[发明专利]一种采用基于局部感受野的极速学习机的室内场景识别方法

摘要

本发明涉及一种采用基于局部感受野的极速学习机(LRF‑ELM)来处理室内场景分类问题的方法，属于移动机器人的室内场景识别方法。该方法包括1)采集作为训练样本的2‑D雷达信息；2)采集作为测试样本的2‑D雷达信息；3)对雷达信息进行二值化图像信息提取；4)训练LRF‑ELM网络得到最优输出权重；5)通过测试集验证该方法进行场景识别的准确率。本发明在神经网络的基础上，对基于2‑D雷达信息的室内场景识别的正确性进行判断，缩短了运算时间，大大提高了场景识别的效率。

主权项

一种采用基于局部感受野的极速学习机(LRF‑ELM)来实现室内场景识别的方法，其特征在于，该方法包括以下步骤：(1)采集作为训练样本的场景的雷达信息，设训练样本的个数为N，则得到训练样本数据集Str的表达式为：Str＝{Str1,Str2,…,StrN}其中Str1,Str2,…,StrN分别表示训练样本数据集Str中第一个训练样本、第二个超声训练样本、…第N个训练样本。不同场景中，所采集的训练样本个数大致相同；(2)对需要进行识别的测试样本场景进行雷达信息的采集。设测试样本的个数为M，则得到超声测试样本数据集Ste的表达式为：Ste＝{Ste1,Ste2,…,SteM}其中Ste1,Ste2,…,SteM分别表示测试样本数据集Ste中第一个测试样本、第二个测试样本、…第M个测试样本。不同场景中，所采集的训练样本个数大致相同。M和N分别为训练样本的个数和测试样本的个数，一般情况下M≤N；(3)对雷达测距训练集Str的样本信息进行特征提取，具体处理过程如下：(3‑1)记训练样本集Str中的任意一个训练样本为SI，1≤I≤N，SI是一个由雷达扫描一周获得的雷达数据所构成的一维特征向量，即SI＝[SI.1，SI.2，…,SI.l]，其中SI.1，SI.2，…,SI.l表示一次扫描中l个采样点的雷达数据，将这组雷达数据其转化为极坐标图像；(3‑2)将极坐标图像提取到直角坐标系中，且将极坐标图像的圆心作为矩形图像的中心，对轮廓内部分进行红色填充；(3‑3)对(3‑2)中得到的以白色为背景的矩形红色填充图进行二值化处理，使其成为黑白图像，获取图像数据，得到新的训练集的样本SI'，完成对训练集样本的特征提取；进而得到新的训练样本集Str'：Str'＝{Str1',Str2',…,Strk',…,StrN'}；其中，Str1',Str2',…,Strk',…,StrN'分别表示经求二值化图像数据后得到的测试训练集Str'中的第一个训练样本、第二个训练样本、…、第k个训练样本、…、第N个训练样本，N为训练样本数；(3‑4)给训练集Str'中来自不同类型房间的样本设定不同的标签，并组成标签矩阵T；(4)对雷达测距测试集Ste的样本信息进行特征提取，具体处理过程如下：(4‑1)记测试样本集Ste中的任意一个训练样本为SJ，1≤J≤M，SJ是一个由雷达扫描一周获得的雷达数据所构成的一维特征向量，即SJ＝[SJ.1，SJ.2，…,SJ.l]，其中SJ.1，SJ.2，…,SJ.l表示一次扫描中l个采样点的雷达数据，将这组雷达数据其转化为极坐标图像；(4‑2)将极坐标图像提取到直角坐标系中，且将极坐标图像的圆心作为矩形图像的中心，对轮廓内部分进行红色填充；(4‑3)对(4‑2)中得到的以白色为背景的矩形红色填充图进行二值化处理，使其成为黑白图像，获取图像数据，得到新的训练集的样本SJ'，完成对训练集样本的特征提取；进而得到新的测试样本集Ste'：Ste'＝{Ste1',Ste2',…,Stek',…,SteM'}；其中，Ste1',Ste2',…,Stek',…,SteM'分别表示经求二值化图像数据后得到的测试集Ste'中的第一个测试样本、第二个测试样本、…、第k个测试样本、…、第M个测试样本，M为测试样本数；(4‑4)以(3‑4)中的方式给测试集Ste'中来自不同类型房间的样本设定不同的标签，并组成标签矩阵T'；(5)将训练集Str'及相应的标签矩阵T、测试集Ste'及相应的标签矩阵T'作为基于局部感受野的极速学习机的输入，并设置卷积层、池化层等相应参数；(5‑1)随机生成输入权重Wi＝[wi1,,,win]T和隐层单元的偏置bi＝[bi1,…bin]T，对初始权重进行正交化，得到新的输入权重设训练集样本输入大小为(d×d)，感受野大小为(r×r)，第k个特征图的卷积节点(i,j)的值ci,j,k由下式计算：ci,j,k=Σm-1rΣn-1r(xi+m-1,j+n-1·am,n,k),i,j=1,...(d-r+1)]]>(5‑2)对特征图进行平方根池化，池化大小e表示池化中心到边的距离，hp,q,k表示第k个池化图中的组合节点(p,q)，计算如下：hp,q,k=Σi=p-ep+eΣj=q-eq+eci,j,k2,p,q=1,...,(d-r+1);]]>(5‑3)简单地连接所有组合节点的值形成一个行向量，并把N个训练集输入样例的行向量放在一起，得到组合层矩阵H，通过下式计算输出权重β：当N＞K·(d‑r+1)2，β=(IC+HTH)-1HTT]]>当N≤K·(d‑r+1)2，β=HT(IC+HHT)-1T]]>(5‑4)输入权重不变，对测试集Ste'的样本进行与(5‑1)及(5‑2)中相同的卷积与池化过程，得到组合层H'，设算法对测试集样本的标签预测为Y,计算可得：Y＝H'*β将预测标签Y与测试集的给定标签T'进行对比，得出场景识别的正确率。