[发明专利]一种基于深度学习的移动机器人快速物体识别方法

摘要

本发明公开了一种基于深度学习的移动机器人快速物体识别方法，该方法包括如下步骤：1）移动图片获取、2）图片数据预处理、3）图片特征提取、4）图片预测输出、5）环境约束优化、6）图片识别输出。本发明通过检测和识别结果的统一整合，克服传统物体识别系统需要使用物体识别加检测的复杂性和不稳定性；通过多层残差网络设计和环境重力约束条件的生成，克服集成式物体识别系统准确度差的缺点；检测识别任务的整合还可保证系统的处理效率，提高机器人移动过程中的感知能力。

主权项

1.一种基于深度学习的移动机器人快速物体识别方法，其特征在于，包括如下步骤：1）移动图片获取：用以获得机器人在移动过程中通过摄像头感知的视觉数据；2）图片数据预处理：本步骤中用到两个软件单元：色彩图片预处理单元和深度图片预处理单元，色彩图片预处理单元用以对输入的色彩图片进行分块处理，将整幅图片分割为一块块的网格，如果其中的网格块中出现物体的中心则将其网格标识为此物体的一部分，而且对应于此网格，神经网络将预测多个物体包围框，并且对于此网格归属的物体类别进行一定的置信度生成，为物体识别提供相应数据基础；深度图片预处理单元用以产生室内环境下的约束条件，通过对距离数据的处理和对重力向量进行估计，从而建立相应的物理环境体系，根据此环境体系建立相应的环境约束；3）图片特征提取：通过构建多层残差神经网络来完成，主要包含两个软件单元：卷积核特征提取单元和残差单元，随后将卷积核特征提取单元和残差单元作为神经网络的组成部分进行顺序叠加，从而形成深度特征提取神经网络，完成图像特征的多层分布式重现；a）卷积核特征提取：给定一幅图像，系统通过重复使用多种卷积核函数、块归一化单元和非线性矫正单元的方式来提取适合物体检测识别的图像特征，其中卷积核函数是一个数据窗口，卷积操作即为数据窗口在全局图片区域上滑动，并且按数据窗口中的每一位与响应图片位求乘积并按数据窗口区域对结果进行求和，相应的卷积核函数和网络参数将通过训练来获得，非线性单元通过增加非线性来增强特征的表达能力，图片局部特征将作为神经网络的输入数据来完成预测包围框和物体类别的生成处理；b）残差单元：残差神经单元将前一特征单元的输出和输入相加作为下一层特征提取单元的输入；4）图片预测输出：采用线性的分类器预测输出，最后采用非极大抑制删除冗余的物体窗口；5）环境约束优化：环境约束优化模块用以根据深度数据产生相应的环境约束条件；6）图片识别输出：在经过环境约束优化之后，系统将把经过神经网络检测识别后并通过环境约束优化后的结果输出至机器人接受模块进行处理。