本发明属于机器人技术领域，尤其涉及一种智能交互机器人控制系统。
背景技术：
目前，业内常用的现有技术是这样的：
交互，即交流互动，是很多互联网平台追求打造的一个功能状态。通过某个具有交互功能的互联网平台，让用户在上面不仅可以获得相关资讯、信息或服务，还能使用户与用户之间或用户与平台之间相互交流与互动，从而碰撞出更多的创意、思想和需求等。然而，现有的智能交互机器人唤醒机器人操作繁琐，体验性差；同时机器人对话生硬，语音交互效果差。
测控通信信号在通信安全具有重要性，现代图像通信系统通常采用跳扩频方式来对干扰图像抗截获及抗干扰，随着截获能力和信号识别处理算法能力的提高，基本的跳扩频抗截获及干扰能力显得日益薄弱。当前提高抗截获的能力主要是以扩频和跳频为基础，一方面提高跳速和频率集的带宽，一方面采用差分跳频和自适应跳频等新的跳频方式。这些方法存在硬件开销较大、组网规划比较困难、实时性很差等问题。尽管常规跳频技术、差分跳频技术和自适应跳频技术都已经可以对抗大部分的截获和干扰方式，但是在对抗日益发展的截获技术和干扰技术时，其性能仍不能满足图像通信的需要。
由于图像空间通信的噪声环境复杂多变以及干扰问题日益严重，信号易受其影响而呈现微弱状态。因此，提高图像通信中低信噪比条件下微弱信号的检测与参数估计是目前亟待解决的问题。psk信号是相位调制、幅度恒定的数字调制信号，由于其具备抗干扰能力强且可以展宽信号的带宽的优势，常常作为卫星通信中普遍采用的信号类型，广泛应用于图像处理中。载频是描述信号脉内特性的核心参数之一，精确估计出图像通信信号的载频对于调制方式的识别、特定信号的搜索以及解调等都具有重要的意义。研究alpha稳定分布噪声下psk信号码元速率的估计具有一定的理论价值和实际的工程意义。
但是文献中并没有对载频估计给出具体算法步骤，仍需对其协方差谱进行深入研究才能估计出载频。现有技术针对基于二阶循环统计量的参数估计方法在alpha稳定分布噪声中严重退化的问题，提出了一种基于分数低阶循环谱的mpsk信号载频估计方法，对于不同m值下的psk信号，分析了其载波频率与相应分数低阶循环谱参数的关系，在此基础上给出了适合所有psk信号的载波频率估计方法。该方法在混合信噪比为-10db且α为1.5时，bpsk信号的载频估计的归一化均方误差为0.043，qpsk信号载频估计的归一化均方误差为0.041，因此低信噪比下的载频估计性能仍有待提高。
综上所述，现有技术存在的问题是：
现有的智能交互机器人唤醒机器人操作繁琐，体验性差；同时机器人对话生硬，语音交互效果差。
现有图像处理方法不能对图像通信易受到截获及干扰的程度进行有效解决。
技术实现要素：
针对现有技术存在的问题，本发明提供了一种智能交互机器人控制系统。
本发明是这样实现的，一种智能交互机器人控制系统，包括：
唤醒模块，与中央处理模块连接，用于唤醒机器人进行交互操作；
摄像模块，与中央处理模块连接，用于通过摄像头采集用户影像；
语音采集模块，与中央处理模块连接，用于采集用户的声音数据信息；
中央处理模块，与唤醒模块、摄像模块、语音采集模块、图像识别模块、对话模块、数据存储模块、显示模块连接，用于控制各个模块正常工作；
图像识别模块，与中央处理模块连接，用于对采集的用户影像图像中动作元素进行识别；
对话模块，与中央处理模块连接，用于与用户进行对话操作；
所述唤醒模块唤醒方法如下：
首先，在休眠状态下，获取交互操作，并确定与所述交互操作的类型对应的交互参数；
然后，判断所述交互参数是否符合唤醒操作要求；
最后，当所述交互参数符合所述唤醒操作要求时，开启相应的处于关闭状态的组件；
所述交互操作的类型为手势操作时，所述在休眠状态下，获取交互操作，并确定与所述交互操作的类型对应的交互参数，包括：
在休眠状态下，获取交互对象的手势，确定所述交互对象与所述智能交互机器人之间的距离；
所述获取交互对象的手势之后，判断所述手势是否符合预先设定的标准手势，所述标准手势包括以下一项或多项：
距离传感器被遮挡的次数与预设的遮挡次数匹配的手势，距离传感器被遮挡的时间与预设的遮挡时间匹配的手势和连续两次所述距离传感器被遮挡的间隔时间与预设的间隔时间匹配的手势；
