基于機器人視覺的場景圖像分類的應用研究.pdf

1、隨著科技的進步，家庭服務機器人將擁有更加廣闊的市場前景。對于工作在環(huán)境復雜中的機器人，快速有效的場景識別能夠讓機器人很好地感知和理解場景環(huán)境，這是機器人要實現自主導航和探索環(huán)境的先決條件。知道機器人當前場景語義（情景）類別不僅僅能幫助機器人的導航，同時也大大提高了其理解場景和更好地服務于人類的能力。本論文主要針對的是視覺場景分類(VPC)問題，其中提到使用在有自主能力的機器人平臺上收集到的視覺信息來預測地方的場景類別。由于場景圖像具有隨

2、機的、多種多樣的、復雜的等特點，且對復雜環(huán)境中多類物體的識別技術仍不成熟，因此如何設計有效的場景圖像處理方法成為機器視覺領域仍然極具挑戰(zhàn)性和探索性的熱點問題。
　　支持向量機算法是在嚴謹的理論基礎之上建立起來的，在解決樣本很小、不是線性而且維數又高的模式識別問題中有它特有的優(yōu)勢，在識別準確率和處理時間上都表現出優(yōu)越性。近年來，SVM已被成功地應用于模式辨識、分類、以及回歸分析等研究領域。然而，現有的支持向量機應用研究忽視了一個問題

3、，那就是如何將專家邏輯經驗與SVM方法有效結合起來。在實際的工程應用中，我們通常對某些待分析的數據信號擁有一定的先驗知識。因此，研究一種新的把支持向量機和專家先驗知識有效結合起來的模糊支持向量模型，是SVM算法面向工程應用領域一個急需解決的重要問題。本文結合場景圖像分類的實際應用背景，研究了SIFT特征提取算法和模糊SVM算法的一些相關問題。論文的主要工作及研究如下:
　　首先，本文介紹了圖像場景分類一些相關的背景知識，以及對其進

4、行研究的意義;分析了視覺機器人、圖像場景分類、支持向量機和視覺字典容量獲取等的研究現狀。其次，本文羅列了圖像場景分類的流程設計。闡述了SIFT(Scale-invariant featuretransform，尺度不變特征轉換)特征和CTH（Census Transform Histogram，統計變換直方圖）特征提取的詳細過程;并且通過對比，簡單分析了K-均值聚類和AP聚類算法分別對應的優(yōu)缺點:K-均值聚類算法需要人為設定聚類中心數目

5、，而且會因為初始聚類中心的不同會導致聚類結果的不同。而AP聚類算法則是通過算法的迭代自動來獲取聚類中心，而且在整個迭代過程，經過44次就趨于穩(wěn)定。因此，本文直接選用AP聚類算法來生成視覺字典、并且獲取到視覺字典的容量。此外，還分析了AP聚類算法中的兩個參數對聚類結果的影響。
　　第三，本文對場景圖像特征的提取方法進行了深入研究，給出了SIFT特征的獲取和CTH特征獲取的兩種特征描述方法。分別詳細講述了這兩種方法的具體原理和過程，包

6、括經典的SIFT特征提取、改進的SIFT特征提取以及使用均勻網格法提取SIFT特征;統計變換算法、統計變換直方圖算法和提取CTH特征向量的步驟。然后在第五章實驗對這兩種特征描述方法的分類效果進行比較。最后，介紹了PCA-SIFT算子的獲取以及對獲取PCA-SIFT算子后對數據的預處理。
　　第四，本文首先對提取到的特征矩陣數據進行了預處理。然后介紹了聚類算法的設計部分，以及用AP聚類算法獲取視覺字典容量的流程，最后使用SVM分類器

7、實現圖像的場景分類。使用AP聚類算法得到了視覺字典容量和識別率之間存在的一條關系曲線。然后改變AP聚類算法的參數—參考度P，分析了不同參數對場景分類結果的可能影響。并利用IGP（In-Group Proportion，類內比例）準則來評價AP聚類的性能。
　　第五，進行了實驗仿真，并且對實驗的結果作了詳細的解析。最先，使用AP聚類算法獲得了視覺字典容量與識別準確率間的關系曲線。實驗數據說明:利用AP聚類可以快速生成視覺字典和獲取其