Sistema de Visión Artificial
Marcos Iglesias García
Ingeniería en Telecomunicaciones
5º Curso
Universidad Carlos III
Madrid, Spain
marcos.iglesias@alumnos.uc3m.es
Este documento presenta un sistema
completo de visión artificial desarrollado e
implementado para el reconocimiento y detección de
obstáculos de un robot móvil. Dicho sistema integra
métodos de segmentación estadística con filtrado en
frecuencia para conseguir independencia respecto a
la luminosidad.
El sistema propuesto determina la posición
y orientación del robot móvil usando patrones de
coincidencia basados en la segmentación del color
mediante el uso de distancias de Mahalanobis. Al
mismo tiempo sitúa en el espacio el resto de
obstáculos que forman su entorno usando un
esquema paralelo basado en el detector de bordes
Sobel y en el método de determinación de umbrales
de Otsu.
1. INTRODUCCIÓN
El campo de la robótica abarca un
amplio espectro de aplicaciones, entre las cuales
figuran diseños para robots móviles terrestres,
acuáticos, aéreos y espaciales. Gran parte de las
investigaciones hoy en día están enfocadas en
técnicas de navegación autónoma, tal como se
desprende del último reporte sobre el estado del
arte en robótica elaborado por el World
Evaluation Technology Center [1], en el cual
se destacan sistemas robóticos autónomos
diseñados en Universidades y Centros de
Investigación alrededor del mundo.
En el caso de robots móviles, los
procesos de cognición asociados a la
planificación de los movimientos, son
competencia del control de navegación [2].
Dada una información local o global del
ambiente que rodea al robot, y la misión que
este debe cumplir, el control de navegación es
un módulo encargado de tomar decisiones
acordes con esta información y alcanzar el
objetivo de la forma más segura y optima
posible.
En robótica móvil existe una fuerte
corriente de investigación dedicada a
algoritmos y sistemas de navegación autónoma,
tanto en ambientes estructurados como en
terrenos desconocidos, que abarca el estudio de
técnicas que versan sobre fusión sensorial,
visión artificial, sistemas cooperativos, manejo
en tiempo real de eventos aleatorios, sistemas
Alejandro Lorenzo Prada
Ingeniería en Telecomunicaciones
5º Curso
Universidad Carlos III
Madrid, Spain
alejandro.lorenzo@alumnos.uc3m.es
de comunicaciones, sistemas mecánicos
adaptados a los terrenos y una infinidad de
tópicos que deben ser estudiados a fondo para
lograr la independencia de un sistema robótico.
El control de navegación trata precisamente de
integrar todos estos tópicos para lograr la
planificación de trayectorias, en función del
ambiente real y la misión del robot [2]. En este
sentido, el mayor logro en robótica móvil 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
navegación más avanzados que se ha
desarrollado. Este sistema contempla la
planificación de la trayectoria a seguir por el
robot en base a la información obtenida por
diversos sensores, entre los cuales destacan dos
pares de visión estereoscópica. La información
recolectada es procesada por el módulo de
control de navegación diseñado para calcular la
trayectoria del robot, protegiéndolo de
situaciones de riesgo, tales como pendientes
excesivas, huecos o rocas, y generando la
trayectoria óptima para el robot, en términos de
seguridad y alcance de los objetivos.
Figura 1.1. Robot móvil quasi-autonomo desarrollado por la
NASA: Spirit
Entre la gran diversidad de técnicas
desarrolladas para la navegación autónoma,
podemos encontrar el método de navegación
por campos de velocidades, el cual fue in-
troducido por Horowitz [3] [4] [5] para el
control de manipuladores, y luego fue
extendido para el caso de robots móviles. El
control de navegación por campos de veloci-
dades consiste en asignar un vector, en
términos de módulo y ángulo, a cada punto del
espacio de trabajo del robot, para así especificar
la tarea del robot a través de la velocidad y de los problemas tratados en este trabajo, y
orientación que este debe seguir en función de cuya integración modular permite la
su posición. Es de notar que esta técnica implementación completa del sistema de
elimina la dependencia temporal, y que el control.
control de movimiento se ejecuta sólo en
términos de las velocidades lineal y angular del
robot.