当所述手势符合预先设定的标准手势，则进入确定所述交互对象与所述智能交互机器人之间的距离的步骤；
对话模块对话方法包括：
首先，预存储多种不同的对话策略，所述对话策略至少包含全干预对话策略、半干预对话策略、和不干预对话策略；
其次，根据当前对话策略生成应答信号；
然后，响应于选取指令将当前对话策略转换为选定的对话策略；
最后，根据选定的对话策略重新生成应答信号；
图像识别模块的图像识别中，结合混沌保密通信及图样调制，将真实信息扩展后与混沌码异或生成相应伪码，由伪码控制相应跳频周期是否发送载频，周期内是否发送载频的位置信息形成不一样的调制图样；通过载频是否发送的规律来传递信息，真实信息隐藏在调制图样中，并且混沌序列增强调制图样的随机性；
对接收的隐藏在调制图样真实信息含有alpha稳定分布噪声的psk信号求循环共变函数；
对所述循环共变函数进行傅里叶变换，求其循环共变谱；
通过所述循环共变谱提取循环频率ε＝0hz的截面；搜索所述截面的正负半轴的峰值，找到所述峰值对应的正负频率值，并取绝对值后求均值作为载频的估计值。
进一步，图像识别模块的图像识别方法具体包括以下步骤：
步骤一，将真实信息即码字的1和0序列经过n倍扩展后，分别与对应时间顺序的混沌序列进行异或，得到信息码字相应的伪码；
步骤二，信息发送端将由伪码发生器生成的跳频序列每n个点分为一组，每个码字相应的n个伪码元对应于跳频序列n个周期内的频点，且伪码的1和0分别代表相应跳频周期上是否发送载频，形成调制图样，由调制图样将伪码序列进行非常规调制，再与由频率合成器生成的跳频图案进行混频，进行发送；
步骤三，信息接收端接收到信号后，对发射端载波频率的发送规律进行估计，再与已知跳频频率序列进行比较，与相应时间上的载波频率相等则记为1，与相应时间上的载波频率不相等记为0；
步骤四，将比较得到的序列与发送端相同的混沌序列异或，经n倍压缩即得到真实的信息；
步骤五，对接收的隐藏在调制图样真实信息含有alpha稳定分布噪声的psk信号求循环共变函数；
对所述循环共变函数进行傅里叶变换，求其循环共变谱；
通过所述循环共变谱提取循环频率ε＝0hz的截面；搜索所述截面的正负半轴的峰值，找到所述峰值对应的正负频率值，并取绝对值后求均值作为载频的估计值。
进一步，所述步骤一进一步包括：
第一步，将码速率为fb_real＝25kbps的真实有效信息x[1:1000]横向扩展n＝5倍，即1扩展为11111，0扩展为00000，得到序列x1[1:5000]，采样率为fs_real＝5mhz；
第二步，产生chebyshev-map混沌序列y[1:5000]，映射方程为：
yn+1＝tk(yn)＝cos(k·cos-1yn),yn∈[-1,1]；
其中k为chebyshev映射参数取4，yn为当前状态，yn+1为下一个状态，从初始值y0开始迭代，采用门限将得到的序列二值量化得到序列y＝{y0,y1,y2,…,yi,…}，初始值y0取0.6；
第三步，将序列x1与混沌序列y异或得到伪随机序列z[1:5000]：
所述步骤二进一步包括：
(1)由伪码序列z[1:5000]的1和0控制生成调制图样，伪码序列z进行非常规bpsk调制，为1，则对应时间内基带信号为cos(2πfc_bpskt)，为0，则对应时间内基带信号全为0，生成基带调制信号fbpsk[1:100000]；
(2)由伪随机码发生器产生伪随机序列，通过指令译码器，控制频率合成器生成跳频图案x；
(3)将基带调制信号fbpsk与跳频图案x经混频器混频后，得到发送信号rs再进行发送；
所述合成器生成跳频图案x的方法为：由伪随机码发生器生成范围为1-8的跳频序列xhop[1:5000]，与随机数xhop(i)，i＝1...5000对应的跳频载波频率fc(xhop(i))为：
fc(xhop(i))＝fl+(xhop(i)-1)*fi；
fsend(i)＝fc(xhop(i))；
其中最低频率fl＝30m，跳频间隔为fi＝0.25m，由此得到跳频载波频率集fsend[1:5000]，再生成跳频载波即跳频图案x[1:100000]。
进一步，所述接收信号的循环共变函数包括：
所述信号含有服从sαs分布噪声的mpsk信号，可以表示为：
其中e是信号的平均功率，
