[發(fā)明專利]一種基于尺度不變特征極限學(xué)習(xí)機的機器人場景識別方法

有效

• 申請?zhí)枺?/td>: 201510081168.4
• 申請日: 2015-02-13
• 公開（公告）號: CN104700078B
• 公開（公告）日: 2018-06-08
• 發(fā)明（設(shè)計）人: 盧濤;楊威;張彥鐸;李曉林;萬永靜;余軍;魯統(tǒng)偉;閔鋒;周華兵;朱銳;李迅;魏運運;黃爽;段艷會;張玉敏
• 申請（專利權(quán)）人: 武漢工程大學(xué)
• 主分類號: G06F17/10
• 分類號: G06F17/10;G06K9/00;G06K9/62
• 代理公司: 湖北武漢永嘉專利代理有限公司 42102
• 代理人: 唐萬榮

1.一種基于尺度不變特征極限學(xué)習(xí)機的機器人場景識別方法，其特征在于，包括以下步驟:

步驟S1，圖像預(yù)處理；

對原始場景圖像進(jìn)行校準(zhǔn)，增強以及歸一化工作，得到尺寸一致，灰度值取值范圍相同的標(biāo)準(zhǔn)化圖像集；

所述原始場景圖像包括場景的注冊庫圖像和測試圖像，其中場景注冊庫包括針對不同的場景預(yù)先采集的多張圖像，用于學(xué)習(xí)碼本和訓(xùn)練極限學(xué)習(xí)機，測試圖像是采集用來測試識別算法的圖像；

步驟S2，對注冊庫圖片進(jìn)行尺度不變特征轉(zhuǎn)換，包括構(gòu)造尺度空間；確定關(guān)鍵點；對關(guān)鍵點進(jìn)行精確定位；確定尺度不變特征描述向量；

合并所有訓(xùn)練圖片的尺度不變特征描述向量構(gòu)成新的矩陣；

步驟S3，對矩陣進(jìn)行聚類處理，確定聚類中心的個數(shù)，得到用聚類中心構(gòu)建而成的碼本；

步驟S4，對場景圖片進(jìn)行尺度不變特征轉(zhuǎn)換，將該尺度不變特征描述向量向碼本做映射，得到其特征系數(shù)；對各個特征系數(shù)進(jìn)行標(biāo)簽分類后得到相應(yīng)的碼本系數(shù)矩陣；

步驟S5，利用碼本系數(shù)矩陣訓(xùn)練建立基于極限學(xué)習(xí)機的神經(jīng)網(wǎng)絡(luò)，對極限學(xué)習(xí)中節(jié)點個數(shù)參數(shù)進(jìn)行優(yōu)化設(shè)置，通過隨機初始化網(wǎng)絡(luò)的輸入權(quán)值以及隱元的偏置，得到隱層輸出矩陣；

步驟S6，輸入測試場景圖像的碼本系數(shù)矩陣，利用極限學(xué)習(xí)機的優(yōu)化參數(shù)預(yù)測輸出場景圖像的類別屬性，完成場景識別過程。

2.根據(jù)權(quán)利要求1所述的識別方法，其特征在于，所述步驟S2中具體如下：

取訓(xùn)練單張圖片，

S2.1)首先利用高斯核的卷積來生成構(gòu)建尺度空間：

L(x,y,σ)＝G(x,y,σ)*I(x,y) (1)

式中(x,y)表示空間坐標(biāo)，σ表示尺度坐標(biāo)；L(x,y,σ)為高斯核的尺度表達(dá)式，G(x,y,σ)為高斯核，I(x,y)為輸入的圖像；

為了在尺度空間中關(guān)鍵點的有效性，建立高斯差分尺度空間DOG；

D(x,y,σ)＝(G(x,y,kσ)-G(x,y,σ))*I(x,y)＝L(x,y,kσ)-L(x,y,σ) (2)

S2.2)對關(guān)鍵點進(jìn)行定位；將空間尺度函數(shù)泰勒展開

求導(dǎo)并令其為0，得到精確位置

S2.3)將得到的關(guān)鍵點進(jìn)行進(jìn)一步篩選：

S2.3.1)去除對比度低的點：將公式(4)帶入(3)，在DOG空間極值處D(x)去前兩項得若則保留特征點；

S2.3.2)通過Hessian矩陣求出主曲率；Hessian矩陣D為高斯差分函數(shù)，利用采樣點相鄰差估法得到D的導(dǎo)數(shù)，求出H的特征值就能得到D的主曲率，從而去除不穩(wěn)定的邊緣響應(yīng)；

S2.4)確定關(guān)鍵點后，求關(guān)鍵點的位置尺度信息；采用梯度模值和梯度方向的計算公式；

θ(x,y)＝tan^-1((L(x,y+1)-L(x,y-1))+(L(x+1,y)-L(x-1,y))) (6)

m(x,y)，θ(x,y)梯度范圍是0～2π，設(shè)定每10度一個柱，共36個柱，直方圖中能量最高的柱子對應(yīng)的方向為關(guān)鍵點的主方向；能量達(dá)到主峰能量的80％的峰的方向作為該關(guān)鍵點的輔方向；

S2.5)將關(guān)鍵點附近領(lǐng)域的高斯圖像梯度統(tǒng)計結(jié)果表示成一個矢量，即為單張圖片尺度不變特征描述向量，將所有訓(xùn)練圖片的尺度不變特征描述向量聚集成為新的矩陣M。