智能机器人原理与应用 课件 第13章 家庭智能空间服务机器人日常工具功用性认知.pptx

智能机器人原理与应用

;13家庭智能空间服务机器人日常工具功用性认知;13.1家庭日常工具的功用性部件检测系统框架;1)特征描述

表13.1中列出了不同功用性模型所选取的特征及其维度。这里，不同功用性边缘检测选用的特征不尽相同，选取依据是该特征对表征该功用性区域边缘有效且显著。;步骤1由训练数据集中的深度图像计算各通道特征值，在各个特征通道中采用滑动窗口机制随机提取一定数量的特征块及标记图中相应的标记块，分别加入特征集和标记集。

步骤2对所有标记块进行主成分分析，判定其对应样本为正样本或负样本。

步骤3随机选择特征参与构建决策树。

步骤4利用样本集构建决策树。在每个分裂节点处，从特征中随机选择维特征作为样本集分裂阈值，选取对应信息增益最大的特征值为该节点阈值，相应的输入样本集被分裂成两个子样本集作为子节点的输入。

步骤5在样本集分裂过程中，当输入样本集取得的最大信息增益小于预设值或样本个数不超过8个时停止分裂，这个节点就成为叶子节点，所有样本停止分裂。

步骤6分析步骤5中叶子节点的输入样本集所对应标记集，得到标记块作为此叶子节点的内容，所有样本都到达叶子节点则此决策树构建完成，不需要剪枝。

步骤7从步骤1到步骤6重复8次，生成8棵决策树组合形成一个SRF，即为该种功用性边缘检测模型。

步骤8重复以上步骤，训练其它功用性边缘检测模型，将7种功用性边缘检测模型联合构成工具部件功用性边缘检测器。;13.2功用性部件检测模型离线训练;与训练工具部件功用性边缘检测模型方式类似，功用性检测模型同样基于结构随机森林离线学习得到，且训练数据集由RGB-D图像和标记图像组成，训练样本包含特征集和标记集两部分。与训练功用性边缘检测模型的标记图像不同，训练功用性检测模型的标记图像是对整个功用性区域做标记，目的在于对整个功用性区域进行检测。

算法输入为由特征集和标记集共同组成的样本集，输出为工具部件功用性检测器。由于功用性检测模型与功用性边缘检测模型都是基于结构随机森林构建，其SRF学习过程相同，这里不再赘述。在完成7种功用性检测??型的训练后，将其联合起来构成工具部件功用性检测器。;如前所述，每种功用性分别对应一个功用性边缘检测模型，同样地，针对不同的边缘检测模型选取不同的coarse-to-fine阈值，其算法描述如下：

输入：训练数据集中的幅RGB-D图像。

输出：阈值。

步骤1利用功用性边缘检测器依次对幅图像进行某种功用性的边缘检测得到其概率图，在一系列阈值(取值从0到1，每次增量为0.01)下获取目标区域。

步骤2用工具部件功用性检测器对步骤1得到的区域进行功用性检测。

步骤3对步骤2的检测结果进行评估，取m幅图像评估平均值记为，这样得到不同阈值的对应关系，取最大值所对应的阈值即为此种功用性区域检测的阈值。

步骤4重复步骤1到步骤3，完成其它功用性区域检测的阈值选取。;12.3工具功用性部件在线检测;13.4工具功用性部件实验;13.4工具功用性部件实验;13.4工具功用性部件实验;13.4工具功用性部件实验;13.4工具功用性部件实验;北京信息科技大学自动化学院