其中(x(t-τ))<p-1>＝|x(t-τ)|p-2x*(t-τ)，γx(t-τ)是x(t)的分散系数，则x(t)的循环共变定义为：
其中ε称为循环频率，t为一个码元周期；
所述接收信号的循环共变谱按以下进行：
循环共变谱是循环共变函数的傅里叶变换，表示为：
其循环共变谱推导为：
当m≥4时，在
当m＝2时，
其中q(f)为q(t)的傅里叶变换，且
所述通过提取循环共变谱中循环频率ε＝0hz的截面实现载频估计，按以下进行：
所述循环共变谱在n＝0即ε＝0hz截面上的包络为：
当f＝±fc时，包络取得最大值。
进一步，所述智能交互机器人控制系统还包括：
数据存储模块，与中央处理模块连接，用于存储采集的用户信息；
显示模块，与中央处理模块连接，用于显示交互的信息内容。
本发明的另一目的在于提供一种实现所述智能交互机器人控制系统控制方法的计算机程序。
本发明的另一目的在于提供一种搭载有所述述智能交互机器人控制系统的信息数据处理终端。
本发明的另一目的在于提供一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行如所述的智能交互机器人控制系统控制方法。
本发明的优点及积极效果为：
本发明通过唤醒模块在休眠状态下，获取交互操作，并确定与所述交互操作的类型对应的交互参数；判断所述交互参数是否符合唤醒操作要求；当所述交互参数符合所述唤醒操作要求时，开启相应的处于关闭状态的组件，本发明实施例的唤醒方式简单，无需交互对象记忆繁琐的唤醒操作，提高用户体验；同时通过对话模块极大提升语音对话体验，提供符合人类的语言习惯和风格，使机器人更加智能化。
本发明的图像处理方法基于现有跳频体制的抗截获性能，结合混沌保密通信理论及图样调制跳频方法，提出了处理方法，通过系统载波的发送位置规律来表示信息，只需检测频点的发送规律来解信息，发送端由伪码“1”和“0”控制跳频周期内是否发送载波，将真实信息隐藏在调制图样中，同时由于混沌序列的无周期性、无收敛性和不可逆性质，将其应用于本方法的发送端可增强调制图样的随机性，因此与现有常规的基于跳频的抗截获技术相比，本发明在信噪比为10时可达到几乎可达100％的抗截获性能。保证了获得图像的准确性。
本发明可以对alpha稳定分布噪声下psk信号的载频进行估计；
本发明在低信噪比环境下具有较好的估计性能；
在相同的仿真实验环境和相同的码元速率、载波频率、采样频率、采样点数和信噪比等信号参数设置条件下，本发明比现有的方法具有更好的估计性能。可获得准确的处理数据。
附图说明
图1是本发明实施例提供的智能交互机器人控制系统结构框图。
图中：1、唤醒模块；2、摄像模块；3、语音采集模块；4、中央处理模块；5、图像识别模块；6、对话模块；7、数据存储模块；8、显示模块。
图2为本发明在不同混合信噪比下bpsk和qpsk循环共变谱载频估计的性能图(α＝1.5)；
图3为本发明在不同特征指数下估计的性能对比图(msnr＝0db)；
图4为本发明在相同的仿真实验环境和信号参数设置下，针对alpha稳定分布噪声下的bpsk信号，本发明与参考文献估计方法的性能对比图；
图5为本发明在相同的仿真实验环境和信号参数设置下，针对alpha稳定分布噪声下的qpsk信号，本发明与参考文献估计方法的性能对比图。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下。
如图1所示，本发明提供的智能交互机器人控制系统包括：唤醒模块1、摄像模块2、语音采集模块3、中央处理模块4、图像识别模块5、对话模块6、数据存储模块7、显示模块8。
唤醒模块1，与中央处理模块4连接，用于唤醒机器人进行交互操作；
摄像模块2，与中央处理模块4连接，用于通过摄像头采集用户影像；
语音采集模块3，与中央处理模块4连接，用于采集用户的声音数据信息；
中央处理模块4，与唤醒模块1、摄像模块2、语音采集模块3、图像识别模块5、对话模块6、数据存储模块7、显示模块8连接，用于控制各个模块正常工作；
图像识别模块5，与中央处理模块4连接，用于对采集的用户影像图像中动作元素进行识别；
对话模块6，与中央处理模块4连接，用于与用户进行对话操作；
数据存储模块7，与中央处理模块4连接，用于存储采集的用户信息；
