. 4然后采用錦標(biāo)賽選擇法，即隨機(jī)地從種群中選取一定數(shù)目的個(gè)體，再將 適應(yīng)度最好的個(gè)體先做父體，這樣直到完成所有個(gè)體的選擇。
[0023] 步驟5. 5交叉使用均勻交叉、變異操作到變異算子。在變異之前要先解碼，在變異 完成之后再重新編碼。
[0024] 步驟5. 6判斷是否滿足終止條件，若達(dá)到最大迭代次數(shù)或所得餐宿不再變化則終 止迭代，得到最優(yōu)參數(shù)，否則返回到步驟5. 3。
[0025] 由于SVM本身針對二類分類，對于多類情況，常采用的是"一對多"和"一對一"的 多分類器結(jié)構(gòu)。本發(fā)明采用"一對一"的分類器結(jié)構(gòu)。要通過優(yōu)化分類器參數(shù)提高整個(gè)多 分類器的樣本識(shí)別精度，首先要分別優(yōu)化多分類器的每個(gè)二分類器的參數(shù)，各分類器的參 數(shù)是由該分類器對應(yīng)的樣本分別決定的，各分類器之間的參數(shù)具有獨(dú)立性，可以分別進(jìn)行 優(yōu)化。
[0026] 步驟6 :在線分類。當(dāng)移動(dòng)服務(wù)機(jī)器人的采集模塊采集到一幅新的場景圖像時(shí)，對 新的圖像樣本重復(fù)步驟3和步驟4,并利用訓(xùn)練好的SVM直接對其進(jìn)行分類。
【附圖說明】
[0027] 圖1為本發(fā)明適用的90種室內(nèi)場景的名稱；
[0028] 圖2為本發(fā)明系統(tǒng)構(gòu)架；
[0029] 圖3為本發(fā)明中采用的稀疏自編碼的模型結(jié)構(gòu)圖；
[0030] 圖4為池化過程示意圖；
[0031] 圖5為本發(fā)明中用到的優(yōu)化算法基于遺傳免疫粒子群算法的流程圖。
【具體實(shí)施方式】
[0032] 本發(fā)明所描述的面向服務(wù)機(jī)器人的室內(nèi)場景圖像分類方法，是以現(xiàn)有的移動(dòng)機(jī)器 人的視覺技術(shù)為基礎(chǔ)，融合了移動(dòng)終端產(chǎn)品中不斷發(fā)展更新多維信息采集系統(tǒng)。通過對 當(dāng)前環(huán)境的多維信息采集，形成一個(gè)場景圖像庫，用基于最大可分性（MSD)的稀疏自編碼 (SAE)模型進(jìn)行特征提取，并采用SVM進(jìn)行分類，
[0033] 下面結(jié)合附圖對本發(fā)明的實(shí)施做進(jìn)一步的說明。
[0034] 本發(fā)明，面向服務(wù)機(jī)器人室內(nèi)場景圖像分類方法的大致流程如圖2所示，具體步 驟如下：
[0035] 步驟1:預(yù)處理。本發(fā)明訓(xùn)練所采用的圖像樣本來自包含90種室內(nèi)場景的先驗(yàn)圖 像庫，隨機(jī)選擇每個(gè)場景的100幅圖像，組成一個(gè)3基色的圖像庫。利用分塊的方法，將圖 像庫中的圖像切成一定像素大?。?X8)的圖像塊構(gòu)成訓(xùn)練數(shù)據(jù)，并對其進(jìn)行白化和歸一 化等預(yù)處理，將其像素值歸一到[0, 1]。
[0036] 步驟2:訓(xùn)練基于MSD約束的單層SAE模型。本發(fā)明中，輸入節(jié)點(diǎn)數(shù)和輸出節(jié)點(diǎn)數(shù) 均為64,隱藏層的單元數(shù)為1600。訓(xùn)練后得到各相鄰層之間的權(quán)重WJPW2。利用L-BFGS 函數(shù)最小化其目標(biāo)函數(shù)：
【主權(quán)項(xiàng)】
