[发明专利]基于深度学习的仿生机器孔雀图像识别方法

说明书

本发明公开了基于深度学习的仿生机器孔雀的图像识别方法，包括以下步骤：采集公开的人脸检测数据库作为训练和验证的图像数据集；设计基于卷积神经网络的深度学习架构，在深度学习架构内实现人脸检测功能；采集仿生机器孔雀摄像头所拍摄到的现场图像对训练好的卷积神经网网进行微调，实现室内复杂环境下的人脸检测功能；得到经验参数以确定观众的着装定位，并统计各种颜色所占的相应比重；本发明实现娱乐仿生机器人在复杂环境下准确高效的人脸检测和颜色识别，鲁棒性好；且对现场图像对训练好的深度学习架构进行参数微调；最后实现对于摄像头捕捉到的现场图像进行实时人脸检测和着装识别；可以应用于科技馆、酒店、商场、供游客参观、娱乐。

技术领域

本发明涉及计算机识别技术领域，具体涉及基于深度学习的仿生机器孔雀图像识别方法。

背景技术

仿生机器人是仿生学与机器人领域应用需求的结合产物。从机器人的角度来看，仿生机器人则是机器人发展的高级阶段，生物特性为机器人的设计提供了许多有益的参考。目前的仿生机器人种类繁多，如仿生机器鱼，仿生机器狗。并广泛应用在军事和工业领域，但是作为娱乐机器人的应用目前较少。视觉系统是仿生机器人的一个重要组成部分，相当于仿生机器人的“眼睛”。该系统一般通过放置在机器人上的高清摄像头捕捉周围的环境信息，并通过现有的计算机视觉算法对捕获的图像进行分析处理已实现对机器人执行机构的运动控制，如机器鱼的水下打捞，机器狗的步态规划等。目前仿生机器人的视觉系统依赖于传统的图像处理算法，一般为，首先提取当前环境的图像特征然后对提取到的特征进行描述，最后通过特征描述对当前的环境进行识别，检测等相关任务。虽然特定的图像特征在仿生机器人领域取得了较好的效果，但是传统的图像特征更多依赖于人工经验，而且在复杂环境下，特征提取的复杂度高，鲁棒性低。

有鉴于此，急需提供一种鲁棒性好，实时性高的基于深度学习的仿生机器孔雀视觉识别方法应用于科技馆，大型商场，酒店等场所，寓教于乐。

发明内容

为了解决上述技术问题，本发明所采用的技术方案是提供一种基于深度学习的仿生机器孔雀的图像识别方法，包括以下步骤：

S1、采集公开的人脸检测数据库作为训练和验证的图像数据集；

S2、设计基于卷积神经网络的深度学习架构，在深度学习架构内实现人脸检测功能；

S3、采集仿生机器孔雀摄像头所拍摄到的现场图像对训练好的卷积神经网网进行微调；

S4、根据步骤S3中微调后的深度学习架构进行测试，实现室内复杂环境下的人脸检测功能；

S5、根据步骤S4得到的人脸框定位和摄像头距离观众的位置关系，得到经验参数以确定观众的着装定位，并统计各种颜色所占的相应比重。

在上述方法中，所述步骤S1具体包括以下步骤：

S11、人脸检测数据库，选取公开Wider_face数据集和Celeba_face数据集作为人脸检测的训练样本；将图像数据集中原始图像归一化到一个统一的尺寸；

Wider_face数据集和Celeba_face数据集中提供了大量的人脸检测数据，并在图中提供了人脸框的位置信息；

S12、随机的对人脸图像选取边框，并计算选取边框与真实边框的重复度IOU；

S13、将人脸检测数据分为三类，分别是人脸正样本、人脸负样本、人脸部分样本，其占比重为1：3：1；

S14、将训练样本生成文件路径，并做好与之对应的标签，标签内容包括正、负样本标签以及随机生成边框和真实边框的偏移值。

在上述方法中，所述步骤S12中，IOU＞0.65为人脸正样本，IOU＜0.4为人脸负样本；在0.4≤IOU≤0.65之间为人脸部分样本。

在上述方法中，所述深度学习架构具体如下：