基于LBP.DEELM的類人機(jī)器人對(duì)樹(shù)葉辨識(shí)的技術(shù)研究

陳宇　許莉薇　 鐘秋波

摘要 針對(duì)類人機(jī)器人的特點(diǎn)，設(shè)計(jì)了一個(gè)具有樹(shù)葉辨識(shí)功能的類人機(jī)器人系統(tǒng)。類人機(jī)器人自帶的攝像頭作為視覺(jué)，視覺(jué)系統(tǒng)采用Sobel算子對(duì)除噪、濾波后的圖像進(jìn)行邊緣提取，將均勻旋轉(zhuǎn)不變特性與原始的LBP算子相融合，提取邊緣圖像的特征值，結(jié)合差分演化算法對(duì)極限學(xué)習(xí)機(jī)進(jìn)行優(yōu)化，通過(guò)訓(xùn)練得到每類樹(shù)葉所對(duì)應(yīng)的分類器模型參數(shù)，構(gòu)造分類器，實(shí)現(xiàn)類人機(jī)器人對(duì)樹(shù)葉準(zhǔn)確高效的識(shí)別。試驗(yàn)顯示，仿人機(jī)器人此類控制方式適合參加競(jìng)技類比賽。

關(guān)鍵詞 類人機(jī)器人；辨識(shí)；LBP算子；SaDE.ELM算法

中圖分類號(hào) S126 文獻(xiàn)標(biāo)識(shí)碼 A 文章編號(hào) 0517-6611（2014）16-05295-03

進(jìn)入21世紀(jì)，機(jī)器人研究取得了重大的進(jìn)展。全自主仿人機(jī)器人是仿人機(jī)器人研究中非常熱門(mén)的一個(gè)領(lǐng)域，許多大學(xué)或研究機(jī)構(gòu)對(duì)其研究都投入了巨大的精力[1-2]。

葉片是樹(shù)木非常直觀的重要特征[3]，不同植物的葉片在顏色、葉形構(gòu)造以及葉脈分布等外部特征上都不盡相同[4]，這樣就能有效提取樹(shù)葉特征，從而對(duì)樹(shù)葉進(jìn)行識(shí)別。葉片是植物相對(duì)穩(wěn)定的器官[5]，存在時(shí)間較長(zhǎng)，形狀穩(wěn)定[6]，并且大部分葉片形狀為扁平狀，適合圖像采集與處理。過(guò)去工作主要依靠人工完成，耗時(shí)耗力并且效率低下，借助計(jì)算機(jī)提高了工作效率，并將此技術(shù)和類人機(jī)器人結(jié)合，大大提高了分析的準(zhǔn)確性。

類人機(jī)器人自帶的攝像頭作為視覺(jué)，通過(guò)攝像頭獲取圖像，獲取的圖像需要處理后才可進(jìn)行識(shí)別。處理過(guò)程包括除噪和濾波，對(duì)二值圖像采用Sobel算子進(jìn)行邊緣提取，圖像邊緣的特征值提取將均勻旋轉(zhuǎn)不變特性與原始的LBP算子相融合，結(jié)合極端學(xué)習(xí)機(jī)的優(yōu)化算法——差分演化優(yōu)化極限學(xué)習(xí)機(jī)算法，通過(guò)訓(xùn)練得到每類樹(shù)葉所對(duì)應(yīng)的分類器模型參數(shù)，構(gòu)造分類器，實(shí)現(xiàn)類人機(jī)器人對(duì)樹(shù)葉準(zhǔn)確高效的識(shí)別。

1 邊緣提取圖像

圖像邊緣對(duì)圖像識(shí)別和計(jì)算機(jī)分析十分有用，邊緣能勾畫(huà)出目標(biāo)物體，是圖像識(shí)別中重要的圖像特征之一。圖像邊緣提取也是圖像匹配的基礎(chǔ)，因?yàn)樗俏恢玫臉?biāo)志，對(duì)灰度的變化敏感，可作為匹配的特征點(diǎn)。試驗(yàn)中采用Sobel算子對(duì)圖像進(jìn)行邊緣提取。

2 邊緣圖像特征提取

2.1 LBP算子 隨著LBP算子在圖像中的應(yīng)用，可定義一個(gè)半徑為R（R>0）的圓形鄰域，B（B>0）個(gè)鄰域像素點(diǎn)均勻分布在圓周上面。假若該鄰域中心像素值是C，則C可用該鄰域內(nèi)的B+1個(gè)像素的函數(shù)來(lái)定義，即：