显示模块8，与中央处理模块4连接，用于显示交互的信息内容。
本发明提供的唤醒模块1唤醒方法如下：
首先，在休眠状态下，获取交互操作，并确定与所述交互操作的类型对应的交互参数；
然后，判断所述交互参数是否符合唤醒操作要求；
最后，当所述交互参数符合所述唤醒操作要求时，开启相应的处于关闭状态的组件。
本发明提供的交互操作的类型为手势操作时，所述在休眠状态下，获取交互操作，并确定与所述交互操作的类型对应的交互参数，包括：
在休眠状态下，获取交互对象的手势，确定所述交互对象与所述智能交互机器人之间的距离；
本发明提供的获取交互对象的手势之后，判断所述手势是否符合预先设定的标准手势，所述标准手势包括以下一项或多项：
距离传感器被遮挡的次数与预设的遮挡次数匹配的手势，距离传感器被遮挡的时间与预设的遮挡时间匹配的手势和连续两次所述距离传感器被遮挡的间隔时间与预设的间隔时间匹配的手势；
当所述手势符合预先设定的标准手势，则进入确定所述交互对象与所述智能交互机器人之间的距离的步骤。
本发明提供的对话模块6对话方法如下：
首先，预存储多种不同的对话策略，所述对话策略至少包含全干预对话策略、半干预对话策略、和不干预对话策略；
其次，根据当前对话策略生成应答信号；
然后，响应于选取指令将当前对话策略转换为选定的对话策略；
最后，根据选定的对话策略重新生成应答信号。
本发明交互式，通过唤醒模块1唤醒机器人进行交互操作；通过摄像模块2采集用户影像；通过语音采集模块3采集用户的声音数据信息；通过中央处理模块4调度图像识别模块5对采集的用户影像图像中动作元素进行识别；通过对话模块6与用户进行对话操作；通过数据存储模块7存储采集的用户信息；通过显示模块8显示交互的信息内容。
下面结合具体分析对本发明作进一步描述。
图像识别模块的图像识别中，结合混沌保密通信及图样调制，将真实信息扩展后与混沌码异或生成相应伪码，由伪码控制相应跳频周期是否发送载频，周期内是否发送载频的位置信息形成不一样的调制图样；通过载频是否发送的规律来传递信息，真实信息隐藏在调制图样中，并且混沌序列增强调制图样的随机性；
对接收的隐藏在调制图样真实信息含有alpha稳定分布噪声的psk信号求循环共变函数；
对所述循环共变函数进行傅里叶变换，求其循环共变谱；
通过所述循环共变谱提取循环频率ε＝0hz的截面；搜索所述截面的正负半轴的峰值，找到所述峰值对应的正负频率值，并取绝对值后求均值作为载频的估计值。
图像识别模块的图像识别方法具体包括以下步骤：
步骤一，将真实信息即码字的1和0序列经过n倍扩展后，分别与对应时间顺序的混沌序列进行异或，得到信息码字相应的伪码；
步骤二，信息发送端将由伪码发生器生成的跳频序列每n个点分为一组，每个码字相应的n个伪码元对应于跳频序列n个周期内的频点，且伪码的1和0分别代表相应跳频周期上是否发送载频，形成调制图样，由调制图样将伪码序列进行非常规调制，再与由频率合成器生成的跳频图案进行混频，进行发送；
步骤三，信息接收端接收到信号后，对发射端载波频率的发送规律进行估计，再与已知跳频频率序列进行比较，与相应时间上的载波频率相等则记为1，与相应时间上的载波频率不相等记为0；
步骤四，将比较得到的序列与发送端相同的混沌序列异或，经n倍压缩即得到真实的信息；
步骤五，对接收的隐藏在调制图样真实信息含有alpha稳定分布噪声的psk信号求循环共变函数；
对所述循环共变函数进行傅里叶变换，求其循环共变谱；
通过所述循环共变谱提取循环频率ε＝0hz的截面；搜索所述截面的正负半轴的峰值，找到所述峰值对应的正负频率值，并取绝对值后求均值作为载频的估计值。
所述步骤一进一步包括：
第一步，将码速率为fb_real＝25kbps的真实有效信息x[1:1000]横向扩展n＝5倍，即1扩展为11111，0扩展为00000，得到序列x1[1:5000]，采样率为fs_real＝5mhz；
第二步，产生chebyshev-map混沌序列y[1:5000]，映射方程为：
yn+1＝tk(yn)＝cos(k·cos-1yn),yn∈[-1,1]；
其中k为chebyshev映射参数取4，yn为当前状态，yn+1为下一个状态，从初始值y0开始迭代，采用门限将得到的序列二值量化得到序列y＝{y0,y1,y2,…,yi,…}，初始值y0取0.6；
