本发明涉及机器人室内定位技术，特别是涉及一种基于视觉显著性原理的室内场景识别技术。
背景技术：
：
新一代的移动机器人需要解决诸如自身定位，地图创建和自主移动等问题，而解决这些问题的关键便是如何准确且鲁棒地获得机器人当前的位置信息。通过分析处理视觉信息提供的丰富的场景信息识别所在场景，是机器人室内定位的重要方法。目前基于视觉的场景识别方法主要有以下几种：
基于物体的场景识别使用若干标志物作为场景识别的根据。这种算法的缺点是容易受到场景噪声和光照状况的影响，而且如何选出场景中永久可靠的物体作为标志物一直是公认的难题。
基于区域的场景识别首先将视觉场景分割成若干区域，并使用区域间的结构关系作为场景的标记来识别不同场景。与上一方法类似，如何划分出具有鲁棒性的特征和关联的区域是该算法亟待解决的问题。
基于环境上下文的场景识别方法把输入的图像看作一个整体，并提取图像在统计和语义上的信息，再将图像信息精简总结为一个低维度的特征。这种方法对于图像噪声和小型物体具有鲁棒性，但有时会混淆语义信息相近的场景。
技术实现要素：
：
针对上述问题，本发明受到人类能够迅速地找到到场景中的引人注意的区域这一生物学特点的启发，通过找到图像中的显著性区域，并结合场景的主旨信息，提供了一种基于生物视觉显著性的室内场景识别方法。显著性区域是与周围的环境明显区别的区域，场景主旨则包含整个场景图像的统计信息。本发明将这两种会经过人类大脑视觉皮层处理的关键特征相关联，从而得到一种具有生物学合理性且计算成本非常低 的场景特征，并且得到了较高的识别准确率。
本发明的主要实现步骤如下：
1.底层Saliency特征提取
利用显著性模型从输入图像中提取出纹理、颜色和灰度三个通道，其中纹理通道包含四个方向的子通道，颜色通道则包含RG和BY两个子通道。每个子通道利用高斯平滑处理得到1:1到1:256九个尺度的高斯金字塔，并对不同层次做差值处理以提取不同尺度的特征。
2. Gist特征提取
在提取了图像的底层特征后，将所有尺度的特征图分割成4*4的16个网格，通过平均操作提取出16个值作为主旨特征向量。
3. PCA/ICA降维
每张图像提取出的主旨特征是通过34张特征图每张16个区域提取的共544维的向量。我们使用主成分分析(PCA)和独立成分分析(ICA)将其降维至80维，同时保留了97％的信息。
4.场景分类
利用降维后的场景特征，我们建立了一个分别具有200个节点和100个节点的三层神经网络，并使用反向传播算法进行训练。最后对九个场景得到了84.21％～86.45％的分类准确率，识别的平均时间小于10ms。