Sistema de Visin Artificial

Marcos Iglesias Garca

Ingeniera en Telecomunicaciones 5 Curso Universidad Carlos III Madrid, Spain marcos.iglesias@alumnos.uc3m.es Este documento presenta un sistema completo de visin artificial desarrollado e implementado para el reconocimiento y deteccin de obstculos de un robot mvil. Dicho sistema integra mtodos de segmentacin estadstica con filtrado en frecuencia para conseguir independencia respecto a la luminosidad. El sistema propuesto determina la posicin y orientacin del robot mvil usando patrones de coincidencia basados en la segmentacin del color mediante el uso de distancias de Mahalanobis. Al mismo tiempo sita en el espacio el resto de obstculos que forman su entorno usando un esquema paralelo basado en el detector de bordes Sobel y en el mtodo de determinacin de umbrales de Otsu. 1. INTRODUCCIN El campo de la robtica abarca un amplio espectro de aplicaciones, entre las cuales figuran diseos para robots mviles terrestres, acuticos, areos y espaciales. Gran parte de las investigaciones hoy en da estn enfocadas en tcnicas de navegacin autnoma, tal como se desprende del ltimo reporte sobre el estado del arte en robtica elaborado por el World Evaluation Technology Center [1], en el cual se destacan sistemas robticos autnomos diseados en Universidades y Centros de Investigacin alrededor del mundo. En el caso de robots mviles, los procesos de cognicin asociados a la planificacin de los movimientos, son competencia del control de navegacin [2]. Dada una informacin local o global del ambiente que rodea al robot, y la misin que este debe cumplir, el control de navegacin es un mdulo encargado de tomar decisiones acordes con esta informacin y alcanzar el objetivo de la forma ms segura y optima posible. En robtica mvil existe una fuerte corriente de investigacin dedicada a algoritmos y sistemas de navegacin autnoma, tanto en ambientes estructurados como en terrenos desconocidos, que abarca el estudio de tcnicas que versan sobre fusin sensorial, visin artificial, sistemas cooperativos, manejo en tiempo real de eventos aleatorios, sistemas

Alejandro Lorenzo Prada

Ingeniera en Telecomunicaciones 5 Curso Universidad Carlos III Madrid, Spain alejandro.lorenzo@alumnos.uc3m.es de comunicaciones, sistemas mecnicos adaptados a los terrenos y una infinidad de tpicos que deben ser estudiados a fondo para lograr la independencia de un sistema robtico. El control de navegacin trata precisamente de integrar todos estos tpicos para lograr la planificacin de trayectorias, en funcin del ambiente real y la misin del robot [2]. En este sentido, el mayor logro en robtica mvil es sin duda la pareja de Robots que llevan a cabo su trabajo en el Planeta Marte: Spirit y Opportunity, en la Fig.1.1, los cuales cuentan, entre otras cosas, con uno de los sistemas de navegacin ms avanzados que se ha desarrollado. Este sistema contempla la planificacin de la trayectoria a seguir por el robot en base a la informacin obtenida por diversos sensores, entre los cuales destacan dos pares de visin estereoscpica. La informacin recolectada es procesada por el mdulo de control de navegacin diseado para calcular la trayectoria del robot, protegindolo de situaciones de riesgo, tales como pendientes excesivas, huecos o rocas, y generando la trayectoria ptima para el robot, en trminos de seguridad y alcance de los objetivos.

