融合颜色的显著特征概率潜在语义模型物体图像识别方法属于图像识别技术领域，其特点在于，利用SIFT算法提取图像的局部显著特征，同时加入颜色特征，生成HSV_SIFT特征，并引入TF-IDF权重信息进行特征重构，使局部显著特征更具有区分度，利用潜在语义特征模型得到图像潜在语义特征，最后采用最近邻KNN分类器进行分类。本发明专利技术既考虑了图像的彩色信息，又充分考虑了视觉单词在整个图像集合中的分布情况，使物体的局部显著特征更具有可区分性，提高了识别能力。
【技术实现步骤摘要】
本专利技术属于图像识别
，介绍ー种融合顔色信息的显著特征概率潜在语义模型物体图像识别方法。在提取图像显著特征的同时加入顔色信息，引入TF-IDF(termfrequency-inverse document frequency)词频权重统计方法使局部显著特征更具有区分度，在此基础上根据潜在语义模型得到图像的潜在语义特征，縮小物体识别中存在的语义鸿沟，更容易解决图像的识别问题。
技术介绍
当前，移动机器人已经被广泛应用到了エ业、航天、军事、服务等诸多领域。随着应用领域的拓展，人们对移动机器人的智能性要求也越来越高。智能自主式移动机器人已成为智能系统领域的研究热点。由于机器人的视觉系统是最接近人类感知环境的方式，且能够为移动机器人提供丰富的感知信息，因此，基于视觉的移动机器人环境感知问题吸引了大量的研究人员參与。其中物体识别是移动机器人技术的基础和核心，也是提高移动机器人智能化的关键技木。因为在未知环境中，移动机器人需要通过视觉传感器获取周围环境的图像，然后对图像中的物体进行识别和理解，进而执行相应的任务。特征提取是物体图像识别过程中的一个极为重要的环节，其目的是完成图像信息从数据空间到特征空间的转换。在某种意义上，对于物体图像识别任务而言，特征提取结果的好坏对识别结果起到了至关重要的作用。而图像局部的特征以其优越的性能，越来越被研究人员所关注。通常情况下，局部显著特征包含了人类感兴趣的重要目标，最能表达图像的内容。如果对于不同的图像特征赋予不同的处理优先级，不仅能降低分析过程的复杂度，而且能提高分析计算的效率。1988 年 Harris. C. J, Stephens. M. A combined corner andedge detector. Proc. 4thAlvey Vision Conferences, 1988 :147-151 基于 Moravec 对兴趣点描述，利用亮度函数的自相关矩阵实现了对特征点(角点)的检测，并以兴趣点为中心抽取图像局部特征；1998 年 Lindeberg. T. Feature detection with automaticscale selection. International Journal of Computer Vision,1998,30 (2) :79-116使用了自动尺度选择的方法来提取特征点，加入特征点尺度信息，在确定特征点位置的同时也确定了该点的特征尺度；2001 年 Mikolajczyk. C. S. K. Indexing based on scaleinvariant interest points. Proc. 8th International Conference on ComputerVision, Institute of Electrical and Electronics Engineers Inc,2001 :525-531 利用Laplace算子检测Harris角点的尺度，构建了ー种具有尺度不变性的Harris-Laplace算子，并将Harris-Laplace算子扩展为具有仿射不变性的Harris-affine算子；2004年 David G. Lowe. Distinctive image features from scaie—invariant interest points.International Journal of Computer Vision, 2004,60 (2) :91-110 利用 D0G(Differenceof Gaussian)算子代替Laplace算子从而提高了兴趣点检测的速度，提出并完善了SIFT (Scale Invariant Feature Transform)算法。2005 年 K. Mikolajczyk, C. Schmid.Aperformance evaluation of local descriptors. IEEE Transactions on patternAnalysis and Machinelntelligence, 2005, 27 (10) :1615-1630针对特征提取的各种方法,发现SIFT算法在光照变化、图像几何变形、分辨率差异、旋转、模糊和图像压缩等情况下的性能最好。 然而该方法仍存在ー些的局限性，首先传统的SIFT算法仅仅利用了图像的像素灰度和梯度信息，忽略了图像的彩色信息，因而它不可避免的对于那些在灰度上相近而在顔色信息上有差别的图像产生误匹配。通过上面的方法可以初步获得每个物体图像的局部显著特征，在经过矢量量化后，这些特征就可以形象的认为是ー些视觉单词，由于每幅图像都由大量视觉单词组成，物体图像识别就类似于根据某类视觉词出现的频率寻找其所对应的图像，由此构建图像的词袋模型(Bagof Words，B0W)。而传统的BOW模型只利用了视觉单词在单幅图像的信息，却没有充分考虑视觉单词在整个图像集合中的分布情況。传统的概率潜在语义分析方法(Probabilisticlatent semantic analysis,PLSA)最初应用在文本信息检索领域中，计算出每个文档的潜在主题分布。由于图像和文本有着很大的相似之处，因此采用相似的原理，PLSA方法也可以用于图像识别问题，计算每幅图像的潜在主題。本专利技术是基于融合顔色的局部显著特征语义特征进行物体图像识别。利用SIFT算法提取图像的局部显著特征并加入顔色特征，这些特性高度显著且相对容易得到，在庞大的特征数据库中，很容易辨识出待检测的对象，在提取局部显著特征后，加入TF-IDF权重信息进行特征重构，使局部显著特征更具有区分度，最終利用潜在语义模型得到图像潜在语义特征完成物体图像识别任务。
技术实现思路
本专利技术通过在SIFT显著特征中加入顔色特征，并在视觉词典中引入视觉单词的权重信息，设计并实现了整个物体图像识别方法。由于传统的SIFT算法仅仅利用了图像的像素灰度和梯度信息，忽略了图像的彩色信息，因而它不可避免的对于那些在灰度上相近而在颜色信息上有差别的图像产生误匹配，常用的顔色空间是RGB顔色空间，但是RGB空间计算出来的顔色之间的距离不能很好地表征人们实际所感知到的两种颜色之间的真实差异。因此，本专利用符合人眼视觉特征的HSV顔色模型，改进后的方法克服了以上传统方法的缺点。同时传统的BOW模型没有考虑视觉单词在整个图像集合中的分布情况，只是利用了视觉单词在单幅图像的信息。本专利技术引入TF-IDF统计方法，该方法常见于资讯检索与文本挖掘，用以评估一个字词对于ー个文件集或一个语料库中ー份文件的重要程度。同样图像中提取的每个显著特征在矢量量化后都可以看作是ー个视觉单词，每一幅图像就可以认为是ー个文档，引入TF-IDF权重计算方法，就同时考虑了视觉单词在单幅图像和整个图像集合中的分布。如果某个视觉单词在一幅图像中出现的频率高，并且在其他图像中很少出现，则认为此视觉单词具有很好的类别区分能力，适合用来分类。再利用潜在语义模型计算所有图像的潜在语义特征，縮小物体图像识别中存在的语义鸿沟，更容易解决复杂图像的识别问题。本专利技术的特征在于，是在计算机中依次按以下步骤实现的机器人训练阶本文档来自技高网...
【技术保护点】
【技术特征摘要】
【专利技术属性】
技术研发人员：杨金福，王锴，李明爱，王阳丽，杨宛露，傅金融，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。