[发明专利]一种基于小样本度量学习的机器人视觉认知系统

说明书

本发明公开了一种基于小样本度量学习的机器人视觉认知系统，包括：图像采集增强模块，负责获取图像信息并改善图像的质量，提高图像的判读和识别效果；特征映射模块，负责将输入的图像映射到一个能够更好区分类别的特征空间；原型特征总结模块，负责为每个类别的物体总结出一个整体特征原型，同时保存记录下每个类别原型信息加入到数据库中；分类查询模块，负责根据输入的特征和查询到的每个类别原型信息来完成分类的工作，并维护每个类别的特征原型信息。本发明可帮助机器人仅通过少量的图像数据就学习到对新类别的分类，不仅能够完成对数据库中已经定义的物体的快速识别分类，还能够适应对数据库中已经未定义的物体的快速识别分类。

技术领域

本发明涉及机器人视觉的技术领域，尤其是指一种基于小样本度量学习的机器人视觉认知系统。

背景技术

学习是人类所具有的一项十分重要的能力，是人类智能的表现，特别是人类学习具有的举一反三的能力，能够从少量样本中思考得到具有泛化意义的经验总结，而不是单纯机械的模仿重复。而目前在深度学习领域中，随着应用场景的不断丰富和扩展，人们越来越面临学习样本的不足，所以如何让深度学习模型获得类似人类的从小样本中学习的举一反三的能力，成为了一个重要的研究方向，即小样本学习领域。而基于度量的学习就是小样本学习研究的一个具有代表性的方法，基于度量的学习方法，它的学习目标是从数据源中构建一个新的特征空间，在这空间中每个类别都能够很好的被区分开来。

机器人由于其工作环境的复杂，完成任务的多样性，对机器人视觉认知系统提出了更进一步的智能化要求。而将小样本学习与机器人视觉认知系统相结合，能够赋予机器人仅从少量的训练样本中学会分类以前未训练过的新类别的能力，同时可以避免重新训练模型，减少了时间和资源的消耗。这对于机器人认知系统提高鲁棒性及减少后期扩展维护成本具有重要的意义。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提出了一种基于小样本度量学习的机器人视觉认知系统，在训练样本获取困难、数量稀少的条件下，可以高效、高质量地完成图像分类任务，在公开数据集上进行测试，验证了此方法的有效性。

为实现上述目的，本发明所提供的技术方案为：一种基于小样本度量学习的机器人视觉认知系统，包括：

图像采集增强模块，负责获取图像信息并改善图像的质量，提高图像的判读和识别效果；

特征映射模块，负责将输入的图像映射到一个能够更好区分类别的特征空间；

原型特征总结模块，负责为每个类别的物体总结出一个整体特征原型，同时保存记录下每个类别原型信息加入到数据库中；

分类查询模块，负责根据输入的特征和查询到的每个类别特征原型信息来完成分类的工作，并维护每个类别的特征原型信息。

进一步，所述图像采集增强模块通过装配在机器人上的摄像头获取待识别图像，然后进行图像增强工作，包括以下步骤：

1.1)图像归一化

图像归一化将采集到的图像转成标准模式，防止仿射变换和几何变换的影响，同时能够加快网络梯度下降的速度，给定均值(mR,mG,mB)和标准差(dR,dG,dB)，每个通道的像素cX将按照下列公式进行归一化，其中X表示对应通道：

1.2)图像旋转扩增

先将图像大小转换为224*224，然后对图像进行[30,60,90,120,180]度旋转，得到旋转后图像[P₁,P₂,P₃,P₄,P₅]和原图P₀共获得6张查询图片，组成输入网络的张量，其大小为6*224*224。