CN102609719B - 基于改进概率主题模型的地点图像识别方法 - Google Patents

Abstract

一种基于改进概率主题模型的地点图像识别方法，属于图像识别技术领域。目的在于更好地解决地点图像识别中由于不同角度、光照，以及人物和物体的高度动态变化导致的不确定性问题。包括以下步骤：图像获取步骤；图像预处理步骤；特征提取步骤，采用SIFT算法对图像进行特征提取；特征聚类步骤，将所有特征聚类，得到若干聚类中心；特征分配步骤，将每幅图像的特征在聚类中心上投票，得出对应每个聚类中心的频数向量；潜在主题建模步骤，采用改进的概率主题模型学习图像的潜在主题分布；采用分类器识别未知地点图像。本发明在LDA模型中加入量化函数，通过改进LDA模型学习图像的潜在主题，在保证实时性的前提下，可有效提高识别性能。

Description

基于改进概率主题模型的地点图像识别方法

技术领域

本发明涉及一种图像识别方法，尤其是一种基于改进概率主题模型的地点图像识别方法，用于室内及室外地点图像的识别。

技术背景

目前，随着智能移动机器人走进人们的日常生活，并在军事、商场、医院、家庭等各种领域发挥重要作用，人们对智能移动机器人系统的自动定位需求越来越迫切。移动机器人只有准确地知道自身的位置以及所处的工作空间，才能安全有效地进行自主运动，为人类服务。因此，自定位和位置估计成为自主移动机器人最重要的能力之一。视觉系统能够为移动机器人提供最丰富的感知信息，同时也具有最接近人类的环境感知方式。因此，基于视觉的机器人自定位问题吸引了大量研究人员的参与，同时也取得了大量的研究成果。

基于视觉的机器人自定位根据使用的视觉特征信息的不同，可分为3种：基于地标特征的自定位方法、基于图像外观特征的自定位方法以及最近出现的基于地点识别的自定位方法。其中，基于地点或者场景识别的机器人视觉自定位方法使用人类能够直接理解的高层语义信息如“门口”、“走廊”、“厨房”等作为视觉特征，非常适合于机器人在复杂环境中的自定位问题。2005年李桂芝，安成万，杨国盛等.基于场景识别的移动机器人定位方法研究[J].机器人，2005，27(2)：123-127使用多通道Gabor滤波器提取场景图像的全局纹理特征，并使用支持向量机来分类识别室内、走廊、门厅等场景，进而实现机器人的逻辑定位，2008年Ullah M M，Pronobis A，Caputo B，et al.Towardsrobust place recognition for robot localization[C]//Proc of 2008IEEE ICRA.2008：530-537使用Harris角点特征检测子和SIFT特征描述子提取局部特征，并使用支持向量机作为分类器实现基于局部特征的地点识别。

然而，机器人实际获得的图片常会出现拍摄角度、光照的不同，遮挡甚至背景混乱，以及因为人物及物体的位置变化而导致的高度动态变化等现象，这些固有的可变性导致地点图像识别的过程充满了不确定。为了更好地解决地点图像识别过程中由于拍摄角度、光照的不同，以及人物和物体的高度动态变化所导致的不确定性问题，引入基于概率主题模型的图像识别方法，并对原始概率主题模型进行改进，降低算法复杂度的同时有效提高识别性能。

概率主题模型是一种流行的一种图模型结构，它能够对实际问题进行概率建模，并对各种复杂相关的因素进行刻画。作为概率论和图论相结合的产物，为解决地点图像识别中的不确定性、复杂性提供了直观而自然的方法。目前，概率主题模型在人工智能、自然语言处理、文本分类等领域已经取得了很好的应用效果，并逐渐引入到图像识别领域中。

发明内容

本发明的目的在于提供一种基于概率主题模型的地点图像识别方法，更好地解决地点图像识别过程中由于拍摄角度、光照的不同，以及人物和物体的高度动态变化所导致的不确定性问题，并对原始概率主题模型进行改进，降低算法复杂度的同时有效提高识别性能。

为了达到上述目的，本发明所采用的技术方案是提供一种基于改进概率主题模型的地点图像识别方法，通过改进的概率主题模型建立图像的潜在主题分布，然后通过分类器来识别未知地点图像，其特征包括以下步骤：

