一种室内场景的识别方法及装置的制造方法
【技术领域】
[0001] 本发明属于模式识别技术领域，尤其涉及一种室内场景的识别方法及装置。
【背景技术】
[0002] 目前，场景识别技术在许多领域得到了实际应用，例如基于内容的图像检索技术， 机器人路径规划技术，以及图像标注技术，等等。典型的场景分类主要由以下几个步骤完 成：首先，从训练图像集中计算视觉特征；其次，训练出一个高效的降维模型，通过该降维 模型选择对分类最有效的特征；再次，选择一个合适的分类器进行分类识别。在特征选择 上，广泛的研宄表明，局部约束线性编码算法在实际应用中适合计算室内场景图片的特征， 然而，通过局部约束线性编码算法获取到的图像特征维数很高，受限于计算资源，较高的特 征维度会影响场景识别系统的实用性。
[0003] 为了使高维特征变得更加简洁和有效，目前，研宄人员普遍采用线性判别分析算 法进行特征选择，为了获得较好的特征选择矩阵，线性判别模型通常需要大量的训练样本， 而大量的训练样本无疑会极大地提升系统开发的成本。
【发明内容】
[0004] 本发明实施例的目的在于提供一种室内场景的识别方法及装置，旨在解决目前的 室内场景识别技术导致系统开发成本过高的问题。
[0005] 本发明实施例是这样实现的，一种室内场景的识别方法，包括：
[0006] 获取室内场景的彩色图像和深度图像；
[0007] 分别对所述彩色图像和所述深度图像进行特征提取；
[0008] 基于局部结构保留鉴别投影算法进行特征选择；
[0009] 基于特征选择结果，采用支持向量机分类以完成室内场景识别。
[0010] 本发明实施例的另一目的在于提供一种室内场景的识别装置，包括：
[0011] 获取单元，用于获取室内场景的彩色图像和深度图像；
[0012] 提取单元，用于分别对所述彩色图像和所述深度图像进行特征提取；
[0013] 选择单元，用于基于局部结构保留鉴别投影算法进行特征选择；
[0014] 分类单元，用于基于特征选择结果，采用支持向量机分类以完成室内场景识别。
[0015] 本发明实施例采用局部结构保留鉴别投影算法，通过尽可能地保留任意样本与近 邻样本构成的局部排序关系，来改善线性判别分析算法在小样本情况下的系统性能，与线 性判别模型相比，能够减少模型训练对人工标注样本的依赖，并提高室内场景的识别准确 度。
【附图说明】
[0016] 图1是本发明实施例提供的室内场景的识别方法的实现流程图；
[0017] 图2是本发明实施例提供的室内场景的识别方法S102的具体实现流程图；
[0018] 图3是本发明实施例提供的室内场景的识别装置的结构框图。
【具体实施方式】
[0019] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对 本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并 不用于限定本发明。
[0020] 图1示出了本发明实施例提供的室内场景的识别方法的实现流程，详述如下：
[0021] 在SlOl中，获取室内场景的彩色图像和深度图像。
[0022] 可以通过Kinect传感器来获取室内场景的RGB彩色图像和Depth深度图像。
[0023] 在S102中，分别对所述彩色图像和所述深度图像进行特征提取。
[0024] 如图2所示，S102的特征提取过程如下：
[0025] 在S201中，将所述彩色图像和所述深度图像转换成灰度图并缩放。
[0026] 可以按照一定比例对转换得到的灰度图进行缩放，例如，使转换得到的灰度图的 尺寸小于或等于300X300个像素。
[0027] 在S202中，在转换成灰度图并缩放后的所述彩色图像和所述深度图像的局部块 上提取尺度不变特征转换（Scale-Invariant Feature Transform，SIFT)特征。
[0028] 其中，每个局部块的大小可以为16X16像素，相邻局部块之间在图像上水平或垂 直有8个像素的重叠区域，局部块上提取的SIFT特征维数为128。
[0029] 在 S203 中，米用局部约束线性编码（Locally-constrained Linear Coding，LLC) 算法进行特征表达。
[0030] 采用LLC算法进行特征表达时，需要对所有数据集上的局部块进行k-meas聚类， 从而形成一个码本（词典）。k-means聚类算法随意选择第一个聚类中心，当聚类中心在小 范围内变化时，迭代终止。在实验中，码本的数目为M= 1024。在三层空间金字塔模型上进 行最大聚合，该三层空间金字塔模型可以划分为1X1，2X2和4X4的子区域，对成对的彩 色图像和深度图像对来说，LLC的特征长度都为（1+4+16) X 1024 = 21504,最后将彩色图像 和深度图像分别进行特征合并，可以得到长度为21504X2 = 43008的特征。
[0031] 在S103中，基于局部结构保留鉴别投影算法进行特征选择。
[0032] 如图3所示，S103利用局部结构保留鉴别投影算法进行特征选择的过程如下：
[0033] 首先，在一个局部块内，通过局部优化函数
[0034]
【主权项】
1. 一种室内场景的识别方法，其特征在于，包括： 获取室内场景的彩色图像和深度图像； 分别对所述彩色图像和所述深度图像进行特征提取； 基于局部结构保留鉴别投影算法进行特征选择； 基于特征选择结果，采用支持向量机分类以完成室内场景识别。
2. 如权利要求1所述的方法，其特征在于，所述分别对所述彩色图像和所述深度图像 进行特征提取包括： 将所述彩色图像和所述深度图像转换成灰度图并缩放； 在转换成灰度图并缩放后的所述彩色图像和所述深度图像的局部块上提取尺度不变 特征转换特征； 采用局部约束线性编码算法进行特征表达。
3. 如权利要求2所述的方法，其特征在于，所述基于局部结构保留鉴别投影算法进行 特征选择包括： 在一个局部块内，通过局部优化函数对样本间的结构信息在投影后的空间中进行保 留； 对于全局的类内样本结构，通过类内样本目标函数最小化投影后的低维样本与同类样 本间的距离；