基于奇異值分解的機(jī)器人視覺(jué)圖像顯著目標(biāo)自動(dòng)提取方法研究
在當(dāng)今的機(jī)器人視覺(jué)應(yīng)用中,機(jī)器人視覺(jué)圖像顯著目標(biāo)提取是一個(gè)關(guān)鍵問(wèn)題。它旨在從復(fù)雜的機(jī)器人視覺(jué)圖像背景中突出顯示最重要的信息,以便機(jī)器人可以更有效地理解和處理環(huán)境[1]。然而,這一問(wèn)題具有極大的挑戰(zhàn)性,因?yàn)樾枰诖罅康臋C(jī)器人視覺(jué)圖像數(shù)據(jù)中找到具有顯著性的目標(biāo),這需要復(fù)雜的計(jì)算和準(zhǔn)確的算法。
在過(guò)去幾十年中,許多研究者致力于解決這個(gè)問(wèn)題,提出了許多方法,包括基于色彩的顯著性檢測(cè)、基于頻域的顯著性檢測(cè)、基于機(jī)器學(xué)習(xí)的顯著性檢測(cè)等等[2]。這些方法在一定程度上取得了成功,但仍存在一些問(wèn)題,如對(duì)復(fù)雜背景的魯棒性、對(duì)不同光照條件的適應(yīng)性以及對(duì)計(jì)算資源的需求等。
近年來(lái),基于奇異值分解(SVD)的方法在機(jī)器人視覺(jué)圖像處理中受到了廣泛關(guān)注。SVD是一種強(qiáng)大的矩陣分析工具,它可以提供機(jī)器人視覺(jué)圖像的重要統(tǒng)計(jì)信息,并且對(duì)機(jī)器人視覺(jué)圖像的旋轉(zhuǎn)、縮放和錯(cuò)位等變換具有不變性[3]。因此,它在機(jī)器人視覺(jué)圖像識(shí)別、機(jī)器人視覺(jué)圖像恢復(fù)和機(jī)器人視覺(jué)圖像壓縮等領(lǐng)域應(yīng)用廣泛。然而,將SVD應(yīng)用于機(jī)器人視覺(jué)圖像顯著目標(biāo)提取的研究還相對(duì)較少。
本文將深入研究基于SVD的機(jī)器人視覺(jué)圖像顯著目標(biāo)自動(dòng)提取方法,希望通過(guò)這種方法,能夠提高機(jī)器人在處理大量機(jī)器人視覺(jué)圖像數(shù)據(jù)時(shí)的效率和準(zhǔn)確性,從而推動(dòng)機(jī)器人在實(shí)際生活中的應(yīng)用。
1基于奇異值分解的機(jī)器人視覺(jué)圖像顯著目標(biāo)自動(dòng)提取方法設(shè)計(jì)
1.1機(jī)器人視覺(jué)圖像超像素分割
首先,利用簡(jiǎn)單的線(xiàn)性分類(lèi)迭代算法對(duì)機(jī)器人視覺(jué)圖像進(jìn)行分割,將其劃分成若干個(gè)超像素,以形成機(jī)器人視覺(jué)圖像的超像素集合[4]。以下是超像素分割的具體流程:
為了實(shí)現(xiàn)初步的機(jī)器人視覺(jué)圖像分組核心,需要根據(jù)特定分類(lèi)的數(shù)目將種子點(diǎn)分散在機(jī)器人視覺(jué)圖像中。如果輸入機(jī)器人視覺(jué)圖像包含N個(gè)像素并且被劃分為K個(gè)超像素,那么每個(gè)超像素將包含的像素?cái)?shù)量為:
如果Q是一個(gè)超像素大小,那么計(jì)算鄰近節(jié)點(diǎn)實(shí)際距離S的公式為:
利用像素梯度值計(jì)算對(duì)應(yīng)每個(gè)單元最近區(qū)域,獲得最小值位置。為避免機(jī)器人視覺(jué)圖像中的節(jié)點(diǎn)不存在于目標(biāo)邊緣并影響分割結(jié)果,需要在該位置動(dòng)態(tài)配置節(jié)點(diǎn)[5]。