Figura 1.1. Robot mvil quasi-autonomo desarrollado por la NASA: Spirit

Entre la gran diversidad de tcnicas desarrolladas para la navegacin autnoma, podemos encontrar el mtodo de navegacin por campos de velocidades, el cual fue introducido por Horowitz [3] [4] [5] para el control de manipuladores, y luego fue extendido para el caso de robots mviles. El control de navegacin por campos de velocidades consiste en asignar un vector, en trminos de mdulo y ngulo, a cada punto del espacio de trabajo del robot, para as especificar

la tarea del robot a travs de la velocidad y orientacin que este debe seguir en funcin de su posicin. Es de notar que esta tcnica elimina la dependencia temporal, y que el control de movimiento se ejecuta slo en trminos de las velocidades lineal y angular del robot. 1.1 Antecedentes y Justificacin El uso de campos de velocidades como referencias para controladores es un tpico muy estudiado a nivel mundial [6] [7] [8], pues entre otras cosas permite separar el problema del seguimiento de contornos en dos etapas: la de seguimiento del ngulo del vector, y la de seguimiento de su magnitud. La separacin del problema principal de control por campos de velocidades en dos sub-problemas totalmente independientes permite al investigador plantear e integrar soluciones ms sencillas para alcanzar el objetivo final de hacer control por campos de velocidades. Los trabajos realizados hasta el momento en generacin de campos de velocidades, contemplan campos con velocidad constante, los cuales especifican la misin del robot mvil a travs del ngulo de los vectores. Por ello es necesario desarrollar un sistema de generacin de campos de velocidades que contemple la generacin del modulo de la velocidad, para ser utilizada como referencia del sistema de control, junto con la referencia de ngulo. Se ha llegado a desarrollar el control de ngulo de un robot mvil desplazndose a velocidad constante en el trabajo de MedinaMelndez [9], dejando la puerta abierta para el desarrollo de un sistema de control del modulo de la velocidad. Por otra parte, en el rea de visin, se plantea desarrollar los primeros pasos para pasar de un sistema de visin artificial en blanco y negro a un sistema de visin a color. 1.2 Descripcin del Problema El presente trabajo plantea el diseo e implementacin de un sistema de control por campos de velocidades, usando realimentacin visual. El espacio de trabajo del robot mvil est definido como una superficie rectangular, sobre la cual se ubica una cmara con capacidad de tomar una imagen del espacio completo. Una representacin posible del espacio se ilustra en la Fig.1.2. La implementacin de un sistema de control por campos de velocidades en el mbito previamente descrito, requiere la integracin de diversos mdulos, los cuales pueden ser tratados como problemas independientes. En la Fig.1.3 se encuentra un desglose de alto nivel

de los problemas tratados en este trabajo, y cuya integracin modular permite la implementacin completa del sistema de control.

Figura 1.2: Representacin del espacio de trabajo del robot, sus dimensiones, y ubicacin de la cmara

Por una parte, se presenta el problema de la implementacin de la solucin en Hardware y Software, la cual debe cumplir con los requerimientos y limitaciones que puedan tener las condiciones inherentes al espacio de trabajo as como el robot mvil; mientras que por otra parte nos encontramos con el problema objeto de estudio: el control del robot mvil usando campos de velocidades como referencia, y realimentacin visual.

Figura 1.3: Desglose de los problemas a tratar

Este es un esquema clsico de control, en el cual encontramos tres partes principales: La Referencia. Se toman como referencia campos de velocidades, que a travs de un vector asignado para cada punto del espacio, especifica tanto el modulo de la velocidad como el ngulo que el robot debe seguir. La generacin de dichas referencia constituye uno de los mdulos del sistema. El Controlador. Se plantea el control en dos niveles: un control de navegacin relacionado directamente con los campos de velocidades en modulo y ngulo, y un control de bajo nivel, cuyo objetivo es controlar las velocidades lineal y angular del robot mvil, empleando dos controladores PID.

