread(，test2.txt','%f%*s，)；%讀取測試集

TT=[T1T2]構(gòu)造測試集矩陣

T=TT';

[k313]=size(T)；

TG=zeros(2,50);

TB=zeros(2,250);

fori=1:50

TG(:,i)=T(:,i);%構(gòu)造矩陣TG

end

forj=51:13

TB(:,j-50)=T(：,j);

end

ml=2;

m2=2；

n1=50;

n2=250;

tempA=zeros(m1,n1—1)；

count1=0；

count2=0;

fori=1:nl%在nl個樣本中取出一個然后測試

forj=l:(i-1)

tempA(：,j)=TG(:,j);

end

forj=(i+1)：nl

tempA(:,j-1)=TG(:,j)；

end

[w,yO]=fisher((tempA.'),TB，);

yy=;TB(2,i)]；

ifyy〈yO%女的，則錯誤記1

countl=count1+1;

end

end

tempB=zeros(m2,n2—1);

fori=l:n2%在n2個樣本本中取出一個然后測試

forj=1:(i-1)

tempB(:,j)=TB(:,j)；

end

forj=(i+l):n2

tempB(:,j-l)=TB(：,j)；

end

[w,yO]=fisher(TG，,(tempB.J));

yy=(w.')*[TB(1,i)；TB(2,i)l;

ifyy>y0%男的，錯誤記1

count2=count2+1;

end

end

count1

count2

error_ratio=(count1+count2)/(nl+n2)%錯誤率

作業(yè)四

機器人視覺伺服控制方法及其應(yīng)用的研究

機器人視覺伺服控制方法研究的基本方法：

機器人視覺伺服控制方法是一門交叉性、綜合性較強的學(xué)科，研究內(nèi)容涉及計算機視覺、

圖像解決、模式辨認(rèn)和機器人運動學(xué)、動力學(xué)、控制理論、實時計算等多學(xué)科知識考

慮機器人手眼系統(tǒng)（Eye-in?Hand）對靜止物體抓取問題，機器人視覺伺服控制算法的基本

思想為，一方面使機器人末端執(zhí)行器上攝像機在目的物體抓取位置上獲得目的物體圖像，稱

之為目的圖像；則當(dāng)機器人末端執(zhí)行器在空間未知點對目的物體進(jìn)行抓取任務(wù)時，安裝在機

器人末端執(zhí)行器上的攝像機會獲得當(dāng)前位置上的圖像，稱之為當(dāng)前圖像；則當(dāng)前圖像與目的

圖像就存在一誤差向量，該誤差向量可從兩幅圖像的圖像特性減操作中獲取,以這個誤差向

量為機器人視覺伺服控制系統(tǒng)的控制誤差，使該誤差向量最終為零，則實現(xiàn)了機器人手眼系

統(tǒng)在機器人視覺伺服控制算法下的物體抓取任務(wù)。如圖1.1所示，表達(dá)了機器人視覺伺服控

制方法的基本原理，即運用視覺傳感器得到的圖像作為反饋信息，構(gòu)造機器人的位姿的閉環(huán)

控制。

Fig1-1TheBasicStructureofRobotVisualServoingSystem

圖1,1機器人視覺伺服控制系統(tǒng)基本結(jié)構(gòu)圖

.2基于圖像的機器人視覺伺服控制方法研究內(nèi)容

圖像采集、解決和特性提取

機器人環(huán)境信息經(jīng)攝像機CCD和圖像采集卡采樣后，輸出數(shù)字圖像信息，并經(jīng)量化后得

到的數(shù)字圖像以供視覺伺服控制算法解決。目前，計算機圖像采集卡及其圖像解決計算機

解決系統(tǒng)的性能己基本可勝任機器人視覺伺服實驗實時視頻解決的規(guī)定。如常用圖像采集

卡有，美國國家儀器公司（NationalInstrumentlnc.J推出的（IMAQ）NIPCI.14

11圖像采集卡和LabVIEW等圖像解決軟硬件系統(tǒng)，可構(gòu)架工業(yè)級視頻解決軟系統(tǒng)，實

現(xiàn)對NTSC、PAL、S-Video等視頻格式進(jìn)行高精實時采樣和解決p…。英國EPIX公司推

出的高速圖像采集設(shè)備,PlCX［系列圖像采集卡和XCAP圖像解決軟件系統(tǒng),可實時高速采

集圖像高達(dá)100幀/秒口”。尚有本文實驗平臺所采用的，由北京微視電子技術(shù)有限責(zé)任公

(MicroViewlnc.)推出的MVPCIMiNi/SDK型圖像采集卡，其實時性規(guī)定不是很高但完

全滿足了本文機器人視覺伺服控制算法實驗系統(tǒng)的規(guī)定，具體特點將在第二章實驗系統(tǒng)中進(jìn)