在周?chē)鷦澐止?jié)點(diǎn)25×25的范圍存儲(chǔ)像素。在每個(gè)像素中,計(jì)算該像素所在位置與相鄰種子節(jié)點(diǎn)之間的距離。然后,根據(jù)這些距離將像素劃分為相應(yīng)的種子節(jié)點(diǎn)。計(jì)算如下:
在迭代過(guò)程中,如果將超像素重新劃分成幾個(gè)超像素,并且這些超像素的大小過(guò)小,那么需要對(duì)這些超像素進(jìn)行再次合并[6]。需要持續(xù)更新那些數(shù)量不足的超像素集,直到形成一組類(lèi)似且包含相同數(shù)量N個(gè)超像素的正確、最終的超像素組合。
1.2基于奇異值分解的機(jī)器人視覺(jué)圖像顯著性處理
在完成機(jī)器人視覺(jué)圖像的超像素分割后,需要采取措施來(lái)減少機(jī)器人視覺(jué)圖像中的有效不平衡。奇異值分解方法是線(xiàn)性代數(shù)中一種重要的矩陣分解方法,可以用于平衡機(jī)器人視覺(jué)圖像的有效性,即平衡機(jī)器人視覺(jué)圖像中具有相同有效值的相應(yīng)有效超像素值。以下是基于奇異值分解實(shí)現(xiàn)機(jī)器人視覺(jué)圖像顯著性均衡的具體步驟:
機(jī)器人視覺(jué)圖像的超像素分類(lèi)采用了奇異值分解算法,將機(jī)器人視覺(jué)圖像分割成k類(lèi)超像素。假設(shè)k包含M個(gè)超像素,對(duì)于每個(gè)超像素i,計(jì)算其在k組中的剩余超像素si/(k)。具體計(jì)算過(guò)程如下:
在這項(xiàng)研究中,開(kāi)發(fā)了一個(gè)實(shí)質(zhì)性的調(diào)和過(guò)程,在背景推斷方法中使用奇異值分解來(lái)揭示機(jī)器人視覺(jué)圖像。利用奇異值分解對(duì)機(jī)器人視覺(jué)圖像進(jìn)行顯著性平滑處理,具體計(jì)算過(guò)程如下:
為了避免實(shí)質(zhì)上干擾機(jī)器人視覺(jué)圖像,利用奇異值分解對(duì)機(jī)器人視覺(jué)圖像進(jìn)行顯著性平滑處理的過(guò)程中,選擇x和y方向上的中心值的坐標(biāo)作為高斯模型的左右中心坐標(biāo)的二維,對(duì)機(jī)器人視覺(jué)圖像進(jìn)行顯著性處理。
1.3顯著性目標(biāo)自動(dòng)提取
在進(jìn)一步評(píng)估信息的基礎(chǔ)上,通過(guò)機(jī)器人視覺(jué)圖像區(qū)域?qū)哟蔚姆诸?lèi),實(shí)現(xiàn)顯著性目標(biāo)自動(dòng)提取。
具體步驟如下:
步驟1,通過(guò)結(jié)合深度圖和RGB機(jī)器人視覺(jué)圖像信息,執(zhí)行平滑降噪過(guò)程。
步驟2,將點(diǎn)云數(shù)據(jù)轉(zhuǎn)換為深度地圖。
步驟3,對(duì)云區(qū)域中的場(chǎng)景平面進(jìn)行分割,并提取主平面位置。
步驟4,對(duì)平面進(jìn)行分類(lèi)。
對(duì)于機(jī)器人視覺(jué)圖像分割對(duì)區(qū)域?qū)哟谓M采取的措施如下:
步驟1,處理深度機(jī)器人視覺(jué)圖像和RGB機(jī)器人視覺(jué)圖像。
步驟2,分割深度機(jī)器人視覺(jué)圖像和RGB機(jī)器人視覺(jué)圖像,獲得分割的超像素。