La Realimentacin. Consiste en un sistema de visin artificial (SVA) capaz de reconocer al robot y calcular su posicin y orientacin, as como detectar obstculos en el espacio de trabajo, indicando sus posiciones y dimensiones. El sistema de visin artificial interacta con el control de navegacin, mientras que el control de bajo nivel cuenta con realimentacin por medicin de velocidad a travs de enconders. La informacin proporcionada por el SVA tambin se utiliza en la generacin de los campos de velocidades. 1.3 Objetivos Implementar un sistema de control por campos de velocidades para la plataforma robtica mvil realimentado por un sistema de visin artificial. 1.4 Planteamiento de la Solucin El control del robot mvil bajo las condiciones de este ambiente demanda un esquema de trabajo como el ilustrado en la Fig.1.4. A nivel de control se plantean dos grandes bloques: el control de navegacin, constituido por las tareas de planificacin, y el control de motores que se refiere directamente al control de las velocidades lineal y angular. En este esquema encontramos un desglose de alto nivel de los procesos requeridos para la implementacin del sistema de control con realimentacin visual. El sistema de visin artificial tiene como objetivo determinar la posicin y orientacin del robot mvil, as como la ubicacin y dimensiones de los obstculos. Se propone utilizar un esquema combinado de tcnicas de procesamiento de imgenes que permitan alcanzar el objetivo, buscando siempre la disminucin de los tiempos de procesamiento requeridos por los algoritmos. El reconocimiento del robot est basado en la segmentacin de la imagen en el espacio de prominencia, utilizando la Distancia de Mahalanobis, mientras que la deteccin de obstculos se logra mediante segmentacin en el plano de luminancia, aplicando el mtodo de Otsu. Ambos mtodos son estadsticos, caracterstica que se aprovecha con el objetivo de lograr independencia del nivel de iluminacin. En la Fig.1.5 encontramos un resumen de las tcnicas utilizadas en el SVA. 2. SISTEMA DE VISION ARTIFICIAL En esta seccin se presenta el desarrollo e implementacin de un Sistema de Visin Artificial (SVA) para el reconocimiento del robot mvil y la deteccin de obstculos en la superficie de trabajo. Se desarrollan los fundamentos tericos de procesamiento de imgenes utilizados en el diseo del SVA, al tiempo que se describen cada una de las etapas del sistema implementado.
Figura 1.4: Diagrama de Bloques del Sistema Propuesto

Figura 1.5: Resumen SVA

2.1 Algoritmo del Sistema de Visin Artificial El ambiente de trabajo del robot es una superficie rectangular con objetos distribuidos de manera aleatoria, como se muestra en la Fig. 1.2, en la que el robot debe ejecutar tareas de manera automtica especificada a priori a travs de un campo de velocidades. Sistemas robticos similares se han propuesto anteriormente en [8]. Un problema bien conocido en el procesamiento de imgenes de ambientes reales es el generado por los cambios de iluminacin, ms an si se trabaja con procesamiento a color. Como puede notarse de la Fig. 1.2, existen sombras, efectos de reflexin, y otros efectos que varan con el tiempo que son difciles de predecir. La propuesta para resolver este problema es el uso de un esquema paralelo de deteccin entre algoritmos con poca dependencia de la iluminacin. El sistema de visin se puede dividir en bloques con tareas especficas, como se ilustra en la Fig. 2.1. El primer paso en este diagrama de bloques es la adquisicin de la imagen, seguido del acondicionamiento inicial de esta, que elimina ruido a travs de un filtro mediana y realiza la conversin de espacio de color de RGB (formato de la cmara utilizada) a YCbCr, por ser este el espacio de color empleado por el resto del sistema.

