一种基于机器视觉的室内一般物体识别方法

摘要

本发明公开了一种基于机器视觉的室内一般物体识别方法，其包括如下步骤：1）建立一类物体的视觉词库，通过K均值聚类限定词库的规模。2）进行图像前期处理，将一幅图像用词库中的单词表示，用相似阀值近似区分背景和前景。3）图像的描述：把一幅图片包含的信息映射成一个1×(P+Q)的多维行向量(x0x1x2......xP-3xP-2xP-1y0y1y2......yQ-3yQ-2yQ-1)，将图像中的特征以及特征之间的空间关系矢量化，其中P为视觉词库中单词出现的次数，Q为空间关系统计。4）运用无监督判别分类器支持向量机实现分类识别。采用这种方法使机器识别出的物体更准确。

主权项

一种基于机器视觉的室内一般物体识别方法，其特征是包括如下步骤：步骤11：建立一类物体的视觉词库，通过K均值聚类限定词库的规模；步骤12：进行图像前期处理，将一幅图像用词库中的单词表示，用相似阀值近似区分背景和前景；步骤13：图像的描述：把一幅图片包含的信息映射成一个1×(P+Q)的多维行向量(x0x1x2......xP‑3xP‑2xP‑1y0y1y2......yQ‑3yQ‑2yQ‑1)，将图像中的特征以及特征之间的空间关系矢量化，其中P为视觉词库中单词出现的次数，Q为空间关系统计；步骤14：运用无监督判别分类器支持向量机实现分类识别；步骤15：根据公式 Recall = No . ofcorrectpositives tota ln umberofpositives Precision = No . ofcorretctpositives No . ofcorretctpositives + No . offalsepositives 对目标识别系统进行性能评估，其中Recall为识别率，Precision为识别精度，No.of correct positives是正确识别的正样本的个数，total number of positive是所有正样本的个数，No.of false positives是误识别为正样本的个数；其中，步骤12中所述的区分背景和前景的方法为：步骤41：设定一个认为特征点为目标物体的特征点的阀值；步骤42：根据公式 similarity ( M i , N j ) = | M i - N j | | M i | × | N j | 计算两描述子的相似度similarity(Mi,Nj)，其中Mi为待检测图片中的第i个特征点的SIFT描述子，Nj为视觉词库中第j个视觉单词的SIFT描述子，i小于待检测图片中的特征点的个数，j小于视觉单词的个数；步骤43：将similarity(Mi,Nj)值与阀值进行比较，若similarity(Mi,Nj)值小于阀值则认为待测图片中的这个特征点为目标特征点，将其进行保留，若similarity(Mi,Nj)值不小于阀值，则将这个特征点删除；步骤44：在剩下的T个特征点中，利用特征点分布的密度特点，运用随机抽样一致性算法进行处理，去除一些干扰点；步骤44中所述的随机抽样一致性算法的步骤为：步骤51：建立模型，用一个圆形区域覆盖特征点分布密集的那部分区域，从剩下的T个特征点中随机抽取F个特征点为模型内的点keypoint；步骤52：根据公式 maybe _ center = ( x 0 , y 0 ) = 1 F ( Σ i = 1 F x i , Σ i = 1 F y i ) 计算可能的圆心maybe_center，其中x0,y0分别为可能圆心的横，纵坐标，xi，yi分别为第i个特征点的横，纵坐标，i的值不大于F；步骤53：将模型内的点keypoint与可能圆心maybe_center之间的距离按从小到大排序，取其前80%数据中的最大的一个作为可能的半径maybe_radius；步骤54：计算上述F个特征点以外的每个特征点到可能圆心maybe_center的距离，若该距离小于maybe_radius*1.2，则模型内点的个数F增加一个；步骤55：若最后模型内的点个数大于80%T，则这次建立的模型正确，保留这次的圆心maybe_center(j)，此处的j表示建立模型正确的次数；步骤56：重复步骤51至55，记载建立正确模型的次数j和每次正确模型的可能半径maybe_radius（j）；步骤57：根据公式 dis tan ce ( j ) = Σ t = 1 T | keypoint ( t ) - maybe _ radius ( j ) | 计算每一次正确模型中distance(j)的值，其中keypoint(t)为特征点到当次可能圆心的距离，t不大于T。