1. 一種面向服務(wù)機(jī)器人的室內(nèi)場景圖像分類方法，分為離線訓(xùn)練和在線分類兩步來進(jìn) 行，具體步驟如下： 1.1離線訓(xùn)練： 1) 在先驗(yàn)場景圖像庫中隨機(jī)選擇每類場景的100幅圖像； 2) 將取到的圖像轉(zhuǎn)換成一定大小和數(shù)量的圖像塊，并對其進(jìn)行白化等預(yù)處理； 3) 將預(yù)處理后的數(shù)據(jù)輸入到基于最大可分性（MSD)約束的稀疏自編碼（SAE)模型中， 訓(xùn)練該模型，得到相應(yīng)參數(shù)； 4) 將訓(xùn)練圖像和測試圖像輸入到訓(xùn)練好的SAE中，并結(jié)合卷積的思想，對輸入逐層特 征提取，得到原圖像的特征向量； 5) 上述步驟4)提取到的特征具有較高維數(shù)，不利于后面的分類，因此采用均值池化的 方法對其進(jìn)行降維處理，得到較低維數(shù)的訓(xùn)練圖像的特征向量； 6) 將特征向量輸入到"一對一"的SVM分類器中，并結(jié)合GA-PSO算法，確定SVM的各參 數(shù)值； 1. 2在線分類： a. 當(dāng)采集模塊采集到新的場景圖像時(shí)，可利用訓(xùn)練好的SAE模型對新的樣本重復(fù)上述 步驟2)到步驟4)，得到新樣本的一組一定維數(shù)的特征向量； b. 將新的特征向量輸入到步驟5)中訓(xùn)練好的SVM模型中，可直接對新的圖像樣本進(jìn)行 分類。
2. 根據(jù)權(quán)利要求1所述的面向服務(wù)機(jī)器人的室內(nèi)場景圖像分類方法，其特征在于，本 方法可對多種室內(nèi)場景進(jìn)行準(zhǔn)確的圖像分類，這些圖像由采集模塊在不同角度，不同光照 強(qiáng)度等條件下采集到。
3. 根據(jù)權(quán)利要求1所述的基于稀疏自編碼的機(jī)器人室內(nèi)場景圖像分類方法，其特征在 于，步驟3)中采用的基于MSD約束的SAE模型僅含一個(gè)隱藏層，其輸入節(jié)點(diǎn)數(shù)和輸出節(jié)點(diǎn) 數(shù)均為64,中間隱藏節(jié)點(diǎn)數(shù)為1600,這樣能自動(dòng)提取到原場景圖像的完備特征。
4. 根據(jù)權(quán)利要求1所述的面向服務(wù)機(jī)器人的室內(nèi)場景圖像分類方法，其特征在于，步 驟4)中采用均值池化的方法對步驟3)中提取到的特征進(jìn)行降維處理，大大減小了訓(xùn)練SVM 時(shí)的計(jì)算量。
5. 根據(jù)權(quán)利要求1所述的基于MSD約束下的SAE場景圖像分類方法，其特征在于，步驟 5)中采用GA-PSO算法來優(yōu)化并確定SVM模型的參數(shù)：核函數(shù)參數(shù)r、懲罰參數(shù)c。
【專利摘要】本發(fā)明公開了一種面向服務(wù)機(jī)器人的室內(nèi)場景圖像分類方法，屬于場景分類技術(shù)領(lǐng)域。本發(fā)明所述的室內(nèi)場景圖像分類方法包括以下步驟：步驟一：從先驗(yàn)場景圖像庫中選取訓(xùn)練樣本；步驟二：對訓(xùn)練樣本進(jìn)行預(yù)處理；步驟三：訓(xùn)練基于最大可分性(MSD)的稀疏自編碼(SAE)模型；步驟四：對訓(xùn)練樣本進(jìn)行提取特征得到特征向量；步驟五：利用均值池化對特征向量降維；步驟六：結(jié)合遺傳免疫粒子群算法(GA-PSO)訓(xùn)練支持向量機(jī)(SVM)得到其參數(shù)；步驟七：利用訓(xùn)練好的SAE模型和SVM對新采集到的場景圖像完成分類。采用本發(fā)明所述的室內(nèi)場景分類方法能夠?qū)崿F(xiàn)復(fù)雜室內(nèi)環(huán)境中的場景分類，從而服務(wù)機(jī)器人可以根據(jù)采集到的場景圖像提供更多更準(zhǔn)確的服務(wù)。
【IPC分類】G06K9-62
【公開號(hào)】CN104809469
【申請?zhí)枴緾N201510190251
【發(fā)明人】尹宏鵬, 柴毅, 李藝, 焦旭國
【申請人】重慶大學(xué)
【公開日】2015年7月29日
【申請日】2015年4月21日