Figura 2.1: Diagrama de Bloques del SVA completo

Existen dos grandes bloques principales: uno dedicado al reconocimiento del robot mvil, y otro responsable de la deteccin de los obstculos en el espacio de trabajo. Ambos estn constituidos por varios procesos organizados en serie y en paralelo, tal como se observa en la Fig. 2.1. 2.2 Reconocimiento del Robot Mvil El reconocimiento del robot se realiza a travs de la segmentacin de la imagen a color, el cual es un proceso que divide la imagen en regiones que obedecen a un patrn de color comn [10]. La idea principal es que teniendo conocimiento previo del patrn de color del robot, es posible construir una mscara binaria que indique los pixeles de la imagen que corresponden al robot. El mayor problema asociado a estos sistemas de segmentacin, es la variacin en la iluminacin de la escena, reflexiones imprevistas, imgenes mal enfocadas, sombras y otros efectos que continuamente y de manera aleatoria alteran la intensidad de luz adquirida por la cmara. La propuesta para lidiar con este problema es realizar la segmentacin utilizando la mtrica de Mahalanobis, ya que esta considera variaciones estocsticas del patrn a segmentar. 2.2.1 Segmentacin por color utilizando la Distancia de Maha-lanobis El procedimiento ms comn utilizado para realizar la segmentacin por color de una imagen, es el clculo de la Distancia Eucldea n-dimensional entre las intensidades de un pxel y las intensidades correspondientes al color que se desea segmentar. La distancia Euclidiana es calculada utilizando (2.1), donde es el vector de intensidades del pixel estudiado, y es el vector de las intensidades medias del color que el SVA debe segmentar.

construye evaluando la expresin (2.2) para cada pixel de la imagen.

Sin embargo, este mtodo tiene una desventaja que radica en el hecho de que todas las componentes de color son tratadas de la misma manera, despreciando as la posibilidad de que cada una de ellas pueda tener diferentes patrones de distribucin. Esto se hace claro al recordar que el lugar geomtrico de la distancia euclidia constante es una esfera en el espacio RGB, o una circunferencia en 2D, por lo que todas las componentes deberan distribuirse de la misma manera en todas las direcciones para que esta mtrica sea efectiva. En el contexto de este problema surge el uso de otra mtrica: la distancia de Mahalanobis, la cual fue introducida por Prasanta Mahalanobis en 1936 [11] como una generalizacin de la Distancia Euclidia, que toma en cuenta las varianzas y covarianzas de las variables, introduciendo la Matriz de Covarianza E, como se muestra en (2.3). ste mtodo aparece en la bibliografa aportada, [12] [13], obteniendo resultados con una tasa de error alrededor del 2.4 % [14], as como en anlisis de imgenes satelitales [15], exhibiendo una buena efectividad en esta tarea y mostrando el uso potencial de esta tcnica como clasificador en otras tareas automticas, como realimentacin visual para un sistema de control.

La matriz de covarianza est definida por (2.4), donde E es el operador del valor esperado.

Si esta distancia es menor a determinado umbral, se considera que el pixel pertenece a la regin segmentada. Usando el espacio de color RGB, la mscara binaria se

2.2.2 Seleccin del Espacio de Color En primera instancia es necesario seleccionar el espacio de color y el modelo estadstico del color i.e. y ). Se desarrolla un modelo estadstico para su color. El espacio de color a utilizar es el de Luminancia, Crominancia Roja y Crominancia Azul (YCbCr), ya que este modelo cuenta con la ventaja de separar en gran medida la informacin de color de la informacin de iluminacin. La iluminacin queda contenida en el canal Y, mientras que la informacin de color est representada en los planos Cb y Cr, por lo que la segmentacin de color se puede realizar en un espacio bidimensional, y no tridimensional como sera necesario en el caso de RGB. En este modelo de color, cuando ocurren variaciones en la iluminacin de la imagen, los cambios se reflejan directamente en el plano Y, mientras que para los planos Cb y Cr el efecto es casi inocuo. La conversin de RGB a YCbCr es una combinacin lineal establecida por el conjunto de ecuaciones (2.5).

De (2.8) puede notarse que constante describe una elipse centrada en , cuyo eje mayor y menor forman un ngulo con los ejes cartesianos, siendo el ngulo especificado por (2.9). Los ejes de la elipse representan las componentes principales de la muestra de color.

2.2.3 Clculo de la Media y de la Matriz de Covarianza En vista de la definicin dada por (2.4), la matriz de covarianza en el espacio de prominencia CbCr se presenta en (2.10),

Los valores de la matriz A son especificados por el estndar Rec. 601 (SDTV), y se encuentran en (2.6).

i.e. una matriz cuadrada con las varianzas de las variables en la diagonal principal, y las covarianzas cruzadas en la diagonal inversa. Claramente, estas variables son en este caso la prominencia azul y la roja. siempre La matriz de covarianza (2.11) es simtrica porque y como consecuencia tambin lo es.

