[发明专利]基于ESN神经网络的移动机器人场景识别方法

说明书

一种基于ESN神经网络的移动机器人场景识别方法：从构成场景的图像序列中，提取ORB特征点，再从提取到的ORB特征点中，提取PIRF特征点；对从图像序列中提取的PIRF特征点，使用词袋模型建立词袋码本，使用词袋码本为图像序列中的每幅图像计算编码向量；构建ESN神经网络，以每幅图像的编码向量作为ESN神经网络的输入，在线训练ESN神经网络，根据输出结果识别和提取图像序列中的场景信息。本发明以场景中的动态物体对场景识别带来的随机性，对于高动态环境有很强的适应性。本发明大大减小了搜索规模和难度，提高了搜索和识别的效率。本发明有很好的适用性，可以方便有效地完成场景序列的识别和分类，保证识别的准确性同时，提高了识别速度。

技术领域

本发明涉及一种移动机器人场景序列识别方法。特别是涉及一种基于ESN神经网络的移动机器人场景识别方法。

背景技术

基于视觉的场景识别是指机器人利用视觉传感器所采集到的图像，让机器人判断和识别出当前所处的场景是否曾经经过的过程。在众多基于视觉的场景识别算法中，所识别的场景是单一的一副图像，也就是对图像与图像之间进行匹配，进而完成识别。为了解决这个问题，人们往往从这两个方面入手：第一设计具有区分性的图像特征，比如SURF、SIFT、MLSD等描述子；第二设计识别匹配的策略，比如最近邻、概率模型，HMM等。虽然这些方法在一定程度上实现了场景的识别与匹配，但是由于环境的多变性，机器人运动等因素的影响，而产生大量的误识别的情况。比如，机器人连续采集的若干幅图像，由于机器人运动速度的原因导致采集的图像都极为相似，这种情况往往对识别造成了很大影响。这也间接的表明了单一图像的局限性。

实际上机器人所经过的“场景”并非单一图像所刻画的，是由连续的一组描述具有相同内容的图像序列描述的，我们将其定义为“场景序列”。

为了实现基于场景序列的场景识别，要解决的问题一共有三个：一是如何描述和表征一幅图像；二是如何划分出场景序列；三是如何实现场景序列的匹配。本文也将从这三个方面展开研究，

基于视觉的场景识别算法在近年来倍受人们的关注，不仅仅是因为视觉传感器的价格低廉，更是因为由视觉传感器所采集到的图片往往包含了丰富的信息。与此同时，随着数字图像处理领域的算法日益成熟，其在机器人的场景识别这个应用也广泛受到人们的研究。

从特征的角度来看,Jin Han Lee使用了一种名为MLSD的直线描述子，利用词袋模型，构造图像特征；并根据图像的相似度筛选出若干候选图像；最后利用描述子空间变换的匹配思想完成细粒度的匹配。Roberto Arroyo1设计并改进了原始的LDB特征，将其命名为D-LDB，由于这种特征具有一定程度的区分性，进而提升了场景识别的准确性。

从模型的角度来看，Mark Cummins使用贝叶斯概率模型来计算新的图片与已有的图片之间的概率值，并通过概率值来完成场景的识别。Elena Stumm则利用信息检索的模型来完成图像的匹配与识别。

不同于上面单一图像层次的逐一匹配，Michael Milford等人将单一图像的匹配，转化为图像序列的匹配。通过建立图像与图像之间的相似度矩阵来挖掘出当前序列与模板序列的匹配程度，即寻找一条最优的匹配路径。最终的匹配结果仍然是寻找两个图像序列中一一匹配的图像对。该类算法的实验室数据集本身即为很多段不同的图像序列，并不需要对整个数据集进行场景序列的划分，也因此一定程度的回避了场景序列划分的问题。

然而这些算法的本质均是在图像的粒度上进行场景的识别。即使考虑了序列的信息，也是将序列的匹配转化为图像与图像之间匹配的问题上。

发明内容

本发明所要解决的技术问题是，提供一种能够在保证识别的准确性同时，提高了识别速度的基于ESN神经网络的移动机器人场景识别方法。

本发明所采用的技术方案是：一种基于ESN神经网络的移动机器人场景识别方法，包括如下步骤：