服务机器人是一类能够半自主或全自主地帮助人类解决日常生活任务的机器设备。随着科学技术的进步,以及全球劳动力成本上升、人口老龄化等问题的显现,服务机器人逐渐成为机器人发展的主攻方向之一,受到国内外学术界和产业界的高度重视。《国家中长期科学和技术发展规划纲要(2006-2020)》将智能服务机器人列为未来15年重点技术和重点领域,其发展逐渐呈现智能化、标准化、体系化等特点。目前,在服务机器人系统中,视觉传感器具有信息丰富,使用方便等优点,已经被广泛使用。在机器人视觉图像的基础上,如何滤除干扰,对于有价值信息进行分类存储,并进一步研究和分析图像,使其契合机器人对于环境智能认知与感知的需求,日益成为了服务机器人的重要研究课题之一。本文以服务机器人的信息感知技术及应用研究为核心开展工作,以视觉注意机制研究为主线贯彻始终。从探寻视觉注意机制及模型机理出发,建立了通用视觉注意检测模型。随后以此为基础,选取服务机器人的室内场景识别、定位与导航应用作为载体,从模型建立、图像数据库验证,实际机器人平台测试三方面进行了深入研究。论文具体包括以下内容:(1)在分析视觉注意机制的基础上,深入研究了由底层特征激发的视觉注意机理,提出了基于全局统计特征和中央-周围对比度信息的通用视觉注意模型。其中,全局统计特征方法利用图像熵理论,根据场景图像的复杂度,自适应选择阈值进行图像平滑,在保留图像必要细节的同时,有效合并相似背景区域。随后,基于颜色特征,利用统计方法,在对立色彩空间上进行全局显著值计算,得到了全分辨率场景显著图。中央周围对比度信息模型利用超像素方法,首先将图像分割为不同尺度的小区域,然后综合考虑颜色、空间位置以及纹理特征计算图像显著值。最终输出的显著图对上述两种方法结果进行了融合。三个公共数据集上的十五种方法对比实验结果表明,该方法可以在定性及定量分析中获得更好的显著性检测结果。(2)针对常规场景识别方法在室内结构环境中性能显著下降的问题,构建一种融合全局及显著性区域特征的机器人场景识别框架。该框架利用改进的BoW(Bag-of-Words)模型进行场景判别的同时,引入视觉注意方法提取出场景图像的显著区域,结合改进的BDBN(Bilinear deep belief network)深度学习网络进行场景类别判断。最终,对于全局和显著性区域特征两个模型的结果进行分段判别融合。实际机器人平台及MIT室内场景数据库上的实验结果表明,本方法在MIT室内场景数据库中的准确率优于SP-BoW、R-BoW等对比方法,相较于常规BoW模型,该方法可以有效提高识别准确率10%以上,进一步验证了方法的良好性能。(3)为解决利用自然路标导航的服务机器人应用中存在的路标计算复杂、鲁棒性较弱等缺陷。提出了一种基于显著自然路标的机器人定位和导航框架。框架首先结合图像的频域和空间分布特征,创建了一种频域特性的显著性计算方法。随后,利用该方法生成的视觉显著图,引导特征算子采样聚焦在固定的区域内,从而大幅减少后续特征提取及匹配的计算工作量。最后,将提取到的自然路标特征应用于环境地图的拓扑节点创建中,开展了相关机器人定位和导航的实证研究。实验结果表明,该方法无需进行视觉传感器校准,可以有效引导机器人完成定位和导航任务,具有一定的鲁棒性。(4)针对物体检测算法中常用的滑动窗口方法效率低下的问题,设计了一种基于颜色和超像素特征的似物性采样技术物体区域筛选方法。在利用显著性计算方法得到场景图像显著图的同时,利用单次细化骨架提取方法进行图像的粗分割,并用模糊C均值聚类方法进行优化,得到更佳的分割结果。随后结合场景图像显著图,以区域的平均显著度为依据,实现对于显著区域的有效分割。结合图像的超像素特征,设计了最大密度值聚类和层次分组策略方法进一步提取图像中的可能物体区域。实验表明,该模型可以反映出图像的语义特征,得到更好的区域分割效果。(5)从友好交互的角度出发,提出了一种基于非精确地图的人机交互式导航方法。运行过程中,要求用户预先给出目标物体和大致的导航路线。目标物体识别阶段,视觉系统利用颜色和图像超像素特征筛选出图像中的可能物体区域,用于后续的目标物体识别。相较于在整幅图片上应用的滑动窗口检测技术,该方法可以大大减少窗口数量,提升计算效率。导航阶段引入GMS算法来加速和优化特征匹配,并将结果匹配结果用于引导机器人的转向,结合测距传感器来辅助机器人进行避障运行。相较于传统机器人地图导航方式,该人机交互式导航框架具有简单易用、成本低廉等特点,能够有效地引导机器人在环境中顺利运行。