[发明专利]一种基于机器视觉的室内一般物体识别方法

权利要求书

1.一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......x_P-3x_P-2x_P-1y₀y₁y₂......y_Q-3y_Q-2y_Q-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.ofcorrectpositivestotalnumberofpositives]]>

Precision=No.ofcorretctpositivesNo.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。

2.根据权利要求1所述的一种基于机器视觉的室内一般物体识别方法，其特征在于：所述K均值聚类中的聚类中心的个数K选择为400、500、600或700。

3.根据权利要求1所述的一种基于机器视觉的室内一般物体识别方法，其特征在于：所述视觉词库中的每个视觉单词为经过K均值聚类后的SIFT算法检测出来的128特征描述向量。

4.根据权利要求1所述的一种基于机器视觉的室内一般物体识别方法，其特征在于：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：根据公式计算两描述子的相似度similarity(M_i,N_j)，其中M_i为待检测图片中的第i个特征点的SIFT描述子，N_j为视觉词库中第j个视觉单词的SIFT描述子，i小于代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similarit(M_i,N_j)值与阀值进行比较，若similarity(M_i,N_j)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(M_i,N_j)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。

5.根据权利要求4所述的一种基于机器视觉的室内一般物体识别方法，其特征在于：

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=(x0,y0)=1F(Σi=1Fxi,Σi=1Fyi)]]>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distance(j)=Σt=1T|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。