[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

说明书

本发明公开了一种基于尺度不变特征极限学习机的机器人场景识别算法，该方法包括以下步骤:首先，利用尺度不变特征表达机器人视觉图像的场景，其次使用K均值聚类算法实现机器人场景图像表达码本，最后利用极限学习机算法建立机器人视觉场景图像和场景标签之间的映射关系。本方法利用了极限学习机的优点，降低了传统神经网络的参数估计和优化的复杂度，进一步缩短了训练时间和提高了机器人场景图像的识别率。

技术领域

本发明涉及图像识别技术领域，尤其涉及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。

背景技术

视觉是人类观察世界和了解世界最直观有效的方式，机器人视觉模拟人类视觉的功能，从一幅或者多幅图像中来感知和认识外界世界。对图像中的场景进行识别作为机器人视觉领域的重要组成部分，一直都受到许多研究人员的重点关注。近年来，机器人的场景识别技术已在公安部门刑侦系统，医学图像处理，3D建模，工业检测等领域得到广泛应用。

机器人场景识别应用技术就是给出一幅输入场景图像，识别出其在注册过的场景类别信息。利用电子设备得到场景图像后，由于图像原始维数较大，且存在冗余信息，我们不能直接对图像进行识别匹配。因此，我们必须进行对图像进行特征提取，最后利用一定的分类方法与数据库进行匹配，得到识别结果。简单来说，机器人场景识别的整个过程可以分为三个阶段：图像的前处理，图像的特征提取和图像的识别。

发明内容

本发明要解决的技术问题在于针对现有技术中的缺陷，提供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。

本发明解决其技术问题所采用的技术方案是：

基于尺度不变特征极限学习机的机器人场景识别方法,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，增强以及归一化等工作，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，其中场景注册库主要是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；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，得到用这些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，将该特征向量向码本做映射，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。

按上述方案，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)；