Las componentes de prominencia Cb y Cr son usadas en el clculo de la distancia de Mahalanobis, obteniendo (2.7) como la distancia entre un pixel y un grupo de pixeles (conjunto de pixeles muestra del color a segmentar) representados por la media en Cb y en

donde es una matriz de dimensiones 2 x 2. En general, al trabajar con un espacio de color n-dimensional, la matriz de covarianza tiene dimensiones n x n. Esto puede interpretarse de (2.4) (2.7). El diagrama de bloques utilizado para calcular la distancia de Mahalanobis (2.7) en Simulink se encuentra en la Fig.2.2. Definiendo y valindonos del hecho que (como se muestra ms adelante), (2.7) puede reescribirse como (2.8),

Con el objetivo de calcular , se elabor una muestra de pixeles extrados de fotos de la superficie de robot bajo diferentes condiciones de iluminacin. En la Fig. 2.3 se encuentra la muestra en color, as como sus componentes Y, Cb y Cr. Para esta muestra, los resultados obtenidos se presentan en (2.12).

Figura 2.2: Clculo distancia de Mahalanobis. Simulink

Mahalanobis como mtrica segmentacin de estas variables.

para

la

Figura 2.3: Muestra de colores de la superficie del robot bajo diferentes condiciones de iluminacin, usada para el clculo de E, y las medias de Cb y Cr

Figura 2.4: Distribucin bivariada de la crominancia roja y azul de la muestra de colores

2.2.4 Umbral de Distancia El criterio para construir la mscara binaria es evaluar la expresin (2.7) para cada pixel y aplicar un umbral como el indicado por (2.13).

La mscara de Mahalanobis se somete al umbral seleccionado, y luego es procesada para eliminar ruido y homogeneizar la imagen aplicando la operacin de closing. El diagrama de bloques en SIMULINK del procesamiento de la mscara se muestra en la Fig.2.5. Una mscara obtenida experimentalmente se muestra en la Fig. 2.6, donde puede observarse que el resultado es muy preciso, inclusive en aquellas zonas con iluminacin irregular, como las ruedas y los bordes. La mscara calculada a travs de segmentacin en base a la distancia de Mahalanobis es independiente del color del fondo y de sus caractersticas visuales, hecho que representa una caracterstica valiosa en aplicaciones robticas.

El umbral se debe seleccionar en funcin de la distribucin de las componentes de prominencia. La Fig. 2.4 muestra esta distribucin para la muestra de pixeles de la Fig. 2.3, con algunas elipses (formando un ngulo con el eje horizontal) para diferentes umbrales. Es importante destacar que la distribucin espacial de las componentes Cb y Cr conforma una elipse, mostrando as la conveniencia del uso de la distancia de

Figura 2.5: Diagrama de bloques en Simulink para procesamiento de la mscara

se parece al fondo, sin embargo la identificacin de bordes puede reconocer la presencia del objeto. 2.3.1 Detector de Bordes de Sobel El operador gradiente es utilizado para medir la magnitud y direccin de los bordes presentes en una imagen. Esto requiere el clculo de las derivada parciales discretas de la imagen f(x, y) con respecto a x y para todo par (x, y). El detector de bordes de Sobel consiste en obtener una aproximacin de estas derivadas utilizando un kernel de dimensiones 3x3 convolucionado con la imagen, como se muestra en (2.14).

