在當(dāng)今的機(jī)器人視覺應(yīng)用中,機(jī)器人視覺圖像顯著目標(biāo)提取是一個關(guān)鍵問題。它旨在從復(fù)雜的機(jī)器人視覺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,這一問題具有極大的挑戰(zhàn)性,因?yàn)樾枰诖罅康臋C(jī)器人視覺圖像數(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(jī)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(jì)算資源的需求等。

近年來,基于奇異值分解(SVD)的方法在機(jī)器人視覺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)器人視覺圖像的重要統(tǒng)計(jì)信息,并且對機(jī)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(jī)器人視覺圖像識別、機(jī)器人視覺圖像恢復(fù)和機(jī)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(jī)器人視覺圖像顯著目標(biāo)提取的研究還相對較少。

本文將深入研究基于SVD的機(jī)器人視覺圖像顯著目標(biāo)自動提取方法,希望通過這種方法,能夠提高機(jī)器人在處理大量機(jī)器人視覺圖像數(shù)據(jù)時(shí)的效率和準(zhǔn)確性,從而推動機(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)器人視覺圖像顯著目標(biāo)自動提取方法設(shè)計(jì)

1.1機(jī)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(jī)器人視覺圖像進(jìn)行分割,將其劃分成若干個超像素,以形成機(jī)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(shí)現(xiàn)初步的機(jī)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(diǎn)分散在機(jī)器人視覺圖像中。如果輸入機(jī)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?cái)?shù)量為:

如果Q是一個超像素大小,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)算對應(yīng)每個單元最近區(qū)域,獲得最小值位置。為避免機(jī)器人視覺圖像中的節(jié)點(diǎn)不存在于目標(biāo)邊緣并影響分割結(jié)果,需要在該位置動態(tài)配置節(jié)點(diǎn)[5]。

在周圍劃分節(jié)點(diǎn)25×25的范圍存儲像素。在每個像素中,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(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(jī)器人視覺圖像顯著性處理

在完成機(jī)器人視覺圖像的超像素分割后,需要采取措施來減少機(jī)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(jī)器人視覺圖像的有效性,即平衡機(jī)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(shí)現(xiàn)機(jī)器人視覺圖像顯著性均衡的具體步驟:

機(jī)器人視覺圖像的超像素分類采用了奇異值分解算法,將機(jī)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(jì)算其在k組中的剩余超像素si/(k)。具體計(jì)算過程如下:

在這項(xiàng)研究中,開發(fā)了一個實(shí)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(jī)器人視覺圖像。利用奇異值分解對機(jī)器人視覺圖像進(jìn)行顯著性平滑處理,具體計(jì)算過程如下:

為了避免實(shí)質(zhì)上干擾機(jī)器人視覺圖像,利用奇異值分解對機(jī)器人視覺圖像進(jìn)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(biāo)作為高斯模型的左右中心坐標(biāo)的二維,對機(jī)器人視覺圖像進(jìn)行顯著性處理。

1.3顯著性目標(biāo)自動提取

在進(jìn)一步評估信息的基礎(chǔ)上,通過機(jī)器人視覺圖像區(qū)域?qū)哟蔚姆诸?實(shí)現(xiàn)顯著性目標(biāo)自動提取。

具體步驟如下:

步驟1,通過結(jié)合深度圖和RGB機(jī)器人視覺圖像信息,執(zhí)行平滑降噪過程。

步驟2,將點(diǎn)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(jìn)行分割,并提取主平面位置。

步驟4,對平面進(jìn)行分類。

對于機(jī)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(jī)器人視覺圖像和RGB機(jī)器人視覺圖像。

步驟2,分割深度機(jī)器人視覺圖像和RGB機(jī)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(jī)器人視覺圖像目標(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(jī)器人視覺圖像即為顯著性目標(biāo)自動提取結(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)如下對比實(shí)驗(yàn)。

2.1對比實(shí)驗(yàn)

實(shí)驗(yàn)數(shù)據(jù)來自五個公共機(jī)器人視覺圖像數(shù)據(jù)庫,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,提取過程中機(jī)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(jì)算過程如下:

為增強(qiáng)本實(shí)驗(yàn)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(jìn)行對比實(shí)驗(yàn)。在機(jī)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(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)器人視覺圖像顯著目標(biāo)自動提取多項(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)器人視覺圖像顯著目標(biāo)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(jī)器人視覺圖像顯著目標(biāo)自動提取方法進(jìn)行了深入研究。通過介紹SVD的基本原理及其在機(jī)器人視覺圖像處理中的應(yīng)用,展示了該方法在提取機(jī)器人視覺圖像顯著目標(biāo)方面的優(yōu)勢。通過對實(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。