1.1 Antecedentes y Justificación

El uso de campos de velocidades como

referencias para controladores es un tópico 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 ángulo del vector, y la de
seguimiento de su magnitud.
La separación del problema principal
de control por campos de velocidades en dos Figura 1.2: Representación del espacio de trabajo del robot, sus
dimensiones, y ubicación de la cámara
sub-problemas totalmente independientes
permite al investigador plantear e integrar Por una parte, se presenta el problema
soluciones más sencillas para alcanzar el de la implementación de la solución en
objetivo final de hacer control por campos de Hardware y Software, la cual debe cumplir con
velocidades. los requerimientos y limitaciones que puedan
Los trabajos realizados hasta el tener las condiciones inherentes al espacio de
momento en generación de campos de veloci- trabajo así como el robot móvil; mientras que
dades, contemplan campos con velocidad por otra parte nos encontramos con el
constante, los cuales especifican la misión del problema objeto de estudio: el control del robot
robot móvil a través del ángulo de los vectores. móvil usando campos de velocidades como
Por ello es necesario desarrollar un sistema de referencia, y realimentación visual.
generación de campos de velocidades que
contemple la generación del modulo de la ve-
locidad, para ser utilizada como referencia del
sistema de control, junto con la referencia de
ángulo.
Se ha llegado a desarrollar el control
de ángulo de un robot móvil desplazándose a
velocidad constante en el trabajo de Medina-
Meléndez [9], dejando la puerta abierta para el
desarrollo de un sistema de control del modulo
de la velocidad.
Por otra parte, en el área de visión, se
plantea desarrollar los primeros pasos para
Figura 1.3: Desglose de los problemas a tratar
pasar de un sistema de visión artificial en
blanco y negro a un sistema de visión a color. Este es un esquema clásico de control,
en el cual encontramos tres partes principales:
1.2 Descripción del Problema
La Referencia. Se toman como
El presente trabajo plantea el diseño e referencia campos de velocidades, que a través
implementación de un sistema de control por de un vector asignado para cada punto del
campos de velocidades, usando realimentación espacio, especifica tanto el modulo de la
visual. El espacio de trabajo del robot móvil velocidad como el ángulo que el robot debe
está definido como una superficie rectangular, seguir. La generación de dichas referencia
sobre la cual se ubica una cámara con capacidad constituye uno de los módulos del sistema.
de tomar una imagen del espacio completo. Una El Controlador. Se plantea el control
representación posible del espacio se ilustra en en dos niveles: un control de navegación
la Fig.1.2. relacionado directamente con los campos de
La implementación de un sistema de velocidades en modulo y ángulo, y un control
control por campos de velocidades en el ámbito de bajo nivel, cuyo objetivo es controlar las
previamente descrito, requiere la integración de velocidades lineal y angular del robot móvil,
diversos módulos, los cuales pueden ser empleando dos controladores PID.
tratados como problemas independientes. En la
Fig.1.3 se encuentra un desglose de alto nivel
 La Realimentación. Consiste en un
sistema de visión artificial (SVA) capaz de
reconocer al robot y calcular su posición y
orientación, así como detectar obstáculos en el
espacio de trabajo, indicando sus posiciones y
dimensiones. El sistema de visión artificial
interactúa con el control de navegación,
mientras que el control de bajo nivel cuenta con
realimentación por medición de velocidad a
través de enconders. La información propor-
cionada por el SVA también se utiliza en la
generación de los campos de velocidades.
1.3 Objetivos
Figura 1.4: Diagrama de Bloques del Sistema Propuesto
Implementar un sistema de control por
campos de velocidades para la plataforma
robótica móvil realimentado por un sistema de
visión artificial.

