基于機(jī)器人視覺的場景圖像分類的應(yīng)用研究.pdf

1、隨著科技的進(jìn)步，家庭服務(wù)機(jī)器人將擁有更加廣闊的市場前景。對(duì)于工作在環(huán)境復(fù)雜中的機(jī)器人，快速有效的場景識(shí)別能夠讓機(jī)器人很好地感知和理解場景環(huán)境，這是機(jī)器人要實(shí)現(xiàn)自主導(dǎo)航和探索環(huán)境的先決條件。知道機(jī)器人當(dāng)前場景語義（情景）類別不僅僅能幫助機(jī)器人的導(dǎo)航，同時(shí)也大大提高了其理解場景和更好地服務(wù)于人類的能力。本論文主要針對(duì)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(jī)器人平臺(tái)上收集到的視覺信息來預(yù)測(cè)地方的場景類別。由于場景圖像具有隨

2、機(jī)的、多種多樣的、復(fù)雜的等特點(diǎn)，且對(duì)復(fù)雜環(huán)境中多類物體的識(shí)別技術(shù)仍不成熟，因此如何設(shè)計(jì)有效的場景圖像處理方法成為機(jī)器視覺領(lǐng)域仍然極具挑戰(zhàn)性和探索性的熱點(diǎn)問題。
　　支持向量機(jī)算法是在嚴(yán)謹(jǐn)?shù)睦碚摶A(chǔ)之上建立起來的，在解決樣本很小、不是線性而且維數(shù)又高的模式識(shí)別問題中有它特有的優(yōu)勢(shì)，在識(shí)別準(zhǔn)確率和處理時(shí)間上都表現(xiàn)出優(yōu)越性。近年來，SVM已被成功地應(yīng)用于模式辨識(shí)、分類、以及回歸分析等研究領(lǐng)域。然而，現(xiàn)有的支持向量機(jī)應(yīng)用研究忽視了一個(gè)問題

3、，那就是如何將專家邏輯經(jīng)驗(yàn)與SVM方法有效結(jié)合起來。在實(shí)際的工程應(yīng)用中，我們通常對(duì)某些待分析的數(shù)據(jù)信號(hào)擁有一定的先驗(yàn)知識(shí)。因此，研究一種新的把支持向量機(jī)和專家先驗(yàn)知識(shí)有效結(jié)合起來的模糊支持向量模型，是SVM算法面向工程應(yīng)用領(lǐng)域一個(gè)急需解決的重要問題。本文結(jié)合場景圖像分類的實(shí)際應(yīng)用背景，研究了SIFT特征提取算法和模糊SVM算法的一些相關(guān)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(guān)的背景知識(shí)，以及對(duì)其進(jìn)

4、行研究的意義;分析了視覺機(jī)器人、圖像場景分類、支持向量機(jī)和視覺字典容量獲取等的研究現(xiàn)狀。其次，本文羅列了圖像場景分類的流程設(shè)計(jì)。闡述了SIFT(Scale-invariant featuretransform，尺度不變特征轉(zhuǎn)換)特征和CTH（Census Transform Histogram，統(tǒng)計(jì)變換直方圖）特征提取的詳細(xì)過程;并且通過對(duì)比，簡單分析了K-均值聚類和AP聚類算法分別對(duì)應(yīng)的優(yōu)缺點(diǎn):K-均值聚類算法需要人為設(shè)定聚類中心數(shù)目

5、，而且會(huì)因?yàn)槌跏季垲愔行牡牟煌瑫?huì)導(dǎo)致聚類結(jié)果的不同。而AP聚類算法則是通過算法的迭代自動(dòng)來獲取聚類中心，而且在整個(gè)迭代過程，經(jīng)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(gè)參數(shù)對(duì)聚類結(jié)果的影響。
　　第三，本文對(duì)場景圖像特征的提取方法進(jìn)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(xì)講述了這兩種方法的具體原理和過程，包

6、括經(jīng)典的SIFT特征提取、改進(jìn)的SIFT特征提取以及使用均勻網(wǎng)格法提取SIFT特征;統(tǒng)計(jì)變換算法、統(tǒng)計(jì)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(shí)驗(yàn)對(duì)這兩種特征描述方法的分類效果進(jìn)行比較。最后，介紹了PCA-SIFT算子的獲取以及對(duì)獲取PCA-SIFT算子后對(duì)數(shù)據(jù)的預(yù)處理。
　　第四，本文首先對(duì)提取到的特征矩陣數(shù)據(jù)進(jìn)行了預(yù)處理。然后介紹了聚類算法的設(shè)計(jì)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(shí)現(xiàn)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(shí)別率之間存在的一條關(guān)系曲線。然后改變AP聚類算法的參數(shù)—參考度P，分析了不同參數(shù)對(duì)場景分類結(jié)果的可能影響。并利用IGP（In-Group Proportion，類內(nèi)比例）準(zhǔn)則來評(píng)價(jià)AP聚類的性能。
　　第五，進(jìn)行了實(shí)驗(yàn)仿真，并且對(duì)實(shí)驗(yàn)的結(jié)果作了詳細(xì)的解析。最先，使用AP聚類算法獲得了視覺字典容量與識(shí)別準(zhǔn)確率間的關(guān)系曲線。實(shí)驗(yàn)數(shù)據(jù)說明:利用AP聚類可以快速生成視覺字典和獲取其