为实现机器人的主动学习和特定目标识别,提出了一种基于学习模型与BoW-SURF的目标识别算法。基于SURF(Speeded Up Robust Features)稳定的多尺度特征描述特性,以SURF描述子作为目标的局部特征描述子,借鉴BoW(Bag of Words)模型在文档分...为实现机器人的主动学习和特定目标识别,提出了一种基于学习模型与BoW-SURF的目标识别算法。基于SURF(Speeded Up Robust Features)稳定的多尺度特征描述特性,以SURF描述子作为目标的局部特征描述子,借鉴BoW(Bag of Words)模型在文档分类中的优点,按目标特征量化的框架模型生成了表达目标的特征字典。首先采用K-Means算法对训练目标SURF特征集进行聚类,得到训练集对应的聚类中心(即BoW模型中的字典);然后通过完备的特征字典基对特定目标进行统一的特征量化表达;最后使用支持向量机(Support Vector Machine,SVM)的浅层分类器对目标进行分类。研究发现,在以多类型工件为实验样本的情况下,为提升算法的鲁棒性,同类型工件应按随机姿态进行摆放。通过实验发现,这种基于学习模型与BoW-SURF的目标识别算法可以在较复杂的环境下识别预定目标,根本不受目标平移、尺度缩放和几何旋转的影响,且识别工件目标可达50多种,准确率为90%,具有较强的稳定性与实时性。展开更多
文摘为实现机器人的主动学习和特定目标识别,提出了一种基于学习模型与BoW-SURF的目标识别算法。基于SURF(Speeded Up Robust Features)稳定的多尺度特征描述特性,以SURF描述子作为目标的局部特征描述子,借鉴BoW(Bag of Words)模型在文档分类中的优点,按目标特征量化的框架模型生成了表达目标的特征字典。首先采用K-Means算法对训练目标SURF特征集进行聚类,得到训练集对应的聚类中心(即BoW模型中的字典);然后通过完备的特征字典基对特定目标进行统一的特征量化表达;最后使用支持向量机(Support Vector Machine,SVM)的浅层分类器对目标进行分类。研究发现,在以多类型工件为实验样本的情况下,为提升算法的鲁棒性,同类型工件应按随机姿态进行摆放。通过实验发现,这种基于学习模型与BoW-SURF的目标识别算法可以在较复杂的环境下识别预定目标,根本不受目标平移、尺度缩放和几何旋转的影响,且识别工件目标可达50多种,准确率为90%,具有较强的稳定性与实时性。