1.4 Planteamiento de la Solución

El control del robot móvil 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 navegación,
constituido por las tareas de planificación, 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
implementación del sistema de control con
realimentación visual.
El sistema de visión artificial tiene
como objetivo determinar la posición y
orientación del robot móvil, así como la
ubicación y dimensiones de los obstáculos. Se
propone utilizar un esquema combinado de
técnicas de procesamiento de imágenes que
permitan alcanzar el objetivo, buscando
siempre la disminución de los tiempos de
procesamiento requeridos por los algoritmos.
El reconocimiento del robot está basado en la
segmentación de la imagen en el espacio de
prominencia, utilizando la Distancia de
Mahalanobis, mientras que la detección de
obstáculos se logra mediante segmentación en
el plano de luminancia, aplicando el método de
Otsu. Ambos métodos son estadísticos,
característica que se aprovecha con el objetivo
de lograr independencia del nivel de
iluminación. En la Fig.1.5 encontramos un
resumen de las técnicas utilizadas en el SVA.
2. SISTEMA DE VISION ARTIFICIAL
En esta sección se presenta el
desarrollo e implementación de un Sistema de
Visión Artificial (SVA) para el reconocimiento
del robot móvil y la detección de obstáculos en
la superficie de trabajo. Se desarrollan los
fundamentos teóricos de procesamiento de
imágenes utilizados en el diseño del SVA, al
tiempo que se describen cada una de las etapas
del sistema implementado.
Figura 1.5: Resumen SVA
2.1 Algoritmo del Sistema de Visión
Artificial
El ambiente de trabajo del robot es
una superficie rectangular con objetos distribui-
dos de manera aleatoria, como se muestra en la
Fig. 1.2, en la que el robot debe ejecutar tareas
de manera automática especificada a priori a
través de un campo de velocidades. Sistemas
robóticos similares se han propuesto
anteriormente en [8].
Un problema bien conocido en el
procesamiento de imágenes de ambientes reales
es el generado por los cambios de iluminación,
más aún si se trabaja con procesamiento a color.
Como puede notarse de la Fig. 1.2, existen
sombras, efectos de reflexión, y otros efectos
que varían con el tiempo que son difíciles de
predecir. La propuesta para resolver este
problema es el uso de un esquema paralelo de
detección entre algoritmos con poca
dependencia de la iluminación.
El sistema de visión se puede dividir
en bloques con tareas específicas, como se
ilustra en la Fig. 2.1. El primer paso en este
diagrama de bloques es la adquisición de la
imagen, seguido del acondicionamiento inicial
de esta, que elimina ruido a través de un filtro
mediana y realiza la conversión de espacio de
color de RGB (formato de la cámara 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

construye evaluando la expresión (2.2) para

Existen dos grandes bloques
principales: uno dedicado al reconocimiento del
robot móvil, y otro responsable de la detección
de los obstáculos en el espacio de trabajo.
Ambos están constituidos por varios procesos
organizados en serie y en paralelo, tal como se
observa en la Fig. 2.1.
2.2 Reconocimiento del Robot Móvil
El reconocimiento del robot se realiza
a través de la segmentación de la imagen a
color, el cual es un proceso que divide la imagen
en regiones que obedecen a un patrón de color
común [10]. La idea principal es que teniendo
conocimiento previo del patrón de color del
robot, es posible construir una máscara binaria
que indique los pixeles de la imagen que
corresponden al robot. El mayor problema
asociado a estos sistemas de segmentación, es la
variación en la iluminación de la escena,
reflexiones imprevistas, imágenes mal
enfocadas, sombras y otros efectos que
continuamente y de manera aleatoria alteran la
intensidad de luz adquirida por la cámara. La
propuesta para lidiar con este problema es
realizar la segmentación utilizando la métrica
de Mahalanobis, ya que esta considera
variaciones estocásticas del patrón a segmentar.
2.2.1 Segmentación por color utilizando la
Distancia de Maha-lanobis
El procedimiento más común utilizado
para realizar la segmentación por color de una
imagen, es el cálculo de la Distancia Euclídea
n-dimensional entre las intensidades de un
píxel 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.
cada pixel de la imagen.
Sin embargo, este método tiene una
desventaja que radica en el hecho de que todas
las componentes de color son tratadas de la
misma manera, despreciando así la posibilidad
de que cada una de ellas pueda tener diferentes
patrones de distribución. Esto se hace claro al
recordar que el lugar geométrico de la distancia
euclidia constante es una esfera en el espacio
RGB, o una circunferencia en 2D, por lo que
todas las componentes deberían distribuirse de
la misma manera en todas las direcciones para
que esta métrica sea efectiva.
En el contexto de este problema surge
el uso de otra métrica: la distancia de Maha-
lanobis, la cual fue introducida por Prasanta
Mahalanobis en 1936 [11] como una
generalización 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). Éste
método aparece en la bibliografía aportada,
[12] [13], obteniendo resultados con una tasa
de error alrededor del 2.4 % [14], así como en
análisis de imágenes satelitales [15],
exhibiendo una buena efectividad en esta tarea
y mostrando el uso potencial de esta técnica
como clasificador en otras tareas automáticas,
como realimentación visual para un sistema de
control.
La matriz de covarianza está 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 región segmentada. Usando el
espacio de color RGB, la máscara binaria se
2.2.2 Selección del Espacio de Color