2.2 LBP旋轉(zhuǎn)不變均勻模式 原始的LBP算子是灰度不變的，但不是旋轉(zhuǎn)不變的，圖像經(jīng)過(guò)旋轉(zhuǎn)后可得到不同的LBP值。為了便于描述圖像信息，針對(duì)圖像旋轉(zhuǎn)之后還可以得到相同的LBP值，Maenpaa等提出具有旋轉(zhuǎn)不變的LBP算子（Rotation Invariant LBP），不斷旋轉(zhuǎn)圓形鄰域得到LBP值，取其最小的作為鄰域的LBP值，表述如下式：

但隨著鄰域采點(diǎn)集數(shù)的增加，二進(jìn)制模式的種類急劇增加，達(dá)到2B個(gè)，這種數(shù)量無(wú)論是對(duì)圖像特征的提取，還是對(duì)圖像的分類都是不利的。針對(duì)二進(jìn)制模式的降維問(wèn)題，Ojala提出一種均勻模式（Uniform Pattern）。均勻模式即根據(jù)編碼模式出現(xiàn)頻率的高低，在圓形二進(jìn)制編碼中，至多有兩個(gè)0～1或1～0的變化，表示如下：

上式的結(jié)果滿足U≤2的模式時(shí)稱為均勻模式，用LBPu2B，R表示。通過(guò)改進(jìn)，二進(jìn)制的模式減少，且不會(huì)丟失信息，使得原來(lái)2B種減少到B（B-1）+2種，降低了特征矩陣的維數(shù)。

基于以上兩種性質(zhì)的優(yōu)越性，可以將LBP的旋轉(zhuǎn)不變性與均勻模式結(jié)合得到更好的效果，稱為旋轉(zhuǎn)不變均勻模式，用符號(hào)LBPriu2B，R表示，定義如下：

式中，U（LBPB，R）的計(jì)算方法是式（10）的表述。該模式下不僅保留了圖像的圖像特征，還使得鄰域二進(jìn)制編碼的種類降到了B+2種，大幅度地減少了特征總量。該研究就采用了旋轉(zhuǎn)不變均勻模式LBP算子提取特征值，繼而得到圖像分類的特征向量。

3 差分演化優(yōu)化極端學(xué)習(xí)機(jī)算法

3.1 極端學(xué)習(xí)機(jī)算法 設(shè)極端學(xué)習(xí)算法的代價(jià)函數(shù)為E0，那么：

式中，N0代表圖像樣本的總個(gè)數(shù)；N是隱層總個(gè)數(shù)；βi=（βi1…βic）T，βi代表輸出權(quán)值；ωi=（ωi1 … ωin），ωi代表輸入權(quán)值；x0j=（x0j1 … x0jn），x0j表示圖像樣本的特征矩陣；bi代表隱含層偏差值；t0j=（t0j1 … t0jc），t0j代表圖像樣本的類別；函數(shù)g（wi·x0j+bi）代表隱含層的激活函數(shù)；n代表圖像樣本的維數(shù)；c則代表圖像樣本的總類別數(shù)，即該網(wǎng)絡(luò)的輸出類別。

在極端學(xué)習(xí)機(jī)算法中，由于選擇的激活函數(shù)無(wú)窮可微，所以輸入權(quán)值和隱含層的誤差可以通過(guò)隨機(jī)賦值得到，這也是極端學(xué)習(xí)機(jī)算法效率高于神經(jīng)網(wǎng)絡(luò)算法的原因所在。因此，極端學(xué)習(xí)機(jī)算法的執(zhí)行過(guò)程可以等價(jià)于求解H0β=T0的范數(shù)最小，即為下式：

ELM算法的執(zhí)行步驟總結(jié)如下：①隨機(jī)賦值：輸入權(quán)值和隱含層誤差兩個(gè)參數(shù)；②通過(guò)式（14）得到H0；③根據(jù)式（15）、（16）得到β^。

3.2 差分演化算法 差分演化算法的主要思想簡(jiǎn)單來(lái)說(shuō)包括3個(gè)過(guò)程：變異、雜交、選擇[8-9]。

3.2.1 變異。變異個(gè)體的得到使用下式： 3.2.2 雜交。雜交程序是個(gè)體Xi與Vi的重新組合后產(chǎn)生新成員Ui：

式中，CR是差分演化算法中的一個(gè)主要參數(shù)，代表雜交概率；k∈{1，2，…，D}，D表示問(wèn)題搜索空間維數(shù)。

3.2.3 選擇。選擇過(guò)程就是在Xi和Ui中選擇適于種群發(fā)展的個(gè)體：

3.3 差分演化優(yōu)化極端學(xué)習(xí)機(jī)算法 差分演化優(yōu)化極端學(xué)習(xí)機(jī)算法步驟如下。

（1）構(gòu)造初始群體。差分演化算法有3個(gè)重要參數(shù)：種群大小NP、縮放因子F、雜交概率CR；構(gòu)造初始種群就需要對(duì)以上3個(gè)參數(shù)進(jìn)行賦值。新種群：x（t）=[x1（t），x2（t），…，xN（t）]，每個(gè)個(gè)體即為圖像樣本的特征矩陣有m×d維，記作m×d=D。