Figura 2.6: Mscara del robot obtenida usando la distancia de Mahalanobis

2.2.5 Anlisis de la Imagen Es necesario extraer informacin de la imagen para obtener la posicin y orientacin del robot. En primer lugar se establecen los sistemas de referencia: un sistema global que coincide con los ejes de la imagen y que es usado para determinar la posicin del robot, y un sistema local mvil atado al robot, utilizado para determinar su orientacin. La posicin del robot se calcula como el centroide de los pixeles positivos en la mscara del robot, medido en pixeles. La orientacin se determina construyendo un segmento de recta, que une el centroide del robot y el centroide de hoyo negro ubicado en la parte trasera del robot. La orientacin se mide como el ngulo que forma este segmento de recta con el eje x global. Debido a variaciones en la iluminacin y otros efectos, la mscara podra tener ms de un hoyo negro en el interior del robot, por ello se incluye un algoritmo de pre procesamiento de la mscara, que consiste en la operacin morfolgica open, con el propsito de eliminar otros hoyos. 2.3 Reconocimiento de Obstculos El reconocimiento de los obstculos en el espacio de trabajo del robot se basa en un esquema paralelo de deteccin de bordes, mediante el operador gradiente de Sobel, y un algoritmo de umbralizacin para separar a los objetos del fondo de la imagen, basado en el mtodo de Otsu. El resultado se consigue como el OR lgico de los resultados de cada tcnica, logrando as solventar errores de alguno de los algoritmos. La deteccin de bordes trabaja sobre el gradiente de la imagen f(x, y), siendo por ello un procedimiento sensible a cambios abruptos en la imagen, mientras que la segmentacin de Otsu se enfoca en la frecuencia en la que pixeles con intensidades similares parecen espacialmente conectados en la imagen. Por lo tanto, el detector de bordes tiene un desempeo pobre en las zonas de la imagen que aparecen difuminadas, mientras que la segmentacin presentar mejores resultados en este caso. Por el contrario, el mtodo de Otsu falla si el objeto

Este operador tiene la propiedad de actuar como un supresor de ruido, lo cual resulta muy conveniente. El resultado es una imagen en escala de grises que representa la intensidad de los bordes, la cual se somete a un umbral para obtener una imagen binaria que identifica los bordes, como la mostrada en la Fig. 2.9 (b). 2.3.3 Procesamiento de la Imagen El resultado del detector de bordes se superpone con el resultado del mtodo de Otsu, usando el operador lgico OR. Luego, se utiliza la operacin morfolgica open para expandir los bordes y areas, de tal manera que se conecten, en aquellos casos en los que quedaron separados luego del OR. El resultado de esta operacin se muestra en la Fig. 2.9 (d). En la mscara de los obstculos hay pixeles que corresponden al robot, los cuales son removidos utilizando la informacin de la Mscara de Mahalanobis de la Fig. 2.9 (e), para finalmente obtener la mscara de los obstculos de la Fig. 2.9 (f). Una vez que se obtienen las mascara del robot y de los obstculos, el sistema calcula el rectngulo de menor rea que los envuelve por completo. Todo el sistema fue implementado en MatLab y Simulink, obteniendo un tiempo de procesamiento que vara de 0.8sec a 1.2sec por imagen.

Figura 2.11: Correlacin cruzada

3. TRABAJOS FUTUROS En el rea de Visin Artificial se propone continuar con el estudio y desarrollo de tcnicas de procesamiento de imgenes, aplicadas a la solucin de diferentes problemas en robtica, tales como: Visin global del espacio de trabajo del robot y extraccin de informacin relevante. Algunos puntos a desarrollar en el futuro son la calibracin de la cmara y extensin de los algoritmos para robtica cooperativa con deteccin de varios robots. Visin Estereoscpica.

Figura 2.9: Resultados globales del SVA. (a) Vista del espacio de trabajo. (b) Mscara de bordes por el mtodo Sobel. (c) Mascara de objetos por el mtodo de Otsu. (d) Resultado de aplicar la operacin open a la imagen (b)OR(c). (e)Mascara de Mahalanobis para el robot. (f)Mscara de obstculos (d) despus de remover los pixeles del robot.