En primera instancia es necesario

seleccionar el espacio de color y el modelo
estadístico del color i.e. y ). Se desarrolla un
modelo estadístico 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
información de color de la información de De (2.8) puede notarse que
iluminación. La iluminación queda contenida en constante describe una elipse centrada en
el canal Y, mientras que la información de color , cuyo eje mayor y menor forman un
está representada en los planos Cb y Cr, por lo
que la segmentación de color se puede realizar ángulo θ con los ejes cartesianos, siendo θ el
en un espacio bidimensional, y no ángulo especificado por (2.9). Los ejes de la
tridimensional como sería necesario en el caso elipse representan las componentes principales
de RGB. de la muestra de color.
En este modelo de color, cuando
ocurren variaciones en la iluminación 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. 2.2.3 Cálculo de la Media y de la Matriz de
Covarianza
La conversión de RGB a YCbCr es una
combinación lineal establecida por el conjunto En vista de la definición dada por (2.4),
de ecuaciones (2.5). la matriz de covarianza en el espacio de
prominencia CbCr se presenta en (2.10),

Los valores de la matriz A son i.e. una matriz cuadrada con las varianzas de las
especificados por el estándar Rec. 601 (SDTV), variables en la diagonal principal, y las
y se encuentran en (2.6). covarianzas cruzadas en la diagonal inversa.
Claramente, estas variables son en este caso la
prominencia azul y la roja.
La matriz de covarianza (2.11) es
Las componentes de prominencia Cb y siempre simétrica porque
Cr son usadas en el cálculo de la distancia de y como consecuencia también lo es.
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
Con el objetivo de calcular ,
en
se elaboró una muestra de pixeles extraídos de
fotos de la superficie de robot bajo diferentes
condiciones de iluminación. En la Fig. 2.3 se
donde es una matriz de dimensiones 2 x 2. encuentra la muestra en color, así como sus
En general, al trabajar con un espacio de color componentes Y, Cb y Cr.
n-dimensional, la matriz de covarianza tiene Para esta muestra, los resultados
dimensiones n x n. Esto puede interpretarse de obtenidos se presentan en (2.12).
(2.4) ó (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 valiéndonos del
hecho que (como se muestra más
adelante), (2.7) puede reescribirse como (2.8),
 Figura 2.2: Cálculo distancia de Mahalanobis. Simulink

Mahalanobis como métrica para la

segmentación de estas variables.

Figura 2.3: Muestra de colores de la superficie del robot bajo

diferentes condiciones de iluminación, usada para el cálculo de E, Figura 2.4: Distribución bivariada de la crominancia roja y azul
y las medias de Cb y Cr de la muestra de colores

2.2.4 Umbral de Distancia La máscara de Mahalanobis se somete

El criterio para construir la máscara
binaria es evaluar la expresión (2.7) para cada
pixel y aplicar un umbral como el indicado por
(2.13).
El umbral se debe seleccionar en
función de la distribución de las componentes
de prominencia. La Fig. 2.4 muestra esta
distribución para la muestra de pixeles de la
Fig. 2.3, con algunas elipses (formando un
ángulo con el eje horizontal)
para diferentes umbrales.
Es importante destacar que la
distribución espacial de las componentes Cb y
Cr conforma una elipse, mostrando así la
conveniencia del uso de la distancia de
al umbral seleccionado, y luego es procesada
para eliminar ruido y homogeneizar la imagen
aplicando la operación de closing. El diagrama
de bloques en SIMULINK del procesamiento de
la máscara se muestra en la Fig.2.5.
Una máscara obtenida
experimentalmente se muestra en la Fig. 2.6,
donde puede observarse que el resultado es
muy preciso, inclusive en aquellas zonas con
iluminación irregular, como las ruedas y los
bordes.
La máscara calculada a través de
segmentación en base a la distancia de Maha-
lanobis es independiente del color del fondo y
de sus características visuales, hecho que
representa una característica valiosa en
aplicaciones robóticas.