（2）對(duì)種群中所有個(gè)體分別進(jìn)行差分演化算法的3個(gè)步驟，先使用式（17）進(jìn)行變異操作得到新個(gè)體Vi（t），之后將得到的變異個(gè)體與老個(gè)體雜交形成新個(gè)體Ui（t），最后選擇競(jìng)爭(zhēng)力強(qiáng)的個(gè)體，選擇如下：

式中，E0（·）代表式（12）中使得E0取得最小值，即為種群中每個(gè)個(gè)體的目標(biāo)函數(shù)值。

（3）設(shè)置迭代誤差，根據(jù)設(shè)置的迭代次數(shù)判斷是否結(jié)束迭代。如果在次數(shù)范圍內(nèi)繼續(xù)步驟（2），超出范圍則進(jìn)入下一步。

（4）輸出最佳迭代結(jié)果，即為EO（best），有對(duì)應(yīng)的隱含層輸出權(quán)值β^。

（5）優(yōu)化完畢。

4 仿真與試驗(yàn)

2顯示了類人機(jī)器人識(shí)別的樹(shù)葉圖像樣本和邊緣處理后的圖像。

類人機(jī)器人獲取圖像信息后，對(duì)圖像進(jìn)行邊緣提取，利用算法DE-ELM進(jìn)行識(shí)別，每類數(shù)目樣本選取5個(gè)樣本，總共測(cè)試數(shù)據(jù)為25組，樹(shù)葉識(shí)別效果如表2所示。

5 結(jié)論

該研究中設(shè)計(jì)了一個(gè)具有視覺(jué)的能夠識(shí)別樹(shù)木樹(shù)葉的類人機(jī)器人系統(tǒng)。該系統(tǒng)通過(guò)采集圖像，獲取目標(biāo)信息，采用Sobel算子對(duì)除噪、濾波后的圖像進(jìn)行邊緣提取，將均勻旋轉(zhuǎn)不變特性與原始的LBP算子相融合，提取邊緣圖像的特征值，結(jié)合差分演化算法對(duì)極限學(xué)習(xí)機(jī)進(jìn)行優(yōu)化，通過(guò)訓(xùn)練得到每類樹(shù)葉所對(duì)應(yīng)的分類器模型參數(shù)，構(gòu)造分類器，實(shí)現(xiàn)類人機(jī)器人對(duì)樹(shù)葉準(zhǔn)確高效的識(shí)別。

42卷16期 陳 宇等 基于LBP.DEELM的類人機(jī)器人對(duì)樹(shù)葉辨識(shí)的技術(shù)研究參考文獻(xiàn)

[1] 張勇. 足球機(jī)器人識(shí)別算法和決策仿真[D].長(zhǎng)沙：湖南大學(xué)，2002.

[2] 陳鳳東，洪炳，朱瑩.基于HIS顏色空間的多機(jī)器人識(shí)別研究[J].哈爾濱工業(yè)大學(xué)學(xué)報(bào)，2004，36（7）：928-930.

[3] 袁津生，姚宇飛. 基于分形維度的葉片圖像識(shí)別方法[J].計(jì)算機(jī)工程與設(shè)計(jì)，2012，33（2）：670-673.

[4] WANG D L，ZHANG Z M，LIU Y Q.Recognition system of leaf images based on neural network [J].Journal of Forestry Research，2006，17（3）：243-246.

[5] 劉純利，劉少斌. 基于紋理建模的樹(shù)葉識(shí)別系統(tǒng)[J].計(jì)算機(jī)科學(xué)，2012，39（11）：289-290.

[6] 朱寧. 基于LBP的樹(shù)葉識(shí)別系統(tǒng)研究與實(shí)現(xiàn)[D].北京：北京林業(yè)大學(xué)，2008.

[7] HUANG G B，ZHU Q Y，SIEW C K.Extreme learning machine：Theory and applications [J].Neurocomputing，2006，70（1/3）：489-501.

[8] 郭超峰，李梅蓮. 改進(jìn)的差分演化算法及其在動(dòng)態(tài)規(guī)則中的應(yīng)用研究[J].河南大學(xué)學(xué)報(bào)：自然科學(xué)版，2013，43（1）：79-84.

[9] 賈麗媛，張弛. 自適應(yīng)差分演化進(jìn)化算法[J].中南大學(xué)學(xué)報(bào)：自然科學(xué)版，2013，44（9）：3759-3765.安徽農(nóng)業(yè)科學(xué)，Journal of Anhui Agri. Sci.2014，42（16）：5298-5301，5323責(zé)任編輯 姜麗 責(zé)任校對(duì) 況玲玲