[发明专利]一种基于有监督学习概率主题模型的地点图像识别方法

说明书

技术领域

本发明属于模式识别领域，涉及一种利用概率主题模型进行图像识别方法，尤其是一种基于有监督学习概率主题模型的地点图像识别方法，用于提高地点图像的识别率。

背景技术

目前，随着人工智能的发展，移动智能机器人被广泛地应用于工业、军事和服务等领域，发挥着越来越重要的作用。智能机器人认知环境的能力越来越重要。机器人只有在知道自身位置和工作环境，才能安全有效地进行自主运动，为人们提供更好的服务。因此，认知环境和位置估计成为智能移动机器人最重要的能力之一。视觉系统能够为机器人提供最丰富的感知信息，同时也最接近人类感知环境的方式。近年来，基于视觉的机器人自定位问题吸引了大量的研究人员，同时也取得了丰硕的研究成果。

根据机器人定位使用的视觉特征信息的不同，基于视觉的机器人自定位方法主要包括以下三种：基于地标特征的自定位方法，基于图像外观特征的自定位方法，以及基于地点识别的自定位方法。其中，基于地点识别的自定位方法，使用了人们可以直接理解的语义信息，如“道路”、“雕塑”、“走廊”等，作为视觉特征信息，实现一种全局的拓扑定位，构建拓扑地图，用于机器人路径规划和人机交互等应用场合。然而，要实现基于地点识别的自定位方法，必须图像进行语义表示。为了解决上述问题，引入基于概率主题模型的图像识别方法。

概率主题模型是机器学习领域中结合统计理论和图论算法的一种模型，它提供了一种建模方法，对实际问题进行概率建模，将实际问题用潜在的语义主题进行描述，对解决实际问题的不确定性具有一定作用。概率主题模型最初应用在自然语言处理和文本分类领域，并取得了很好的应用效果，后来逐渐引入到机器视觉领域中。2005年，李菲菲等在论文“A Bayesian hierarchical model for learning natural scene categories”中，使用度不变特征提取算法（Scale-Invariant Features，SIFT）特征检测子和描述子提取局部特征，并使用潜在狄利克雷分布（Latent Dirichlet Distribution，LDA）的概率主题模型生成的包含语义信息的主题对图像进行描述，最后用贝叶斯分类器对图像进行分类，从而实现基于局部特征的地点识别。该方法通过LDA模型对图像进行语义描述，并对影响图像识别的不确定性因素起到一定作用，使用了人们可以直接理解的语义信息，其不足是当LDA模型中主题数超过40时图像的识别率会出现过拟合。2010年，David M.Blei等在论文“Supervised Topic Model”中，通过sLDA（supervised latent Dirichlet allocation）对有标签的文档进行建模，然后使用mean-filed variational方法对sLDA模型的参数进行估计，从而达到对文档内容的预测。此文中的sLDA模型与LDA模型相比较，不仅可以用于分类，还可以用于预测，而且识别率和预测的准确性都比较高；同时可以解决LDA模型中主题数目增加时出现的识别率过拟合现象。但是，此文中的sLDA模型用于文本文档中，未被用于地点图像识别中。

综上所述，现有技术在基于地点识别的机器人自定位方法中存在以下问题：机器人实际获得的图像常会受到光照变化和拍摄视角以及场景混乱和事物动态变化等影响，这些固有的、可变的影响使得地点识别过程充满了不确定性；LDA模型中随着主题数目的增加图像的识别率会出现过拟合现象，进而影响图像的识别效果；sLDA模型可以解决随着主题数目增加出现的识别率过拟合现象，但是未被应用到基于概率主题模型的地点图像识别系统中。

发明内容

针对现有技术中存在的上述问题，本发明提出一种基于有监督学习概率主题模型的地点识别方法，解决地点识别过程中由于拍摄角度和光照的不同，以及图像中物体变化所导致的不确定性问题；通过sLDA模型对地点图像信息进行建模，有效提高地点图像的识别率。

为了达到上述目的，本发明所采用的技术方案是：提供一种基于有监督学习概率主题模型的地点识别方法，通过mean-filed variational算法对有监督概率主题模型的参数进行学习，用潜在主题对图像进行语义描述，然后根据sLDA模型中响应变量的值对图像进行分类，进而达到图像识别目的。

一种基于有监督学习概率主题模型的地点图像识别方法，包括以下步骤：

步骤1，通过安装在机器人上的标准摄像头获取训练图像集和测试图像集。

图像包含光照、视角、尺度的变化以及人物和物体的动态变化。

步骤2，图像预处理，将获取的图像灰度化。