[發明專利]基于ESN神經網絡的移動機器人場景識別方法

有效

• 申請號: 201810028630.8
• 申請日: 2018-01-10
• 公開（公告）號: CN108256463B
• 公開（公告）日: 2022-01-04
• 發明（設計）人: 苑晶;楊少坤;董星亮;孫沁璇
• 申請（專利權）人: 南開大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 天津市北洋有限責任專利代理事務所 12201
• 代理人: 杜文茹

一種基于ESN神經網絡的移動機器人場景識別方法：從構成場景的圖像序列中，提取ORB特征點，再從提取到的ORB特征點中，提取PIRF特征點；對從圖像序列中提取的PIRF特征點，使用詞袋模型建立詞袋碼本，使用詞袋碼本為圖像序列中的每幅圖像計算編碼向量；構建ESN神經網絡，以每幅圖像的編碼向量作為ESN神經網絡的輸入，在線訓練ESN神經網絡，根據輸出結果識別和提取圖像序列中的場景信息。本發明以場景中的動態物體對場景識別帶來的隨機性，對于高動態環境有很強的適應性。本發明大大減小了搜索規模和難度，提高了搜索和識別的效率。本發明有很好的適用性，可以方便有效地完成場景序列的識別和分類，保證識別的準確性同時，提高了識別速度。

技術領域

本發明涉及一種移動機器人場景序列識別方法。特別是涉及一種基于ESN神經網絡的移動機器人場景識別方法。

背景技術

基于視覺的場景識別是指機器人利用視覺傳感器所采集到的圖像，讓機器人判斷和識別出當前所處的場景是否曾經經過的過程。在眾多基于視覺的場景識別算法中，所識別的場景是單一的一副圖像，也就是對圖像與圖像之間進行匹配，進而完成識別。為了解決這個問題，人們往往從這兩個方面入手：第一設計具有區分性的圖像特征，比如SURF、SIFT、MLSD等描述子；第二設計識別匹配的策略，比如最近鄰、概率模型，HMM等。雖然這些方法在一定程度上實現了場景的識別與匹配，但是由于環境的多變性，機器人運動等因素的影響，而產生大量的誤識別的情況。比如，機器人連續采集的若干幅圖像，由于機器人運動速度的原因導致采集的圖像都極為相似，這種情況往往對識別造成了很大影響。這也間接的表明了單一圖像的局限性。

實際上機器人所經過的“場景”并非單一圖像所刻畫的，是由連續的一組描述具有相同內容的圖像序列描述的，我們將其定義為“場景序列”。

為了實現基于場景序列的場景識別，要解決的問題一共有三個：一是如何描述和表征一幅圖像；二是如何劃分出場景序列；三是如何實現場景序列的匹配。本文也將從這三個方面展開研究，

基于視覺的場景識別算法在近年來倍受人們的關注，不僅僅是因為視覺傳感器的價格低廉，更是因為由視覺傳感器所采集到的圖片往往包含了豐富的信息。與此同時，隨著數字圖像處理領域的算法日益成熟，其在機器人的場景識別這個應用也廣泛受到人們的研究。

從特征的角度來看,Jin Han Lee使用了一種名為MLSD的直線描述子，利用詞袋模型，構造圖像特征；并根據圖像的相似度篩選出若干候選圖像；最后利用描述子空間變換的匹配思想完成細粒度的匹配。Roberto Arroyo1設計并改進了原始的LDB特征，將其命名為D-LDB，由于這種特征具有一定程度的區分性，進而提升了場景識別的準確性。

從模型的角度來看，Mark Cummins使用貝葉斯概率模型來計算新的圖片與已有的圖片之間的概率值，并通過概率值來完成場景的識別。Elena Stumm則利用信息檢索的模型來完成圖像的匹配與識別。

不同于上面單一圖像層次的逐一匹配，Michael Milford等人將單一圖像的匹配，轉化為圖像序列的匹配。通過建立圖像與圖像之間的相似度矩陣來挖掘出當前序列與模板序列的匹配程度，即尋找一條最優的匹配路徑。最終的匹配結果仍然是尋找兩個圖像序列中一一匹配的圖像對。該類算法的實驗室數據集本身即為很多段不同的圖像序列，并不需要對整個數據集進行場景序列的劃分，也因此一定程度的回避了場景序列劃分的問題。

然而這些算法的本質均是在圖像的粒度上進行場景的識別。即使考慮了序列的信息，也是將序列的匹配轉化為圖像與圖像之間匹配的問題上。

發明內容

本發明所要解決的技術問題是，提供一種能夠在保證識別的準確性同時，提高了識別速度的基于ESN神經網絡的移動機器人場景識別方法。

本發明所采用的技術方案是：一種基于ESN神經網絡的移動機器人場景識別方法，包括如下步驟：