在當(dāng)今的機器人視覺應(yīng)用中,機器人視覺圖像顯著目標提取是一個關(guān)鍵問題。它旨在從復(fù)雜的機器人視覺圖像背景中突出顯示最重要的信息,以便機器人可以更有效地理解和處理環(huán)境[1]。然而,這一問題具有極大的挑戰(zhàn)性,因為需要在大量的機器人視覺圖像數(shù)據(jù)中找到具有顯著性的目標,這需要復(fù)雜的計算和準確的算法。
在過去幾十年中,許多研究者致力于解決這個問題,提出了許多方法,包括基于色彩的顯著性檢測、基于頻域的顯著性檢測、基于機器學(xué)習(xí)的顯著性檢測等等[2]。這些方法在一定程度上取得了成功,但仍存在一些問題,如對復(fù)雜背景的魯棒性、對不同光照條件的適應(yīng)性以及對計算資源的需求等。
近年來,基于奇異值分解(SVD)的方法在機器人視覺圖像處理中受到了廣泛關(guān)注。SVD是一種強大的矩陣分析工具,它可以提供機器人視覺圖像的重要統(tǒng)計信息,并且對機器人視覺圖像的旋轉(zhuǎn)、縮放和錯位等變換具有不變性[3]。因此,它在機器人視覺圖像識別、機器人視覺圖像恢復(fù)和機器人視覺圖像壓縮等領(lǐng)域應(yīng)用廣泛。然而,將SVD應(yīng)用于機器人視覺圖像顯著目標提取的研究還相對較少。
本文將深入研究基于SVD的機器人視覺圖像顯著目標自動提取方法,希望通過這種方法,能夠提高機器人在處理大量機器人視覺圖像數(shù)據(jù)時的效率和準確性,從而推動機器人在實際生活中的應(yīng)用。
1基于奇異值分解的機器人視覺圖像顯著目標自動提取方法設(shè)計
1.1機器人視覺圖像超像素分割
首先,利用簡單的線性分類迭代算法對機器人視覺圖像進行分割,將其劃分成若干個超像素,以形成機器人視覺圖像的超像素集合[4]。以下是超像素分割的具體流程:
為了實現(xiàn)初步的機器人視覺圖像分組核心,需要根據(jù)特定分類的數(shù)目將種子點分散在機器人視覺圖像中。如果輸入機器人視覺圖像包含N個像素并且被劃分為K個超像素,那么每個超像素將包含的像素數(shù)量為:
如果Q是一個超像素大小,那么計算鄰近節(jié)點實際距離S的公式為:
利用像素梯度值計算對應(yīng)每個單元最近區(qū)域,獲得最小值位置。為避免機器人視覺圖像中的節(jié)點不存在于目標邊緣并影響分割結(jié)果,需要在該位置動態(tài)配置節(jié)點[5]。
在周圍劃分節(jié)點25×25的范圍存儲像素。在每個像素中,計算該像素所在位置與相鄰種子節(jié)點之間的距離。然后,根據(jù)這些距離將像素劃分為相應(yīng)的種子節(jié)點。計算如下:
在迭代過程中,如果將超像素重新劃分成幾個超像素,并且這些超像素的大小過小,那么需要對這些超像素進行再次合并[6]。需要持續(xù)更新那些數(shù)量不足的超像素集,直到形成一組類似且包含相同數(shù)量N個超像素的正確、最終的超像素組合。
1.2基于奇異值分解的機器人視覺圖像顯著性處理
在完成機器人視覺圖像的超像素分割后,需要采取措施來減少機器人視覺圖像中的有效不平衡。奇異值分解方法是線性代數(shù)中一種重要的矩陣分解方法,可以用于平衡機器人視覺圖像的有效性,即平衡機器人視覺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現(xiàn)機器人視覺圖像顯著性均衡的具體步驟:
機器人視覺圖像的超像素分類采用了奇異值分解算法,將機器人視覺圖像分割成k類超像素。假設(shè)k包含M個超像素,對于每個超像素i,計算其在k組中的剩余超像素si/(k)。具體計算過程如下:
在這項研究中,開發(fā)了一個實質(zhì)性的調(diào)和過程,在背景推斷方法中使用奇異值分解來揭示機器人視覺圖像。利用奇異值分解對機器人視覺圖像進行顯著性平滑處理,具體計算過程如下:
為了避免實質(zhì)上干擾機器人視覺圖像,利用奇異值分解對機器人視覺圖像進行顯著性平滑處理的過程中,選擇x和y方向上的中心值的坐標作為高斯模型的左右中心坐標的二維,對機器人視覺圖像進行顯著性處理。
1.3顯著性目標自動提取
在進一步評估信息的基礎(chǔ)上,通過機器人視覺圖像區(qū)域?qū)哟蔚姆诸?實現(xiàn)顯著性目標自動提取。
具體步驟如下:
步驟1,通過結(jié)合深度圖和RGB機器人視覺圖像信息,執(zhí)行平滑降噪過程。
步驟2,將點云數(shù)據(jù)轉(zhuǎn)換為深度地圖。
步驟3,對云區(qū)域中的場景平面進行分割,并提取主平面位置。
步驟4,對平面進行分類。
對于機器人視覺圖像分割對區(qū)域?qū)哟谓M采取的措施如下:
步驟1,處理深度機器人視覺圖像和RGB機器人視覺圖像。
步驟2,分割深度機器人視覺圖像和RGB機器人視覺圖像,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器人視覺圖像目標的具體措施如下:
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類像素的相應(yīng)樣本集的基礎(chǔ)上計算包含Z背景和背景分量的6個維度。
步驟3,更新各像素進行最大概率分配。
步驟4,為邊界框中的所有像素設(shè)置適當(dāng)?shù)目蚣?并實現(xiàn)最小機器人視覺圖像分割。
步驟5,重復(fù)步驟3、步驟4,直到收斂。
通過以上措施獲得的分割后的機器人視覺圖像即為顯著性目標自動提取結(jié)果。
2實驗論證
為檢驗本文設(shè)計方法的實際應(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]進行比較,設(shè)計如下對比實驗。
2.1對比實驗
實驗數(shù)據(jù)來自五個公共機器人視覺圖像數(shù)據(jù)庫,具體如表1所示。
將上述實驗數(shù)據(jù)隨機分為三組,分別用A1、A2、A3表示,將本文設(shè)計方法用于實驗數(shù)據(jù)中,獲得顯著性目標自動提取結(jié)果,并將提取結(jié)果與實際結(jié)果進行擬合,提取過程中機器人視覺圖像分辨率范圍為45.5~65.5 PPI。對于擬合值F的計算過程如下:
為增強本實驗結(jié)果的可靠性和對比性,采用傳統(tǒng)方法1和傳統(tǒng)方法2進行對比實驗。在機器人視覺圖像分辨率為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)作為對比實驗數(shù)據(jù),并將結(jié)果整理成如表2所示的表格。
2.2實驗結(jié)果分析
從表2中可以看出,本文方法機器人視覺圖像顯著目標自動提取多項式函數(shù)擬合計算結(jié)果與實際結(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,在提取機器人視覺圖像顯著目標方面效果較好,具有優(yōu)勢。
3結(jié)束語
本文對基于奇異值分解的機器人視覺圖像顯著目標自動提取方法進行了深入研究。通過介紹SVD的基本原理及其在機器人視覺圖像處理中的應(yīng)用,展示了該方法在提取機器人視覺圖像顯著目標方面的優(yōu)勢。通過對實驗結(jié)果的分析,驗證了該方法目標提取的擬合度較高。