1)图像获取步骤，通过安装在机器人上的标准摄像头拍摄获取训练图像和测试图像；

2)图像预处理步骤，将获取的图像进行灰度化，并将其尺寸缩小至128×128像素；

3)特征提取步骤，采用尺度不变特征提取算法(Scale-Invariant Features(SIFT))对图像进行局部特征提取；

4)特征聚类步骤，将所有特征通过k-means算法进行聚类，得到若干聚类中心；

5)特征分配步骤，将每幅图像的特征点在对应的聚类中心上进行投票，得出每幅图像对应于每个聚类中心的频数表示向量；

6)潜在主题建模步骤，以步骤5)中得出的图像的频数向量作为输入特征变量，设定潜在主题个数，采用改进的概率主题模型对图像进行建模，学习模型，得到图像的潜在主题分布向量；

7)采用分类器识别未知地点图像。

所述步骤1)中训练图像和测试图像由安装在机器人上的标准摄像头按照固定路径拍摄得到，图像可包含光照、视角、尺度的变化以及人物和物体的动态变化。

所述步骤3)中采用尺度不变特征提取算法(Scale-Invariant Features(SIFT))对图像进行局部特征提取包括图像关键点检测以及将关键点表示为128维的特征描述子。

所述步骤6)中的概率主题模型为潜在Dirichlet分布模型(Latent DirichletAllocation，LDA)，对原始LDA模型进行改进，加入量化函数得到改进模型QuantifiedLDA模型(QLDA)，对训练图像和测试图像进行建模。

改进模型对于每幅图像的模型生成过程如下：

对于每幅图像x，选择一个Dirichlet参数π，π服从参数为α的Dirichlet分布，即π～Dirichlet(α)，对于每幅图像的每个特征x_j，选择一个主题z_j，服从参数π的离散分布，即z_j～discrete(π)，然后选择一个特征x_j，服从参数β的概率分布，即x_j～p(x_j|β)，β是每幅图像的不同特征对应不同主题的概率，如果一幅图像有m个特征，k个设定的主题，则β为m×k的矩阵；对于图像的所有特征，统计并分析数据集中每幅图像的特征分布，根据不同数据集的特征分布情况，建立对应的量化函数Q(x_j)，对输入特征进行分级量化处理，使其服从x_j～Q(x_j)分布，这样每幅图像的密度函数可表示为

$p\left(x\right|\mathrm{\α},\mathrm{\β})={\∫}_{\mathrm{\π}}p\left(\mathrm{\π}\right|\mathrm{\α}){\mathrm{\Π}}_{j=1}^m{\mathrm{\Σ}}_{z_j}p\left(z_j\right|\mathrm{\π})p\left(x_j\right|z_j,\mathrm{\β})Q\left(x_j\right)\mathrm{d\π};$

分级量化的基本思想是：统计平均每幅图像的特征在各区间内的密集程度，最密集且特征值较小的特征，区分度最低，作为非显著特征忽略；比较密集且特征值较大的特征，区分度较高，保持不变；最稀疏且特征值最大的特征，区分度最高，作为显著特征，近似处理为距离其最近的整十数(实验显示该处理可降低计算复杂度，且不会影响识别性能)；

具体的量化标准制定方法如下：

统计输入特征的最小值x_min和最大值x_max；

设定[a，b]区间的特征密度函数D(a，b)，表示特征在[a，b]区间内的密集程度，表达式如下：

$D(a,b)=\frac{N(a,b)}{b-a}$

其中N(a，b)表示[a，b]区间内的特征数；

(1)确定变量x₁，x₁∈[x_min，x_max]，使得特征密度函数D(x_min，x₁)取最大值，表示[x_min，x₁)区间内的特征分布最密集且特征值较小，区分度最低，为非显著特征；

(2)确定变量x₂，x₂∈[x₁，x_max]，使得特征密度函数D(x₁，x₂)取最大值，表示[x₁，x₂]区间内的特征分布比较密集且特征值较大，区分度较高；

(3)(x₂，x_max]区间内的特征分布最稀疏且特征值最大，区分度最高，为显著特征；

(4)建立量化函数Q(x_j)，表达式如下：

$Q\left(x_j\right)=\left\{\begin{array}{c}0,x_j\∈{[x}_{\min },x_1)\\ x_j,x_j\∈[x_1,x_2]\\ 10*\mathrm{round}(x_j/10),x_j\∈(x_2,x_{\max }]\end{array}\right.$

