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研究

孫百康 李艷軍 周茂輝

摘要：傳統機器人視覺圖像顯著目標自動提取方法直接對機器人視覺圖像進行顯著性處理，未對圖像進行超像素分割，造成傳統方法目標提取效果較差。鑒于此，提出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，對機器人視覺圖像進行超像素分割，在完成分割后，基于奇異值分解進行機器人視覺圖像顯著性處理，以減少圖像中的不平衡性，最后利用顯著性實現目標自動提取。設計對比實驗，實驗結果表明，該研究方法在提取機器人視覺圖像顯著目標方面效果更優。

關鍵詞：奇異值分解；機器人視覺；目標提??；提取方法

中圖分類號：TP391.41? ? 文獻標志碼：A? ? 文章編號：1671-0797（2024）07-0049-03

DOI：10.19514/j.cnki.cn32-1628/tm.2024.07.013

0? ? 引言

在當今的機器人視覺應用中，機器人視覺圖像顯著目標提取是一個關鍵問題。它旨在從復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境[1]。然而，這一問題具有極大的挑戰性，因為需要在大量的機器人視覺圖像數據中找到具有顯著性的目標，這需要復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、基于機器學習的顯著性檢測等等[2]。這些方法在一定程度上取得了成功，但仍存在一些問題，如對復雜背景的魯棒性、對不同光照條件的適應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計信息，并且對機器人視覺圖像的旋轉、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和機器人視覺圖像壓縮等領域應用廣泛。然而，將SVD應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據時的效率和準確性，從而推動機器人在實際生活中的應用。

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：

為了實現初步的機器人視覺圖像分組核心，需要根據特定分類的數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量為：

Q=■（1）

如果Q是一個超像素大小，那么計算鄰近節點實際距離S的公式為：

S=sqrt■（2）

利用像素梯度值計算對應每個單元最近區域，獲得最小值位置。為避免機器人視覺圖像中的節點不存在于目標邊緣并影響分割結果，需要在該位置動態配置節點[5]。

在周圍劃分節點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點之間的距離。然后，根據這些距離將像素劃分為相應的種子節點。計算如下：

Ds=dlab+■dxy，dlab=■，dxy=■（3）

式中：Ds為該像素所在位置與相鄰種子節點之間的距離；dlab為l、a、b中三個顏色空間的歐幾里得距離；m為表面復形的實際調整系數；dxy反映了歐幾里得空間層次中的距離；lj和li為l中的二維坐標；aj和ai為a中的二維坐標；bj和bi為b中的二維坐標；xj和xi構成了二維坐標空間的水平軸；yj和yi構成了二維坐標系統的垂直軸。

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]。需要持續更新那些數量不足的超像素集，直到形成一組類似且包含相同數量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有效超像素值。以下是基于奇異值分解實現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：

Si ′（k）=μ1Si （k）+μ2∑θijSi （k），θij=■∑■（4）

式中：μ1、μ2為第一子段的加權系數；Si （k）為等式后第i個超像素對應的有效值；θij為超像素的總體加權平均值；d（ci，cj）為兩個超像素ci、cj之間的距離。

在這項研究中，開發了一個實質性的調和過程，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：

Sal（x，y）=S″（x，y）G′（x，y），G′（x，y）=exp-p■+■（5）

式中：Sal（x，y）表示基本平衡機器人視覺圖像；S″（x，y）表示原始機器人視覺圖像；G′（x，y）表示奇異值分解；p表示比較閾值；w表示橫軸比較值；h表示縱軸比較值；x和y表示原始機器人視覺圖像的二維坐標；d′x、d′y表示輸入機器人視覺圖像對象的對應中心坐標。

為了避免實質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上，通過機器人視覺圖像區域層次的分類，實現顯著性目標自動提取。

具體步驟如下：

步驟1，通過結合深度圖和RGB機器人視覺圖像信息，執行平滑降噪過程。

步驟2，將點云數據轉換為深度地圖。

步驟3，對云區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域層次組采取的措施如下：

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類像素的相應樣本集的基礎上計算包含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置適當的框架，并實現最小機器人視覺圖像分割。

步驟5，重復步驟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果。

2? ? 實驗論證

為檢驗本文設計方法的實際應用效果，將本文方法與傳統方法1[3]和傳統方法2[4]進行比較，設計如下對比實驗。

2.1? ? 對比實驗

實驗數據來自五個公共機器人視覺圖像數據庫，具體如表1所示。

將上述實驗數據隨機分為三組，分別用A1、A2、A3表示，將本文設計方法用于實驗數據中，獲得顯著性目標自動提取結果，并將提取結果與實際結果進行擬合，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：

F=■（6）

式中：F表示顯著性目標自動提取擬合結果；q2表示調和閾值；precision表示平均準確度。

為增強本實驗結果的可靠性和對比性，采用傳統方法1和傳統方法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，獲取了這三種方法的擬合度數據作為對比實驗數據，并將結果整理成如表2所示的表格。

2.2? ? 實驗結果分析

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擬合計算結果與實際結果具有較高的擬合度，并且擬合度在0.998以上，高于傳統方法1和傳統方法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，具有優勢。

3? ? 結束語

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勢。通過對實驗結果的分析，驗證了該方法目標提取的擬合度較高。

[參考文獻]

[1] 劉文清，王任華，劉曉文，等.基于顯著目標提取和泊松重建的紅外與可見光圖像融合方法[J].激光與光電子學進展，2023，60（16）：183-192.

[2] 魯海枰，孫永榮，趙偉，等.基于視覺顯著性的機場跑道異物檢測技術[J].現代電子技術，2022，45（11）：41-45.

[3] 李春華，郝娜娜，劉玉坤.時空對比度引導的視頻顯著目標提取模型[J].河北科技大學學報，2022，43（2）：144-153.

[4] 畢洪波，朱徽徽，楊麗娜，等.多層次特征融合的視頻顯著目標檢測系統設計[J].實驗室研究與探索，2022，41（3）：94-98.

[5] 章秀華，程鑒，洪漢玉，等.奇異值分解域差異性度量的低景深圖像顯著性目標提取方法[J].電子與信息學報，2022，44（11）：3987-3997.

[6] 南柄飛，郭志杰，王凱，等.基于視覺顯著性的煤礦井下關鍵目標對象實時感知研究[J].煤炭科學技術，2022，50（8）：247-258.

收稿日期：2024-01-02

作者簡介：孫百康（1998—），男，安徽淮南人，碩士，研究方向：計算機視覺、機器學習。