[发明专利]一种基于尺度不变特征极限学习机的机器人场景识别方法

权利要求书

1.一种基于尺度不变特征极限学习机的机器人场景识别方法，其特征在于，包括以下步骤:

步骤S1，图像预处理；

对原始场景图像进行校准，增强以及归一化工作，得到尺寸一致，灰度值取值范围相同的标准化图像集；

所述原始场景图像包括场景的注册库图像和测试图像，其中场景注册库包括针对不同的场景预先采集的多张图像，用于学习码本和训练极限学习机，测试图像是采集用来测试识别算法的图像；

步骤S2，对注册库图片进行尺度不变特征转换，包括构造尺度空间；确定关键点；对关键点进行精确定位；确定尺度不变特征描述向量；

合并所有训练图片的尺度不变特征描述向量构成新的矩阵；

步骤S3，对矩阵进行聚类处理，确定聚类中心的个数，得到用聚类中心构建而成的码本；

步骤S4，对场景图片进行尺度不变特征转换，将该尺度不变特征描述向量向码本做映射，得到其特征系数；对各个特征系数进行标签分类后得到相应的码本系数矩阵；

步骤S5，利用码本系数矩阵训练建立基于极限学习机的神经网络，对极限学习中节点个数参数进行优化设置，通过随机初始化网络的输入权值以及隐元的偏置，得到隐层输出矩阵；

步骤S6，输入测试场景图像的码本系数矩阵，利用极限学习机的优化参数预测输出场景图像的类别属性，完成场景识别过程。

2.根据权利要求1所述的识别方法，其特征在于，所述步骤S2中具体如下：

取训练单张图片，

S2.1)首先利用高斯核的卷积来生成构建尺度空间：

L(x,y,σ)＝G(x,y,σ)*I(x,y) (1)

式中(x,y)表示空间坐标，σ表示尺度坐标；L(x,y,σ)为高斯核的尺度表达式，G(x,y,σ)为高斯核，I(x,y)为输入的图像；

为了在尺度空间中关键点的有效性，建立高斯差分尺度空间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)对关键点进行定位；将空间尺度函数泰勒展开

求导并令其为0，得到精确位置

S2.3)将得到的关键点进行进一步筛选：

S2.3.1)去除对比度低的点：将公式(4)带入(3)，在DOG空间极值处D(x)去前两项得若则保留特征点；

S2.3.2)通过Hessian矩阵求出主曲率；Hessian矩阵D为高斯差分函数，利用采样点相邻差估法得到D的导数，求出H的特征值就能得到D的主曲率，从而去除不稳定的边缘响应；

S2.4)确定关键点后，求关键点的位置尺度信息；采用梯度模值和梯度方向的计算公式；

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)梯度范围是0～2π，设定每10度一个柱，共36个柱，直方图中能量最高的柱子对应的方向为关键点的主方向；能量达到主峰能量的80％的峰的方向作为该关键点的辅方向；

S2.5)将关键点附近领域的高斯图像梯度统计结果表示成一个矢量，即为单张图片尺度不变特征描述向量，将所有训练图片的尺度不变特征描述向量聚集成为新的矩阵M。