步驟3,將層次區(qū)域集成為分段的超像素。
基于奇異值分解以有效分割機(jī)器人視覺(jué)圖像目標(biāo)的具體措施如下:
步驟1,使用奇異值分解算法,并將像素指定為框內(nèi)帶有背景標(biāo)簽的像素。
步驟2,在背景像素中使用奇異值分解算法,在Z類(lèi)像素的相應(yīng)樣本集的基礎(chǔ)上計(jì)算包含Z背景和背景分量的6個(gè)維度。
步驟3,更新各像素進(jìn)行最大概率分配。
步驟4,為邊界框中的所有像素設(shè)置適當(dāng)?shù)目蚣?并實(shí)現(xiàn)最小機(jī)器人視覺(jué)圖像分割。
步驟5,重復(fù)步驟3、步驟4,直到收斂。
通過(guò)以上措施獲得的分割后的機(jī)器人視覺(jué)圖像即為顯著性目標(biāo)自動(dòng)提取結(jié)果。
2實(shí)驗(yàn)論證
為檢驗(yàn)本文設(shè)計(jì)方法的實(shí)際應(yīng)用效果,將本文方法與傳統(tǒng)方法1[3]和傳統(tǒng)方法2[4]進(jìn)行比較,設(shè)計(jì)如下對(duì)比實(shí)驗(yàn)。
2.1對(duì)比實(shí)驗(yàn)
實(shí)驗(yàn)數(shù)據(jù)來(lái)自五個(gè)公共機(jī)器人視覺(jué)圖像數(shù)據(jù)庫(kù),具體如表1所示。
將上述實(shí)驗(yàn)數(shù)據(jù)隨機(jī)分為三組,分別用A1、A2、A3表示,將本文設(shè)計(jì)方法用于實(shí)驗(yàn)數(shù)據(jù)中,獲得顯著性目標(biāo)自動(dòng)提取結(jié)果,并將提取結(jié)果與實(shí)際結(jié)果進(jìn)行擬合,提取過(guò)程中機(jī)器人視覺(jué)圖像分辨率范圍為45.5~65.5 PPI。對(duì)于擬合值F的計(jì)算過(guò)程如下:
為增強(qiáng)本實(shí)驗(yàn)結(jié)果的可靠性和對(duì)比性,采用傳統(tǒng)方法1和傳統(tǒng)方法2進(jìn)行對(duì)比實(shí)驗(yàn)。在機(jī)器人視覺(jué)圖像分辨率為45.5~65.5 PPI的范圍內(nèi),獲取了這三種方法的擬合度數(shù)據(jù)作為對(duì)比實(shí)驗(yàn)數(shù)據(jù),并將結(jié)果整理成如表2所示的表格。
2.2實(shí)驗(yàn)結(jié)果分析
從表2中可以看出,本文方法機(jī)器人視覺(jué)圖像顯著目標(biāo)自動(dòng)提取多項(xiàng)式函數(shù)擬合計(jì)算結(jié)果與實(shí)際結(jié)果具有較高的擬合度,并且擬合度在0.998以上,高于傳統(tǒng)方法1和傳統(tǒng)方法2的擬合度,在提取機(jī)器人視覺(jué)圖像顯著目標(biāo)方面效果較好,具有優(yōu)勢(shì)。
3結(jié)束語(yǔ)
本文對(duì)基于奇異值分解的機(jī)器人視覺(jué)圖像顯著目標(biāo)自動(dòng)提取方法進(jìn)行了深入研究。通過(guò)介紹SVD的基本原理及其在機(jī)器人視覺(jué)圖像處理中的應(yīng)用,展示了該方法在提取機(jī)器人視覺(jué)圖像顯著目標(biāo)方面的優(yōu)勢(shì)。通過(guò)對(duì)實(shí)驗(yàn)結(jié)果的分析,驗(yàn)證了該方法目標(biāo)提取的擬合度較高。