[发明专利]一种采用基于局部感受野的极速学习机的室内场景识别方法

权利要求书

1.一种采用基于局部感受野的极速学习机(LRF-ELM)来实现室内场景识别的方法，其特征在于，该方法包括以下步骤：

(1)采集作为训练样本的场景的雷达信息，设训练样本的个数为N，则得到训练样本数据集S_tr的表达式为：

S_tr＝{S_tr1,S_tr2,…,S_trN}

其中S_tr1,S_tr2,…,S_trN分别表示训练样本数据集S_tr中第一个训练样本、第二个超声训练样本、…第N个训练样本。不同场景中，所采集的训练样本个数大致相同；

(2)对需要进行识别的测试样本场景进行雷达信息的采集。设测试样本的个数为M，则得到超声测试样本数据集S_te的表达式为：

S_te＝{S_te1,S_te2,…,S_teM}

其中S_te1,S_te2,…,S_teM分别表示测试样本数据集S_te中第一个测试样本、第二个测试样本、…第M个测试样本。不同场景中，所采集的训练样本个数大致相同。M和N分别为训练样本的个数和测试样本的个数，一般情况下M≤N；

(3)对雷达测距训练集S_tr的样本信息进行特征提取，具体处理过程如下：

(3-1)记训练样本集S_tr中的任意一个训练样本为S_I，1≤I≤N，S_I是一个由雷达扫描一周获得的雷达数据所构成的一维特征向量，即S_I＝[S_I.1，S_I.2，…,S_I.l]，其中S_I.1，S_I.2，…,S_I.l表示一次扫描中l个采样点的雷达数据，将这组雷达数据其转化为极坐标图像；

(3-2)将极坐标图像提取到直角坐标系中，且将极坐标图像的圆心作为矩形图像的中心，对轮廓内部分进行红色填充；

(3-3)对(3-2)中得到的以白色为背景的矩形红色填充图进行二值化处理，使其成为黑白图像，获取图像数据，得到新的训练集的样本S_I'，完成对训练集样本的特征提取；

进而得到新的训练样本集S_tr'：

S_tr'＝{S_tr1',S_tr2',…,S_trk',…,S_trN'}；

其中，S_tr1',S_tr2',…,S_trk',…,S_trN'分别表示经求二值化图像数据后得到的测试训练集S_tr'中的第一个训练样本、第二个训练样本、…、第k个训练样本、…、第N个训练样本，N为训练样本数；

(3-4)给训练集S_tr'中来自不同类型房间的样本设定不同的标签，并组成标签矩阵T；

(4)对雷达测距测试集S_te的样本信息进行特征提取，具体处理过程如下：

(4-1)记测试样本集S_te中的任意一个训练样本为S_J，1≤J≤M，S_J是一个由雷达扫描一周获得的雷达数据所构成的一维特征向量，即S_J＝[S_J.1，S_J.2，…,S_J.l]，其中S_J.1，S_J.2，…,S_J.l表示一次扫描中l个采样点的雷达数据，将这组雷达数据其转化为极坐标图像；

(4-2)将极坐标图像提取到直角坐标系中，且将极坐标图像的圆心作为矩形图像的中心，对轮廓内部分进行红色填充；

(4-3)对(4-2)中得到的以白色为背景的矩形红色填充图进行二值化处理，使其成为黑白图像，获取图像数据，得到新的训练集的样本S_J'，完成对训练集样本的特征提取；

进而得到新的测试样本集S_te'：

S_te'＝{S_te1',S_te2',…,S_tek',…,S_teM'}；

其中，S_te1',S_te2',…,S_tek',…,S_teM'分别表示经求二值化图像数据后得到的测试集S_te'中的第一个测试样本、第二个测试样本、…、第k个测试样本、…、第M个测试样本，M为测试样本数；

(4-4)以(3-4)中的方式给测试集S_te'中来自不同类型房间的样本设定不同的标签，并组成标签矩阵T'；

(5)将训练集S_tr'及相应的标签矩阵T、测试集S_te'及相应的标签矩阵T'作为基于局部感受野的极速学习机的输入，并设置卷积层、池化层等相应参数；

(5-1)随机生成输入权重W_i＝[w_i1,,,w_in]^T和隐层单元的偏置b_i＝[b_i1,…b_in]^T，对初始权重进行正交化，得到新的输入权重设训练集样本输入大小为(d×d)，感受野大小为(r×r)，第k个特征图的卷积节点(i,j)的值c_i,j,k由下式计算：

$c_{i,j,k}=\underset{m-1}{\overset{r}{\Σ}}\underset{n-1}{\overset{r}{\Σ}}(x_{i+m-1,j+n-1}\·a_{m,n,k}),i,j=1,...(d-r+1)$

(5-2)对特征图进行平方根池化，池化大小e表示池化中心到边的距离，h_p,q,k表示第k个池化图中的组合节点(p,q)，计算如下：

$h_{p,q,k}=\sqrt{\underset{i=p-e}{\overset{p+e}{\Σ}}\underset{j=q-e}{\overset{q+e}{\Σ}}{c}_{i,j,k}^2},p,q=1,...,(d-r+1);$

(5-3)简单地连接所有组合节点的值形成一个行向量，并把N个训练集输入样例的行向量放在一起，得到组合层矩阵H，通过下式计算输出权重β：

当N＞K·(d-r+1)²，

$\mathrm{\β}={(\frac{I}{C}+H^{T}H)}^{-1}{H}^{T}T$

当N≤K·(d-r+1)²，

$\mathrm{\β}=H^T{(\frac{I}{C}+{\mathrm{HH}}^T)}^{-1}T$

(5-4)输入权重不变，对测试集S_te'的样本进行与(5-1)及(5-2)中相同的卷积与池化过程，得到组合层H'，设算法对测试集样本的标签预测为Y,计算可得：

Y＝H'*β

将预测标签Y与测试集的给定标签T'进行对比，得出场景识别的正确率。