2.4 Propuesta para Condiciones de Iluminacin Extremas Un esquema para la deteccin del robot que permite ampliar el rango de accin del plateado anteriormente, es incorporar reconocimiento de patrones por correlacin cruzada, en paralelo con el clculo de la distancia de Mahalanobis. El resultado se puede representar como una balanza en la que el mtodo de Mahalanobis ofrece mejores resultados en condiciones medias de iluminacin, mientras que la correlacin es ms eficiente en condiciones extremas. Esto se ilustra en la Fig.2.10. La correlacin cruzada se hace ms eficiente al utilizarla sobre la deteccin de bordes. As, la correlacin se efecta entre una plantilla de los bordes del robot, y la imagen producto del detector de bordes de Sobel, como la mostrada en la Fig.2.11(a), obteniendo el resultado mostrado en la Fig.2.11(b), donde el punto ms claro representa la correlacin ms alta, y por tanto la ubicacin del robot.

4. REFERENCIAS BIBLIOGRFICAS [1] Y. Bekey, G.; Junku. The status of robotics. IEEE Robotics and Automatitation Magazine, 15, March 2008. [2] I. R. Siegwart, R.;Nourbakhsh. Autonomous Mobile Robots. The MIT Press, 2004. [3] R. Li, P.Y.; Horowitz. Passive velocity field control of mechanical manipulators. IEEE Trans. on Robot. and Automat., 15(4):751-763, 1999. [4] R. Li, P.Y.; Horowitz. Passive velocity field control (pvfc): Part i - geometry and robustness. IEEE Trans. on Robot. and Automat., 46(9):13461359, 2001. [5] R. Li, P.Y.; Horowitz. Passive velocity field control (pvfc): Part ii - application to contour following. IEEE Trans. on Robot. and Automat., 46(9):1360-1371, 2001. [6] T.; Hu G.; Crane-C. Dixon, W. E.; Galluzo. Adaptive velocity field control of a wheeled mobile robot. In Proc. Int. Work. on Rob. Mot. and Cont., pages 145-150, June 2005.

Figura 2.10: Efecto balanza entre mtodos de reconocimiento de patrones

[7] J. H. Yamakita, M.; Suh. Adaptive generation of desired velocity field for leader-follower type mobile robots with decentralized pvfc. In Proc. IEEE Int. Conf. on Robot. and Automat.,pages 3495-3501, Seoul, Korea, May 2001. [8] Kelly, R.; Sanchez, V.; Bugarin, E.; Rodriguez, H. A fixed - camera controller for visual guidance of mobile robots via velocity fields. In Proc. IEEE Conf. on Robot. and Automat., pages 3137-3142, Barcelona, Spain, April 2005. [9] J. M Bolanos; G. Fernandez-Lopez y J. C. Grieco. W. Medina-Melendez; L. Fermn. Velocity field angle control of wheeled robots. In Proceedings of the 9th International Conference on Artificial Intelligence and Soft Computing (ICAISC 2008), Zakopane, Polonia, September 2006. [10] R. Gonzalez, R.; Woods. Digital Image Processing. Prentice Hall, 3 edition, August 2007. [11] P. Mahalanobis. On the generalized distance in statistics. Proceedings of the National Institute ofScience, 2:49-55, 1936. [12] H. Chengjun Liu; Wechsler. A shape - and texture - based enhanced fisher classifier for face recognition. IEEE Transactions on Image Processing, 10(4):598-608, 2001. [13] N.W.; Vixie K.R.; Wohlberg B.E. Fraser, A.M.; Hengartner. Incorporating invariants in mahalanobis distance based classifiers: application to face recognition. volume 4, pages 3118-3123, Portland, U.S.A., July 2003. [14] M. Partridge, M.; Jabri. Face recognition using a new distance metric. volume 2, pages 584-593, 2000. [15] M.B.; Pointet A.; Cammoun L.; Caloz R.; Thiran J. Ph. Gigandet, X.; Cuadra. Region -based satellite image classification: method and validation. In IEEE Int. Conf. on Image Processing, volume 3, pages 832-835, Genoa, Italy, September 2005.