行具體介紹。圖像雅可比矩陣的估計基于圖像的視覺伺服控制算法，需要根據(jù)所選的圖像

特性組來構(gòu)造圖像雅可比矩陣，以把目的物體信息從圖像特性空間映射到機器人任務(wù)空間。

圖像雅可比矩陣的概念是由Weiss初次提出，當(dāng)時稱為特性敏感矩陣、交互矩陣或B矩陣

等。圖像雅可比矩陣是描述圖像特性的變化和任務(wù)空間中機器人末端執(zhí)行器位姿變化的一

個關(guān)系矩陣。設(shè)r是機器人任務(wù)空間坐標(biāo)系丁中機器人末端執(zhí)行器位姿矢量，r￡T￡SE3。

對r求導(dǎo),P代表機器人末端執(zhí)行器位姿的變化率;設(shè)廠為k維圖像特性空間Fo的特性向量,

則.廠為特性向量導(dǎo)數(shù)，表達(dá)圖像特性向量的變化率。圖像雅可比矩陣，，，則表達(dá)任務(wù)空間

7JI勺導(dǎo)數(shù)空間i到圖像特性向量空間〃的導(dǎo)數(shù)空間f之間的一個變換矩陣，如式(1.1)所示,

kxm

f=J,rJ(.eF(1-1)

視覺伺服控制器(Visua1ServoingController)

當(dāng)完畢機器人視覺伺服控制系統(tǒng)的建模后，剩下就是控制問題。視覺伺服控制器是機器

人視覺伺服控制系統(tǒng)中，以建立在當(dāng)前圖像和目的圖像上所選目的圖像特性組之間的差值

向量e為反饋控制誤差的控制系統(tǒng)。視覺伺服控制方法與一般控制系統(tǒng)的控制方法相似，故

最常用控制方法為PID控制法，將機器人當(dāng)成一被控對象，輸入為機器人任務(wù)空間中末端執(zhí)

行器的位置或速度運動矢量，不考慮其動態(tài)特性，則根據(jù)視覺反饋誤差e可建立如(1.2)所

示控制律。

k

u=Kpe(k)+K,Ze(H+K0(e(ij-e(A-1))(1-2)

i

式中“為控制量輸入，可在圖像特性空間、工作空間或關(guān)節(jié)空間中表達(dá);世,、K,、Ko分別

為比例、積分、微分三個系數(shù)矩陣。多數(shù)情況下，可直接根據(jù)誤差e,進(jìn)行坐標(biāo)變換和軌跡

規(guī)劃后送入機器人控制器，這相稱于影，取單位矩陣,K,、芷。取零的純比例控制。機器人視

覺伺服控制系統(tǒng)的圖像采集

圖像采集卡其他API函數(shù)，如視頻采集窗口的設(shè)定、視頻參數(shù)設(shè)立等接口函數(shù)

圖2-10圖像采集和處理程序流程圖

由圖像采集和解決流程圖2.10可知，一方面，計算機完畢圖像采集卡的初始化工作，接

著對圖像采集卡進(jìn)行軟件設(shè)立.涉及視頻源、顏色設(shè)立、采集窗口的設(shè)定、視頻參數(shù)設(shè)立

和內(nèi)存域地址等設(shè)定。設(shè)定完畢后，即可發(fā)送采集圖像命令，等待采集后回送內(nèi)存圖像數(shù)據(jù)

指針值.即可對圖像數(shù)據(jù)進(jìn)行解決，圖像解決完畢后即釋放控制權(quán)，以防止計算機資源的耗

盡。最后，根據(jù)圖像解決結(jié)果和視覺伺服控制算法計算機器人反饋控制信息量；或滿足條

件后停LE圖像采集卡的采集操作而結(jié)束程序。

基于位置的機器人視覺伺服控制算法建模

機器人手眼系統(tǒng)一般有Eye—in-HandSystem和Eye-to—HandSystem

之分,Eye-in.HandSystem是指將作為視覺傳感器的CCD攝像機安裝在機器人末端執(zhí)行器

上，CCD攝像機隨著機器人末端執(zhí)行器位姿運動而運動;而Eye.to.HandSystem是指

將CCD攝像機安裝在全局環(huán)境中某固定位置或具有某種已知運動規(guī)律的運動位置上，