一种基于云计算的室内场景识别方法技术

本发明专利技术提供一种基于云计算的室内场景识别方法，包括：将典型室内场景图像作为训练图像集上传到云平台；利用MapReduce对训练图像集并行训练得到SVM多类分类器；室内机器人携带Kinect摄像机在室内运动，将获得的室内场景的RGB图像作为测试样本集并上传到云平台；利用MapReduce并行对测试样本集中各图像进行边缘检测和PHOG特征提取；利用MapReduce并行对提取出的测试样本集中各图像的PHOG特征进行分类，完成室内场景识别。本发明专利技术将需要进行大量运算的图像特征提取和分类器训练的过程并行化，转移到云端多个计算节点上，在保证场景识别准确率的情况下，大大解放了本地计算资源的巨大压力，提高了实时性，对于实时场景识别具有重要意义。

【技术实现步骤摘要】

本专利技术涉及图像检测与识别
，具体涉及一种基于云计算的室内场景识别方法。
技术介绍
室内场景分类是近年来发展起来的一个新的研究方向，在很多方面都有应用，诸如图片检索、机器人定位、导航等方向。针对室内场景分类，比较流行的分类方法是通过各种图像特征算子提取环境特征，训练出基准模型进行场景分类，例如BoW(Bag-of-words model)及其改进模型。这类方法在典型场景中具有较好的识别准确率，且鲁棒性较好，误判率低。然而，上述方法用于室内场景识别时都面临实时性的问题。一方面，相较于户外场景，室内环境通常缺少显著的局部或全局视觉特征，且室内环境具有排列无序、复杂的特点，导致特征向量维数的增加，需要占用庞大的计算资源，使得场景识别的实时性欠佳，不能及时得到识别信息的反馈。另一方面，目前的场景识别算法几乎都是在单个的实体计算机中进行相关运算，得到场景识别的结果，这不仅需要庞大的计算资源，而且运算效率低，基本无法满足实时性的要求。随着计算机科学的发展，云计算被广泛运用于各类大体量数据处理的场合。例如AWS、Azure等多个成熟的云平台都能提供系统的云服务，在大规模大体量的数据处理上提供了成熟的解决方案，并取得了良好成绩。云计算的核心技术之一是MapReduce。它为并行系统的数据处理提供了一个简单的解决方案，并广泛用于大规模数据的并行运算。如何提高室内场景分类的实时性，是研究者共同关注的研究热点之一。
技术实现思路
本专利技术的目的在于提供一种基于云计算的室内场景识别方法。本专利技术的技术方案是：一种基于云计算的室内场景识别方法，包括：将典型室内场景图像作为训练图像集上传到云平台；利用MapReduce对训练图像集并行训练得到SVM多类分类器；室内机器人携带Kinect摄像机在室内运动，将获得的室内场景的RGB图像作为测试样本集并上传到云平台；利用MapReduce并行对测试样本集中各图像进行边缘检测和PHOG特征提取；利用MapReduce并行对提取出的测试样本集中各图像的PHOG特征进行分类，完成室内场景识别。利用MapReduce对训练图像集并行训练得到SVM多类分类器，具体方法是：利用MapReduce并行对训练图像集中各图像进行边缘检测，提取出各图像边界；根据金字塔模型将训练图像集中每个图像按照从低分辨率到高分辨率的多级方向分层；对训练图像集中每层图像进行分块，再进行PHOG特征提取；根据任意两个图像的PHOG特征进行训练分类，得到多个二分类器；多个二分类器组合得到SVM多类分类器。对训练图像集中每层图像进行分块时采用以下规则：首先将一个像素点视为一个胞元；然后执行每层图像中各块区域的划分操作：第0层为1*1共1个块区域，表示图像不分块即表示全局下的PHOG特征；第一层为2*2共4个块区域，第二层为4*4共16个块区域，依次类推。PHOG特征提取具体方法是：统计每个块区域的梯度方向直方图即HOG特征，并按从左往右且从上到下的顺序，依次级联HOG特征即得到每层图像的HOG特征提取结果；合并各层图像的HOG特征提取结果则得到全局的PHOG特征。有益效果：本专利技术具有较好的效率，相较于依赖单机计算的传统分类方法，在具有70％的综合识别正确率的同时，该方法的实时性提高了1.4～2.1倍。本专利技术方法考虑了在本地进行海量数据计算的延迟性和计算资源的巨大压力，通过云计算中的MapReduce方法，将需要进行大量运算的图像特征提取和分类器训练的过程并行化，转移到云端多个计算节点上，在保证场景识别准确率的情况下，大大解放了本地计算资源的巨大压力，提高了实时性，对于实时场景识别具有重要意义。本方法实现了考虑云计算的室内场景识别工作。该方法在保证识别准确率的同时，大大解放了本地海量数据计算的压力，提高了场景识别的实时性。附图说明图1是本专利技术具体实施方式的方法流程图；图2是本专利技术具体实施方式的采用Canny边缘检测算子对训练图像集中各图像进行边缘检测流程图；图3是本专利技术具体实施方式的PHOG特征提取流程图；图4是本专利技术具体实施方式的仿真测试结果图；图5是本专利技术具体实施方式的加速比随节点数变化图。具体实施方式下面结合附图对本专利技术的具体实施方式做详细说明。本实施方式中，上传由麻省理工学院Oliva和Torralba等人收集整理的LabelMe图像库
的典型室内场景图像至Amazon云平台的S3存储桶中，作为训练图像集，然后上传PHOG特征提取程序代码至S3存储桶中，通过MapReduce分解，并行提取训练图像的PHOG特征向量，根据训练图像集类别编号依次写入PHOG特征向量文本，存于Amazon云平台的S3存储桶。此方法有效的缩短了训练时间，提高了效率。再根据MapReduce结构，将SVM多类分类器的训练程序代码分解并传至S3存储桶中，将PHOG特征向量文本作为输入，并行训练出SVM多类分类器。基于云计算的室内场景图像识别。携带Kinect摄像机的室内机器人工作，Kinect摄像机获得室内的RGB图像，并将待识别RGB图像上传至S3存储桶中，通过PHOG特征提取程序提取待识别RGB图像的PHOG特征向量，将PHOG特征向量输入SVM多类分类器得到场景分类信息，将场景信息下载到本地机器人中。本实施方式所采用的云平台为Amazon云平台，通过在Amazon云上运行的虚拟服务器集群中分配计算工作来实现大量数据的分析和处理，使用Hadoop管理该集群。Amazon Elastic MapReduce(EMR)是亚马逊Web服务(Amazon Web Services，AWS)中的一种，它通过在Amazon云上运行的虚拟服务器集群中分配计算工作来实现大量数据的分析和处理，使用Hadoop管理该集群。EMR运行在亚马逊的数据中心，可以使用位于亚马逊全球数据中心的计算和软件资源。本实施方式的软件环境为Ubuntu系统，编程环境为Python。登陆Amazon EMR控制台，创建集群，选择EMR4.0版本，并选择m3.xlarge作为核心EC2(Elastic Compute Cloud)实例类型。由于室内场景识别时需要调用openCV的库文件，因此本实施方式中编写构建和安装openCV库的脚本作为引导程序，在每次启动EMR集群时完成openCV库的构建和安装。利用MapReduce编程模型编写提取PHOG特征提取程序，实现并行计算。MapReduce是云计算的核心技术之一，它为并行系统的数据处理提供一种简单的解决方案。其主要目的是为了大型集群的系统能在大数据集上进行并行工作，并用于大规模数据的并行运算。MapReduce作为一种易于理解且功能强大的编程模型，可以在很多场景下使用，利用该模型可以实现很多复杂的功能。在进行MapReduce分解时，需要分析各种常用特征提取算法能否适应MapReduce计算框架。而鉴别是否能够适合Map Reduce计算框架的标准是计算的可分离度是否高，不可分离的计算是否计算量足够小。由于PHOG提取是针对单张图像就可以完成的，相关的计算量小，计算可分离度高，很适合MapReduce分解。在MapReduce计算框架中，EMR Hadoop将输入数据划分解为等长的作业分片交给若干节点执行，每个节本文档来自技高网...

