【摘要】：隨著深度學(xué)習(xí)的產(chǎn)生和發(fā)展,利用深度學(xué)習(xí)研究機(jī)器視覺成為國內(nèi)外學(xué)者研究的熱點,其中室內(nèi)環(huán)境場景識別與分類取得了巨大的進(jìn)展。室內(nèi)環(huán)境場景識別與分類技術(shù)的發(fā)展,對于家庭式移動機(jī)器人的后續(xù)研究具有基礎(chǔ)性建設(shè)性的作用,對提高國民生活質(zhì)量也有重要的意義。傳統(tǒng)的場景識別與分類技術(shù)采用人工提取特征,存在著效率低,擴(kuò)展性差,實時性差,準(zhǔn)確率低等諸多缺點,因此,本文提出一種新的網(wǎng)絡(luò)結(jié)構(gòu)識別模型,設(shè)計實現(xiàn)了對視頻圖像的室內(nèi)場景智能識別系統(tǒng)。本文在卷積神經(jīng)網(wǎng)絡(luò)的研究基礎(chǔ)上,提出一種帶有貝葉斯濾波和隨機(jī)森林分類器的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Place-AlexNet,設(shè)計并實現(xiàn)了室內(nèi)場景智能識別系統(tǒng)。圖像獲取模塊,系統(tǒng)選用place205圖像數(shù)據(jù)集中的11類作為場景識別模型的訓(xùn)練數(shù)據(jù)集,同時用視覺傳感器實現(xiàn)測試圖像數(shù)據(jù)的獲取。圖像預(yù)處理模塊,對圖像進(jìn)行雙線性插值歸一化操作,將圖像統(tǒng)一到227*227的大小;對圖像進(jìn)行去均值,將各個維度的數(shù)據(jù)都中心化到0,減少網(wǎng)絡(luò)計算量,完成預(yù)處理。場景識別模型構(gòu)建模塊,以包含5層卷積層和3層全連接層的AlexNet為基礎(chǔ),在最后一層嵌入貝葉斯濾波實現(xiàn)視頻圖像的時間相關(guān)性場景識別功能;同時采用隨機(jī)森林作為分類器提高對室內(nèi)場景分類的準(zhǔn)確率;利用網(wǎng)絡(luò)結(jié)構(gòu)的反向傳播循環(huán)訓(xùn)練更新權(quán)重以減少誤差,直至達(dá)到期望的結(jié)果。可視化顯示模塊,本文采用機(jī)器人操作系統(tǒng)的可視化軟件Rviz,實現(xiàn)室內(nèi)場景智能識別系統(tǒng)的可視化顯示。本系統(tǒng)利用Python語言在Ubuntu平臺上對室內(nèi)場景識別系統(tǒng)進(jìn)行程序的代碼編寫,經(jīng)系統(tǒng)測試后,證明了利用Place-AlexNet網(wǎng)絡(luò)識別模型對室內(nèi)環(huán)境場景識別問題上的有效性和穩(wěn)定性,且平均能夠達(dá)到88.23%的識別正確率,實現(xiàn)了系統(tǒng)的預(yù)期要求。
【圖文】：

第 2 章 相關(guān)工作1 1 1 1 1( | )= ( | ) ( | )k k k k k k kp x Z p x x p x Z dx 11( | ) ( | )( | )( | ) ( | )k k k kk kk k k k kp z x p x Zp x Zp z x p x Z dx 波算法流程描述了一種用于求后驗概率的遞推方法，其預(yù)測和行，通常稱為貝葉斯濾波，其流程如圖 2-1 所示。

圖 3-1 室內(nèi)場景智能識別系統(tǒng)總體用例圖據(jù)室內(nèi)場景智能識別系統(tǒng)的總體用例圖，對每一模塊進(jìn)行詳細(xì)的分1）視頻圖像獲取模塊需求分析景識別和分類任務(wù)的前提是獲取到當(dāng)前所處環(huán)境的圖像信息，然到的圖像進(jìn)行提取和處理，經(jīng)過相關(guān)算法的計算，，判斷機(jī)器人所用視覺傳感器采集視頻圖像，同時將其進(jìn)行保存，以備使用是圖主要工作，視頻圖像獲取模塊的用例圖，如圖 3-2 所示。
【學(xué)位授予單位】：遼寧大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：TP311.52;TP391.41

【參考文獻(xiàn)】

相關(guān)期刊論文 前1條

1 楊昭;高雋;謝昭;吳克偉;;局部Gist特征匹配核的場景分類[J];中國圖象圖形學(xué)報;2013年03期

相關(guān)碩士學(xué)位論文 前3條

1 劉媛媛;基于深度學(xué)習(xí)與空間視覺詞袋的場景分類方法[D];重慶郵電大學(xué);2017年

2 張洋陽;基于卷積神經(jīng)網(wǎng)絡(luò)的場景分類的研究與應(yīng)用[D];蘭州理工大學(xué);2017年

3 陳飛;多目標(biāo)跟蹤的邊緣分布貝葉斯濾波方法研究[D];深圳大學(xué);2015年

本文編號：2676061