基于LBP.DEELM的类人机器人对树叶辨识的技术研究

陈宇　许莉薇　 钟秋波

摘要 针对类人机器人的特点，设计了一个具有树叶辨识功能的类人机器人系统。类人机器人自带的摄像头作为视觉，视觉系统采用Sobel算子对除噪、滤波后的图像进行边缘提取，将均匀旋转不变特性与原始的LBP算子相融合，提取边缘图像的特征值，结合差分演化算法对极限学习机进行优化，通过训练得到每类树叶所对应的分类器模型参数，构造分类器，实现类人机器人对树叶准确高效的识别。试验显示，仿人机器人此类控制方式适合参加竞技类比赛。

关键词 类人机器人；辨识；LBP算子；SaDE.ELM算法

中图分类号 S126 文献标识码 A 文章编号 0517-6611（2014）16-05295-03

进入21世纪，机器人研究取得了重大的进展。全自主仿人机器人是仿人机器人研究中非常热门的一个领域，许多大学或研究机构对其研究都投入了巨大的精力[1-2]。

叶片是树木非常直观的重要特征[3]，不同植物的叶片在颜色、叶形构造以及叶脉分布等外部特征上都不尽相同[4]，这样就能有效提取树叶特征，从而对树叶进行识别。叶片是植物相对稳定的器官[5]，存在时间较长，形状稳定[6]，并且大部分叶片形状为扁平状，适合图像采集与处理。过去工作主要依靠人工完成，耗时耗力并且效率低下，借助计算机提高了工作效率，并将此技术和类人机器人结合，大大提高了分析的准确性。

类人机器人自带的摄像头作为视觉，通过摄像头获取图像，获取的图像需要处理后才可进行识别。处理过程包括除噪和滤波，对二值图像采用Sobel算子进行邊缘提取，图像边缘的特征值提取将均匀旋转不变特性与原始的LBP算子相融合，结合极端学习机的优化算法——差分演化优化极限学习机算法，通过训练得到每类树叶所对应的分类器模型参数，构造分类器，实现类人机器人对树叶准确高效的识别。

1 边缘提取图像

图像边缘对图像识别和计算机分析十分有用，边缘能勾画出目标物体，是图像识别中重要的图像特征之一。图像边缘提取也是图像匹配的基础，因为它是位置的标志，对灰度的变化敏感，可作为匹配的特征点。试验中采用Sobel算子对图像进行边缘提取。

2 边缘图像特征提取

2.1 LBP算子 随着LBP算子在图像中的应用，可定义一个半径为R（R>0）的圆形邻域，B（B>0）个邻域像素点均匀分布在圆周上面。假若该邻域中心像素值是C，则C可用该邻域内的B+1个像素的函数来定义，即：

2.2 LBP旋转不变均匀模式 原始的LBP算子是灰度不变的，但不是旋转不变的，图像经过旋转后可得到不同的LBP值。为了便于描述图像信息，针对图像旋转之后还可以得到相同的LBP值，Maenpaa等提出具有旋转不变的LBP算子（Rotation Invariant LBP），不断旋转圆形邻域得到LBP值，取其最小的作为邻域的LBP值，表述如下式：

但随着邻域采点集数的增加，二进制模式的种类急剧增加，达到2B个，这种数量无论是对图像特征的提取，还是对图像的分类都是不利的。针对二进制模式的降维问题，Ojala提出一种均匀模式（Uniform Pattern）。均匀模式即根据编码模式出现频率的高低，在圆形二进制编码中，至多有两个0～1或1～0的变化，表示如下：

上式的结果满足U≤2的模式时称为均匀模式，用LBPu2B，R表示。通过改进，二进制的模式减少，且不会丢失信息，使得原来2B种减少到B（B-1）+2种，降低了特征矩阵的维数。

基于以上两种性质的优越性，可以将LBP的旋转不变性与均匀模式结合得到更好的效果，称为旋转不变均匀模式，用符号LBPriu2B，R表示，定义如下：

式中，U（LBPB，R）的计算方法是式（10）的表述。该模式下不仅保留了图像的图像特征，还使得邻域二进制编码的种类降到了B+2种，大幅度地减少了特征总量。该研究就采用了旋转不变均匀模式LBP算子提取特征值，继而得到图像分类的特征向量。

