[发明专利]一种AI陪护机器人房间场景识别方法

权利要求书

1.一种AI陪护机器人房间场景识别方法，其特征在于，包括以下步骤：

步骤S1：机器人通过视觉传感器采集房间不同场景下的连续图像；

步骤S2:将所述的连续图像传送给图像处理系统，根据连续图像信息，将连续图像转化为数字化信号；

步骤S3:图像处理系统通过判别分类器算法对所述数字化信号进行运算来抽取目标特征；

步骤S4：根据预设的允许度判别结果来控制现场的设备动作。

2.根据权利要求1所述的AI陪护机器人房间场景识别方法，其特征在于，步骤S3中所述判别分类器为线性链判别分类器，所述判别分类器的内核为马尔可夫随机场。

3.根据权利要求1或2所述的AI陪护机器人房间场景识别方法，其特征在于，步骤S3具体包括以下步骤：通过线性链判别分类器算法对图像内容进行判断，再通过参数估计算法和预测算法对目标进行判断。

4.根据权利要求3所述的AI陪护机器人房间场景识别方法，其特征在于，所述线性链判别分类器算法具体为：

线性链判别分类器是在给定随机变量X的条件下，随机变量Y的马尔可夫随机场，设X与Y是随机变量，P(Y|X)是在给定X的条件下Y的条件概率分布，若随机变量Y构成一个无向图G＝(V，E)表示马尔可夫随机场，即式(1)

P(Y|X,Y_w,w≠v)＝P(Y_v|X,Y_ww～v) (1)

对任意结点v成立，则称条件概率分布P(Y|X)为判别分类器，式中w～v表示在图G＝(V，E)中与结点v有边连接的所有结点w，w≠v表示结点v以外的所有结点，Y_w，Y_v为节点w，v对应的随机变量。

5.根据权利要求4所述的AI陪护机器人房间场景识别方法，其特征在于，由于马尔可夫网络适合实体之间相互依赖的建模，若一个无向图较大，可以用因子分解将P(Y|X)写为若千个联合概率的乘积，其中各个因子是定义在相邻两个节点上的函数；

设P(Y|X)为线性链判别分类器，则在随机变量X取值为x的条件下，随机变量Y取值为y的条件概率有：

其中

式中，t_k和s_l是特征函数，λ_k和μ_l是需要训练的权值，Z(x)是规范化因子，需要注意的是求和是在所有可能的输出序列上进行的，t_k(y_i-1,x,i)表示对于观察序列的标记位置i-1与i之间的转移特征函数，s_l(y_i,x,i)表示观察序列的i位置的状态特征函数以上即为线性链判别分类器模型的基本形式，对于给定的输入序列x，预测输出序列y的条件概率，就无向图而言特征函数t_k是定义在边上的函数，依赖于当前和前一个位置，称为转移特征，特征函数s_l是定义在结点上的函数，依赖于当前位置，称为状态特征，特征函数t_k和s_l都依赖位置，是局部特征函数，适合用于描述场景信息的局部特征；

判别分类器中同一个特征在各个位置都有意义，故可对同一个特征在各个位置求和，将局部特征函数转化为一个全局特征函数，将判别分类器写成权值向量和特征向量的内积形式，

设有K₁个转移特征和K₂个状态特征，记为(3)

对转移与状态特征在各个位置i求和，记为(4)

用v表示特征f_k(y,x)的权值，即为(5)

则判别分类器根据式(2)、(5)可以表示为(6)

需要说明的是判别分类器中特征函数的形式定义为f_k(y_i-1,y_i,x,i)是状态特征函数和转移特征函数的统一形式表示，在定义特征函数的时候，首先构建观察序列的实数值特征b(x，i)集合，用以描述训练数据的经验分布特征，其中i为序列的时刻或位置，x表示观察值，每个特征函数表示为观察序列的实数值特征b(x，i)集合中的一个元素，若前一个状态和当前状态具有特定的值，则所有的特征函数都是实数值：