[發明專利]一種基于尺度不變特征極限學習機的機器人場景識別方法

有效

• 申請號: 201510081168.4
• 申請日: 2015-02-13
• 公開（公告）號: CN104700078B
• 公開（公告）日: 2018-06-08
• 發明（設計）人: 盧濤;楊威;張彥鐸;李曉林;萬永靜;余軍;魯統偉;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）人: 武漢工程大學
• 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

本發明公開了一種基于尺度不變特征極限學習機的機器人場景識別算法，該方法包括以下步驟:首先，利用尺度不變特征表達機器人視覺圖像的場景，其次使用K均值聚類算法實現機器人場景圖像表達碼本，最后利用極限學習機算法建立機器人視覺場景圖像和場景標簽之間的映射關系。本方法利用了極限學習機的優點，降低了傳統神經網絡的參數估計和優化的復雜度，進一步縮短了訓練時間和提高了機器人場景圖像的識別率。

技術領域

本發明涉及圖像識別技術領域，尤其涉及一種基于尺度不變特征極限學習機的機器人場景識別方法。

背景技術

視覺是人類觀察世界和了解世界最直觀有效的方式，機器人視覺模擬人類視覺的功能，從一幅或者多幅圖像中來感知和認識外界世界。對圖像中的場景進行識別作為機器人視覺領域的重要組成部分，一直都受到許多研究人員的重點關注。近年來，機器人的場景識別技術已在公安部門刑偵系統，醫學圖像處理，3D建模，工業檢測等領域得到廣泛應用。

機器人場景識別應用技術就是給出一幅輸入場景圖像，識別出其在注冊過的場景類別信息。利用電子設備得到場景圖像后，由于圖像原始維數較大，且存在冗余信息，我們不能直接對圖像進行識別匹配。因此，我們必須進行對圖像進行特征提取，最后利用一定的分類方法與數據庫進行匹配，得到識別結果。簡單來說，機器人場景識別的整個過程可以分為三個階段：圖像的前處理，圖像的特征提取和圖像的識別。

發明內容

本發明要解決的技術問題在于針對現有技術中的缺陷，提供一種基于尺度不變特征極限學習機的機器人場景識別方法。

本發明解決其技術問題所采用的技術方案是：

基于尺度不變特征極限學習機的機器人場景識別方法,包括以下步驟:

步驟S1，圖像預處理；

對原始場景圖像進行校準，增強以及歸一化等工作，得到尺寸一致，灰度值取值范圍相同的標準化圖像集；

所述原始場景圖像包括場景的注冊庫圖像和測試圖像，其中場景注冊庫主要是不同的場景預先采集的多張圖像，用于學習碼本和訓練極限學習機，測試圖像是采集用來測試識別算法的圖像；

步驟S2，對注冊庫圖片進行尺度不變特征轉換，包括構造尺度空間；確定關鍵點；對關鍵點進行精確定位；尺度不變特征描述向量；

合并所有訓練圖片的尺度不變特征描述向量構成新的矩陣；

步驟S3，對矩陣進行聚類處理，確定聚類中心的個數，得到用這些聚類中心構建而成的碼本；

步驟S4，對場景圖片進行尺度不變特征轉換，將該特征向量向碼本做映射，得到其特征系數；對各個特征系數進行標簽分類后得到相應的碼本系數矩陣；

步驟S5，利用碼本系數矩陣訓練建立基于極限學習機的神經網絡，對極限學習中節點個數參數進行優化設置，通過隨機初始化網絡的輸入權值以及隱元的偏置，得到隱層輸出矩陣。

步驟S6，輸入測試場景圖像的碼本系數矩陣，利用極限學習機的優化參數預測輸出場景圖像的類別屬性，完成場景識別過程。

按上述方案，所述步驟S2)中具體如下：

取訓練單張圖片，

S2.1)首先利用高斯核的卷積來生成構建尺度空間：

L(x,y,σ)＝G(x,y,σ)*I(x,y) (1)

式中(x,y)表示空間坐標，σ表示尺度坐標；L(x,y,σ)為高斯核的尺度表達式，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鍵點的有效性，建立高斯差分尺度空間(DOG)；