3 差分演化优化极端学习机算法

3.1 极端学习机算法 设极端学习算法的代价函数为E0，那么：

式中，N0代表图像样本的总个数；N是隐层总个数；βi=（βi1…βic）T，βi代表输出权值；ωi=（ωi1 … ωin），ωi代表输入权值；x0j=（x0j1 … x0jn），x0j表示图像样本的特征矩阵；bi代表隐含层偏差值；t0j=（t0j1 … t0jc），t0j代表图像样本的类别；函数g（wi·x0j+bi）代表隐含层的激活函数；n代表图像样本的维数；c则代表图像样本的总类别数，即该网络的输出类别。

在极端学习机算法中，由于选择的激活函数无穷可微，所以输入权值和隐含层的误差可以通过随机赋值得到，这也是极端学习机算法效率高于神经网络算法的原因所在。因此，极端学习机算法的执行过程可以等价于求解H0β=T0的范数最小，即为下式：

ELM算法的执行步骤总结如下：①随机赋值：输入权值和隐含层误差两个参数；②通过式（14）得到H0；③根据式（15）、（16）得到β^。

3.2 差分演化算法 差分演化算法的主要思想简单来说包括3个过程：变异、杂交、选择[8-9]。

3.2.1 变异。变异个体的得到使用下式： 3.2.2 杂交。杂交程序是个体Xi与Vi的重新组合后产生新成员Ui：

式中，CR是差分演化算法中的一个主要参数，代表杂交概率；k∈{1，2，…，D}，D表示问题搜索空间维数。

3.2.3 选择。选择过程就是在Xi和Ui中选择适于种群发展的个体：

3.3 差分演化优化极端学习机算法 差分演化优化极端学习机算法步骤如下。

（1）构造初始群体。差分演化算法有3个重要参数：种群大小NP、缩放因子F、杂交概率CR；构造初始种群就需要对以上3个参数进行赋值。新种群：x（t）=[x1（t），x2（t），…，xN（t）]，每个个体即为图像样本的特征矩阵有m×d维，记作m×d=D。

（2）对种群中所有个体分别进行差分演化算法的3个步骤，先使用式（17）进行变异操作得到新个体Vi（t），之后将得到的变异个体与老个体杂交形成新个体Ui（t），最后选择竞争力强的个体，选择如下：

式中，E0（·）代表式（12）中使得E0取得最小值，即为种群中每个个体的目标函数值。

（3）设置迭代误差，根据设置的迭代次数判断是否结束迭代。如果在次数范围内继续步骤（2），超出范围则进入下一步。

（4）输出最佳迭代结果，即为EO（best），有对应的隐含层输出权值β^。

（5）优化完毕。

4 仿真与试验

2显示了类人机器人识别的树叶图像样本和边缘处理后的图像。

类人机器人获取图像信息后，对图像进行边缘提取，利用算法DE-ELM进行识别，每类数目样本选取5个样本，总共测试数据为25组，树叶识别效果如表2所示。

5 结论

该研究中设计了一个具有视觉的能够识别树木树叶的类人机器人系统。该系统通过采集图像，获取目标信息，采用Sobel算子对除噪、滤波后的图像进行边缘提取，将均匀旋转不变特性与原始的LBP算子相融合，提取边缘图像的特征值，结合差分演化算法对极限学习机进行优化，通过训练得到每类树叶所对应的分类器模型参数，构造分类器，实现类人机器人对树叶准确高效的识别。

42卷16期 陈 宇等 基于LBP.DEELM的类人机器人对树叶辨识的技术研究参考文献

[1] 张勇. 足球机器人识别算法和决策仿真[D].长沙：湖南大学，2002.

[2] 陈凤东，洪炳，朱莹.基于HIS颜色空间的多机器人识别研究[J].哈尔滨工业大学学报，2004，36（7）：928-930.

[3] 袁津生，姚宇飞. 基于分形维度的叶片图像识别方法[J].计算机工程与设计，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] 刘纯利，刘少斌. 基于纹理建模的树叶识别系统[J].计算机科学，2012，39（11）：289-290.

[6] 朱宁. 基于LBP的树叶识别系统研究与实现[D].北京：北京林业大学，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，李梅莲. 改进的差分演化算法及其在动态规则中的应用研究[J].河南大学学报：自然科学版，2013，43（1）：79-84.

[9] 賈丽媛，张弛. 自适应差分演化进化算法[J].中南大学学报：自然科学版，2013，44（9）：3759-3765.安徽农业科学，Journal of Anhui Agri. Sci.2014，42（16）：5298-5301，5323责任编辑 姜丽 责任校对 况玲玲