基于LBP.DEELM的類人機器人對樹葉辨識的技術研究

陳宇　許莉薇　 鐘秋波

摘要 針對類人機器人的特點，設計了一個具有樹葉辨識功能的類人機器人系統。類人機器人自帶的攝像頭作為視覺，視覺系統采用Sobel算子對除噪、濾波后的圖像進行邊緣提取，將均勻旋轉不變特性與原始的LBP算子相融合，提取邊緣圖像的特征值，結合差分演化算法對極限學習機進行優化，通過訓練得到每類樹葉所對應的分類器模型參數，構造分類器，實現類人機器人對樹葉準確高效的識別。試驗顯示，仿人機器人此類控制方式適合參加競技類比賽。

關鍵詞 類人機器人；辨識；LBP算子；SaDE.ELM算法

中圖分類號 S126 文獻標識碼 A 文章編號 0517-6611（2014）16-05295-03

進入21世紀，機器人研究取得了重大的進展。全自主仿人機器人是仿人機器人研究中非常熱門的一個領域，許多大學或研究機構對其研究都投入了巨大的精力[1-2]。

葉片是樹木非常直觀的重要特征[3]，不同植物的葉片在顏色、葉形構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葉特征，從而對樹葉進行識別。葉片是植物相對穩定的器官[5]，存在時間較長，形狀穩定[6]，并且大部分葉片形狀為扁平狀，適合圖像采集與處理。過去工作主要依靠人工完成，耗時耗力并且效率低下，借助計算機提高了工作效率，并將此技術和類人機器人結合，大大提高了分析的準確性。

類人機器人自帶的攝像頭作為視覺，通過攝像頭獲取圖像，獲取的圖像需要處理后才可進行識別。處理過程包括除噪和濾波，對二值圖像采用Sobel算子進行邊緣提取，圖像邊緣的特征值提取將均勻旋轉不變特性與原始的LBP算子相融合，結合極端學習機的優化算法——差分演化優化極限學習機算法，通過訓練得到每類樹葉所對應的分類器模型參數，構造分類器，實現類人機器人對樹葉準確高效的識別。

1 邊緣提取圖像

圖像邊緣對圖像識別和計算機分析十分有用，邊緣能勾畫出目標物體，是圖像識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，因為它是位置的標志，對灰度的變化敏感，可作為匹配的特征點。試驗中采用Sobel算子對圖像進行邊緣提取。

2 邊緣圖像特征提取

2.1 LBP算子 隨著LBP算子在圖像中的應用，可定義一個半徑為R（R>0）的圓形鄰域，B（B>0）個鄰域像素點均勻分布在圓周上面。假若該鄰域中心像素值是C，則C可用該鄰域內的B+1個像素的函數來定義，即：

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

但隨著鄰域采點集數的增加，二進制模式的種類急劇增加，達到2B個，這種數量無論是對圖像特征的提取，還是對圖像的分類都是不利的。針對二進制模式的降維問題，Ojala提出一種均勻模式（Uniform Pattern）。均勻模式即根據編碼模式出現頻率的高低，在圓形二進制編碼中，至多有兩個0～1或1～0的變化，表示如下：

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

基于以上兩種性質的優越性，可以將LBP的旋轉不變性與均勻模式結合得到更好的效果，稱為旋轉不變均勻模式，用符號LBPriu2B，R表示，定義如下：

式中，U（LBPB，R）的計算方法是式（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 差分演化優化極端學習機算法

3.1 極端學習機算法 設極端學習算法的代價函數為E0，那么：

式中，N0代表圖像樣本的總個數；N是隱層總個數；βi=（βi1…βic）T，βi代表輸出權值；ωi=（ωi1 … ωin），ωi代表輸入權值；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g（wi·x0j+bi）代表隱含層的激活函數；n代表圖像樣本的維數；c則代表圖像樣本的總類別數，即該網絡的輸出類別。

在極端學習機算法中，由于選擇的激活函數無窮可微，所以輸入權值和隱含層的誤差可以通過隨機賦值得到，這也是極端學習機算法效率高于神經網絡算法的原因所在。因此，極端學習機算法的執行過程可以等價于求解H0β=T0的范數最小，即為下式：

ELM算法的執行步驟總結如下：①隨機賦值：輸入權值和隱含層誤差兩個參數；②通過式（14）得到H0；③根據式（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單來說包括3個過程：變異、雜交、選擇[8-9]。

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

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

3.2.3 選擇。選擇過程就是在Xi和Ui中選擇適于種群發展的個體：

3.3 差分演化優化極端學習機算法 差分演化優化極端學習機算法步驟如下。

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

（2）對種群中所有個體分別進行差分演化算法的3個步驟，先使用式（17）進行變異操作得到新個體Vi（t），之后將得到的變異個體與老個體雜交形成新個體Ui（t），最后選擇競爭力強的個體，選擇如下：

式中，E0（·）代表式（12）中使得E0取得最小值，即為種群中每個個體的目標函數值。

（3）設置迭代誤差，根據設置的迭代次數判斷是否結束迭代。如果在次數范圍內繼續步驟（2），超出范圍則進入下一步。

（4）輸出最佳迭代結果，即為EO（best），有對應的隱含層輸出權值β^。

（5）優化完畢。

4 仿真與試驗

2顯示了類人機器人識別的樹葉圖像樣本和邊緣處理后的圖像。

類人機器人獲取圖像信息后，對圖像進行邊緣提取，利用算法DE-ELM進行識別，每類數目樣本選取5個樣本，總共測試數據為25組，樹葉識別效果如表2所示。

5 結論

該研究中設計了一個具有視覺的能夠識別樹木樹葉的類人機器人系統。該系統通過采集圖像，獲取目標信息，采用Sobel算子對除噪、濾波后的圖像進行邊緣提取，將均勻旋轉不變特性與原始的LBP算子相融合，提取邊緣圖像的特征值，結合差分演化算法對極限學習機進行優化，通過訓練得到每類樹葉所對應的分類器模型參數，構造分類器，實現類人機器人對樹葉準確高效的識別。

42卷16期 陳 宇等 基于LBP.DEELM的類人機器人對樹葉辨識的技術研究參考文獻

[1] 張勇. 足球機器人識別算法和決策仿真[D].長沙：湖南大學，2002.

[2] 陳鳳東，洪炳，朱瑩.基于HIS顏色空間的多機器人識別研究[J].哈爾濱工業大學學報，2004，36（7）：928-930.

[3] 袁津生，姚宇飛. 基于分形維度的葉片圖像識別方法[J].計算機工程與設計，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. 基于紋理建模的樹葉識別系統[J].計算機科學，2012，39（11）：289-290.

[6] 朱寧. 基于LBP的樹葉識別系統研究與實現[D].北京：北京林業大學，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. 改進的差分演化算法及其在動態規則中的應用研究[J].河南大學學報：自然科學版，2013，43（1）：79-84.

[9] 賈麗媛，張弛. 自適應差分演化進化算法[J].中南大學學報：自然科學版，2013，44（9）：3759-3765.安徽農業科學，Journal of Anhui Agri. Sci.2014，42（16）：5298-5301，5323責任編輯 姜麗 責任校對 況玲玲