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


Figura 2.6: Máscara del robot obtenida usando la distancia de
Mahalanobis
2.2.5 Análisis de la Imagen
Es necesario extraer información de la
imagen para obtener la posición y orientación
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 posición del robot, y
un sistema local móvil atado al robot, utilizado
para determinar su orientación.
La posición del robot se calcula como
el centroide de los pixeles positivos en la
máscara del robot, medido en pixeles. La
orientación se determina construyendo un seg-
mento de recta, que une el centroide del robot y
el centroide de hoyo negro ubicado en la parte
trasera del robot. La orientación se mide como
el ángulo que forma este segmento de recta con
el eje x global.
Debido a variaciones en la iluminación
y otros efectos, la máscara podría tener más de
un hoyo negro en el interior del robot, por ello
se incluye un algoritmo de pre procesamiento
de la máscara, que consiste en la operación
morfológica open, con el propósito de eliminar
otros hoyos.
2.3 Reconocimiento de Obstáculos
El reconocimiento de los obstáculos en
el espacio de trabajo del robot se basa en un
esquema paralelo de detección de bordes,
mediante el operador gradiente de Sobel, y un
algoritmo de umbralización para separar a los
objetos del fondo de la imagen, basado en el
método de Otsu. El resultado se consigue como
el OR lógico de los resultados de cada técnica,
logrando así solventar errores de alguno de los
algoritmos.
La detección 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 segmentación 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 desempeño
pobre en las zonas de la imagen que aparecen
difuminadas, mientras que la segmentación
presentará mejores resultados en este caso. Por
el contrario, el método de Otsu falla si el objeto
se parece al fondo, sin embargo la identificación
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 dirección de los bordes
presentes en una imagen. Esto requiere el
cálculo 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 aproximación de estas derivadas
utilizando un kernel de dimensiones 3x3
convolucionado con la imagen, como se
muestra en (2.14).
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 método de Otsu,
usando el operador lógico OR. Luego, se utiliza
la operación morfológica open para expandir
los bordes y aéreas, de tal manera que se
conecten, en aquellos casos en los que quedaron
separados luego del OR. El resultado de esta
operación se muestra en la Fig. 2.9 (d). En la
máscara de los obstáculos hay pixeles que
corresponden al robot, los cuales son removidos
utilizando la información de la Máscara de
Mahalanobis de la Fig. 2.9 (e), para finalmente
obtener la máscara de los obstáculos de la Fig.
2.9 (f).
Una vez que se obtienen las mascara
del robot y de los obstáculos, el sistema calcula
el rectángulo de menor área que los envuelve
por completo.
Todo el sistema fue implementado en
MatLab y Simulink, obteniendo un tiempo de
procesamiento que varía de 0.8sec a 1.2sec por
imagen.

Figura 2.9: Resultados globales del SVA. (a) Vista del espacio de
trabajo. (b) Máscara de bordes por el método Sobel. (c) Mascara
de objetos por el método de Otsu. (d) Resultado de aplicar la
operación open a la imagen (b)OR(c). (e)Mascara de
Mahalanobis para el robot. (f)Máscara de obstáculos (d) después
de remover los pixeles del robot.
2.4 Propuesta para Condiciones de
Iluminación Extremas
Un esquema para la detección del
robot que permite ampliar el rango de acción
del plateado anteriormente, es incorporar
reconocimiento de patrones por correlación
cruzada, en paralelo con el cálculo de la
distancia de Mahalanobis. El resultado se puede
representar como una balanza en la que el
método de Mahalanobis ofrece mejores
resultados en condiciones medias de
iluminación, mientras que la correlación es más
eficiente en condiciones extremas. Esto se
ilustra en la Fig.2.10.
La correlación cruzada se hace más
eficiente al utilizarla sobre la detección de
bordes. Así, la correlación se efectúa 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 más claro representa la correlación más
alta, y por tanto la ubicación del robot.
Figura 2.10: Efecto balanza entre métodos de reconocimiento de
patrones
Figura 2.11: Correlación cruzada
3. TRABAJOS FUTUROS
En el área de Visión Artificial se
propone continuar con el estudio y desarrollo
de técnicas de procesamiento de imágenes,
aplicadas a la solución de diferentes problemas
en robótica, tales como:
Visión global del espacio de trabajo del
robot y extracción de información
relevante. Algunos puntos a desarrollar en
el futuro son la calibración de la cámara y
extensión de los algoritmos para robótica
cooperativa con detección de varios
robots.
Visión Estereoscópica.
4. REFERENCIAS BIBLIOGRÁFICAS
[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):1346-
1359, 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.
[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 Bolanños; G. Fernóandez-Loópez y J. C.
Grieco. W. Medina-Melóendez; L. Fermón.
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. Gonzóalez, 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.