【技术保护点】
一种基于云计算的室内场景识别方法，其特征在于，包括：将典型室内场景图像作为训练图像集上传到云平台；利用MapReduce对训练图像集并行训练得到SVM多类分类器；室内机器人携带Kinect摄像机在室内运动，将获得的室内场景的RGB图像作为测试样本集并上传到云平台；利用MapReduce并行对测试样本集中各图像进行边缘检测和PHOG特征提取；利用MapReduce并行对提取出的测试样本集中各图像的PHOG特征进行分类，完成室内场景识别。

【技术特征摘要】
1.一种基于云计算的室内场景识别方法，其特征在于，包括：将典型室内场景图像作为训练图像集上传到云平台；利用MapReduce对训练图像集并行训练得到SVM多类分类器；室内机器人携带Kinect摄像机在室内运动，将获得的室内场景的RGB图像作为测试样本集并上传到云平台；利用MapReduce并行对测试样本集中各图像进行边缘检测和PHOG特征提取；利用MapReduce并行对提取出的测试样本集中各图像的PHOG特征进行分类，完成室内场景识别。2.根据权利要求1所述的基于云计算的室内场景识别方法，其特征在于，利用MapReduce对训练图像集并行训练得到SVM多类分类器，具体方法是：利用MapReduce并行对训练图像集中各图像进行边缘检测，提取出各图像边界；根据金字塔模型将训练图像集中每个图像按照从低分辨率到高分辨率的多级方向分层；对训练图...

【专利技术属性】
技术研发人员：张云洲，胡涛，祁玉晓，李世鹏，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁;21