第三步，将序列x1与混沌序列y异或得到伪随机序列z[1:5000]：
所述步骤二进一步包括：
(1)由伪码序列z[1:5000]的1和0控制生成调制图样，伪码序列z进行非常规bpsk调制，为1，则对应时间内基带信号为cos(2πfc_bpskt)，为0，则对应时间内基带信号全为0，生成基带调制信号fbpsk[1:100000]；
(2)由伪随机码发生器产生伪随机序列，通过指令译码器，控制频率合成器生成跳频图案x；
(3)将基带调制信号fbpsk与跳频图案x经混频器混频后，得到发送信号rs再进行发送；
所述合成器生成跳频图案x的方法为：由伪随机码发生器生成范围为1-8的跳频序列xhop[1:5000]，与随机数xhop(i)，i＝1...5000对应的跳频载波频率fc(xhop(i))为：
fc(xhop(i))＝fl+(xhop(i)-1)*fi；
fsend(i)＝fc(xhop(i))；
其中最低频率fl＝30m，跳频间隔为fi＝0.25m，由此得到跳频载波频率集fsend[1:5000]，再生成跳频载波即跳频图案x[1:100000]。
所述接收信号的循环共变函数包括：
所述信号含有服从sαs分布噪声的mpsk信号，可以表示为：
其中e是信号的平均功率，
其中(x(t-τ))<p-1>＝|x(t-τ)|p-2x*(t-τ)，γx(t-τ)是x(t)的分散系数，则x(t)的循环共变定义为：
其中ε称为循环频率，t为一个码元周期；
所述接收信号的循环共变谱按以下进行：
循环共变谱是循环共变函数的傅里叶变换，表示为：
其循环共变谱推导为：
当m≥4时，在
当m＝2时，
其中q(f)为q(t)的傅里叶变换，且
所述通过提取循环共变谱中循环频率ε＝0hz的截面实现载频估计，按以下进行：
所述循环共变谱在n＝0即ε＝0hz截面上的包络为：
当f＝±fc时，包络取得最大值。
下面结合仿真实验对本发明作进一步描述。
图2为本发明在不同混合信噪比下bpsk和qpsk循环共变谱载频估计的性能图(α＝1.5)；
图3为本发明在不同特征指数下估计的性能对比图(msnr＝0db)；
图4为本发明在相同的仿真实验环境和信号参数设置下，针对alpha稳定分布噪声下的bpsk信号，本发明与参考文献估计方法的性能对比图；
图5为本发明在相同的仿真实验环境和信号参数设置下，针对alpha稳定分布噪声下的qpsk信号，本发明与参考文献估计方法的性能对比图。
本发明分别采用bpsk和qpsk信号模型，噪声为alpha稳定分布噪声。bpsk信号，8位码字[1,0,1,1,0,1,1,0]，码元宽度wm为25.6ms，载频fc为1200hz，采样速率fs为10000hz；qpsk信号，8位弗兰克码[11,01,00,10,00,11,10,01]，码元宽度wm为25.6ms，载频fc为1200hz，采样速率fs为10000hz。
为了测试混合信噪比对alpha稳定分布噪声下psk信号的载频估计性能的影响，分别对bpsk和qpsk信号的情况，alpha稳定分布噪声的特征指数α＝1.5。如图2所示，在低信噪比环境下本发明的估计方法能够到达较理想的估计性能，并且随着信噪比的增大，本发明的估计方法的性能随之提高。
为了测试alpha稳定分布噪声的特征指数α对alpha稳定分布噪声下psk信号的载频估计性能的影响，以及进一步说明本发明方法的优越性，在相同的仿真实验环境和信号参数设置下，对信号模型分别为bpsk和qpsk信号的情况，本发明方法与参考文献的基于分数低阶循环谱思想的载频估计方法，进行对比试验。如图3所示，随着特征指数的增加，本发明的估计方法的性能随之提高，并优于参考文献的估计方法。
为了进一步说明本发明的优越性，在相同的仿真实验环境和信号参数设置下，对信号模型分别为bpsk和qpsk信号的情况，本发明方法与参考文献的基于分数阶循环谱思想的载频估计方法，进行对比试验。如图4、图5所示，本发明方法的估计性能均优于参考文献的估计方法。
以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。