基于图像分割及特征提取的室内场景识别

摘要

随着人们生活水平的不断提高，家庭服务机器人逐渐走入人们的生活，越来越受到社会的关注。家庭服务机器人对室内环境的理解和识别，是家庭服务机器人能更好地服务人类，准确地执行人类指令的关键因素。图像场景识别主要侧重于对所摄入场景图像的全局语义进行整理、分析和推理，以获得其自身场景图像的语义信息，一直是人们研究的热点。本文针对室内的场景识别进行研究，具体研究内容如下:
　　1.以Mean Shift分割方法为基础，并重点考虑了分割尺度的有效控制、分割过程兼顾场景深度信息等问题，对算法进行了针对性改进。针对分割尺度控制问题，提出了边缘敏感度的概念，提高了算法尺度分块的控制能力。针对深度信息融合问题，采用了双目视觉立体匹配和基于Kinect传感器的两种深度信息获取方法，均成功实现融合并提高了分割效果。实验结果表明:本文算法与传统Mean Shift算法相比具有明显优势，不仅能更有效地控制分割尺度，还能成功分割原算法难以分割的特殊情况（如颜色、位置相近的图块）。
　　2.以图像分割后形成的图块为单位，提取其特征向量，从而实现对整张图像的分析和理解。分别提取分割图块的颜色特征、HOG特征和形状特征，为后面的图像识别和分类做准备。
　　3.利用词袋模型整合图像的低层次特征，得到图像的语义部分内容。传统词袋模型以SIFT特征作为视觉特征，本文以分割图块特征和SIFT特征共同构成图像的视觉特征，利用K-means算法聚类，形成图像的两个视觉词汇库。以两个视觉词汇库为基础，形成图像的表达向量。
　　4.以实验室四个房间为研究对象，完成场景识别的实验。对采集的场景图像拼接后形成场景的全景图像，以全景图像为单位，完成场景的识别。实验证明融合分割图块特征的词袋法进行场景识别，比单独以SIFT特征和分割图块特征为视觉单词的词袋法的识别率更高。

目录

声明

摘要

第1章绪论

1．1研究背景和意义

1．2国内外研究现状

1．2．1家庭服务机器人研究现状

1．2．2图像场景识别研究现状

1．3论文的组织结构

第2章Mean Shift算法及其改进

2．1 Mean Shift算法原理

2．1．1 Mean Shift向量

2．1．2核密度梯度估计

2．1．3Mean Shift算法步骤

2．1．4 Mean Shift图像分割算法

2．2图像分割尺度控制

2．2．1带宽参数的分析

2．2．2基于边缘敏感度的图像尺度控制

2．2．3试验结果与分析

2．3融合深度信息的图像分割

2．3．1深度图像

2．3．2基于双目视觉和Kinect的深度信息提取

2．3．3融合深度信息的Mean Shift分割

2．4本章小结

第3章基于图像分割图块的特征提取

3．1颜色特征

3．1．1 RGB颜色空间

3．1．2 HIS颜色空间

3．1．2颜色特征提取

3．2 HOG特征

3．2．1方向梯度直方图概述

3．2．2 HOG特征提取算法

3．2．3分割图块的HOG特征提取实现过程

3．3形状特征

3．3．1形状特征的描述

3．3．2分割图块形状特征的提取

3．4本章小结

第4章融合多特征的词袋模型

4．1词袋模型原理

4．2图像视觉特征提取

4．2．1构建尺度空间

4．2．2局部极值点检测

4．2．3特征点方向分配

4．2．4特征描述符生成

4．3 K-means聚类生成视觉词汇表

4．4融合分割图块特征的图像表达

4．5支持向量机

4．5．1 SVM分类原理

4．5．2 SVM多类分类问题

4．6本章小结

第5章基于多特征融合词袋模型的场景识别

5．1图像拼接技术

5．1．1图像投影变换

5．1．2特征点检测及匹配

5．1．3图像融合

5．2室内场景识别实验

5．3本章小结

结论

参考文献

攻读硕士学位期间发表的论文和取得的科研成果

致谢