论文部分内容阅读
作为现代计算技术和IT技术的延伸,机器人正在逐渐走进我们的生活,而高度智能化和特性化正成为个人机器人鲜明的特征。视觉系统是机器人感知周围环境的重要组成构建之一,对于获取原数据并进行处理以供机器人控制协调完成相应的任务起着至关重要的作用。其中物体识别部分作为机器人视觉系统的一个重要部分,对于物体抓取、周围环境感知以及识别导航等都有很大的作用。在室内环境下进行物体的检测,可以辅助服务型机器人完成很多任务,并且物体的检测与定位也是视觉任务中极其关键的一步。本文改进一种检测和定位非类别限定的物体的方法。传统采用四种特征(即多尺度显著点、颜色对比、边缘稠密度和超像素跨立)进行融合,对于背景简单的环境检测效果良好。但是对于室内背景复杂,且近距离的物体检测出现误检和漏检。考虑距离因素,本文引入深度信息作为新的一种特征进行融合,通过实验验证增加深度信息后,物体检测准确度相对于不加深度信息有显著提高。基于非类别限定的物体检测算法和机器人单一视觉传感器获取源数据的特性,本文给出一种非类别限定的物体识别学习模型。区别于模版理论和常规理论,首先,采用多特征分类训练检测环境内机器人感兴趣的物体。其次,根据记忆库中存储的信息与物体实体信息进行分别识别与学习。这里学习是指示教学习,即面对一个新物体,第三方提供信息给机器人,然后机器人记有该物体信息以备下次识别。本论文基于三种假设:物体已被分割,物体类属性(物体分类)已知和物体归属性(物体归属某个人)已知,将该模型流程对应于三种情形:记忆库中存储有完整的物体信息,记忆库中只存储物体的类属性信息和记忆库中不存储该物体的任何信息。通过非限定类别的物体检测算法完成物体分割任务,之后采用高级特征和分类方法完成类属性和归属性的识别任务。论文最后,通过三个实验验证该模型的可行性。