其中round(·)表示取·最近整数。

所述步骤6)中学习算法采用Variational推断。

给定一组图像集χ＝{x₁，x₂，...，x_n}，模型学习的目的就是估计模型参数(α^*，β^*)，使整个图像集的似然函数p(χ|α^*，β^*)最大；与原始LDA相同，该似然函数不可求，须采用Variational推断；Variational推断的基本思想是利用Jensen不等式获得一个可计算的下界来近似真实的似然函数值，然后估计参数来最大化这个下界；

用L(γ，φ；α，β)表示似然函数的近似下界，则有：

logp(x|α，β)＝L(γ，φ；α，β)+KL(q(π，z|γ，φ)||p(π，z|x，α，β))

其中logp(x|α，β)为似然函数，q(π，z|γ，φ)为Variational分布，p(π，z |x，α，β)为后验概率密度函数，KL(q(π，z|γ，φ)||p(π，z |x，α，β))为Variational分布与后验概率密度函数的KL(Kullback-Leibler)距离；

由上，最大化下界L(γ，φ；α，β)使其尽可能接近似然函数logp(x|α，β)就可以转变为估计参数(γ^*，φ^*)使KL(q(π，z|γ，φ)||p(π，z|x，α，β))最小，即：

(γ^*，φ^*)＝arg min_(γ，φ)KL(q(π，z|γ，φ)||p(π，z|x，α，β))

γ_i和φ_ij的计算公式如下：

其中，γ_i和φ_ij是变分参数，γ_i是第i幅图像的Dirichlet分布的参数，φ_ij是第i幅图像的第j个特征对应不同主题的概率分布，i＝1，2，...，n，j＝1，2，...，m，n为图像数目，m为对应每幅图像的特征数目；

先由上述公式计算每幅图像的变分参数γ_i和φ_ij，再通过最大化下界L(γ，φ；α，β)来估计模型参数α和β，迭代直至收敛。

所述步骤7)中分类器为最近邻分类方法。

本发明与已有的地点图像识别方法相比，具有以下明显的优势和有益效果。

本发明通过对图像包含的潜在主题进行建模学习，对地点图像识别中由于拍摄角度、光照的不同，以及人物和物体的高度动态变化所导致的不确定性具有更好的鲁棒性，通过对原始概率主题模型进行改进，加入量化函数将特征分级量化，可以有效利用显著特征，忽略无用特征，在明显降低算法复杂度的同时可有效提高识别性能，且不会影响实时性。

附图说明

图1是本发明提出的基于改进概率主题模型的地点图像识别方法的流程图；

图2是改进模型(Quantified LDA，QLDA)的图模型表示示意图；

图3是室内地点图像的频数特征分布示意图；

图4是分级量化后的室内地点图像的频数特征分布示意图；

图5是LDA和QLDA对室内地点图片的识别准确率比较结果示意图；

图6是室外地点图像的频数特征分布示意图；

图7是分级量化后的室外地点图像的频数特征分布示意图；

图8是LDA和QLDA对室外地点图片的识别准确率比较结果示意图；

图9是设定不同聚类中心数目的识别准确率比较示意图；

图10是设定不同潜在主题数目的识别准确率比较示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明；

如图1所示，一种基于改进概率主题模型的地点图像识别方法包括以下步骤：

1)通过安装在机器人上的标准摄像头拍摄获取训练图像和测试图像；具体方法如下：

由安装在机器人上的标准摄像头按照固定路径拍摄得到训练图像和测试图像，图像需包含光照、视角、尺度的变化以及人物和物体的动态变化。

具体实施中，拍摄得到的图像包括室内地点图片数据集和室外地点图片数据集。

室内地点图片数据集The IDOL2Database(J.Luo，A.Pronobis，B.Caputo，and P.Jensfelt，“The KTH-IDOL2 database，”KTH，CAS/CVAP，Tech.Rep.，2006，available athttp://cogvis.nada.kth.se/IDOL2/.)包含24个图像序列，分别由安装在两个不同的机器人(PeopleBot Minnie和PowerBot Dumbo)上的标准相机以每秒5帧的频率按照一定的路径拍摄，每个序列包含800到1200幅尺寸为309×240的图像，包含kitchen，one-personoffice，two-persons office，printer area和corridor五个地点。本实例选用PowerBot Dumbo拍摄的图像序列进行实验，包括阴天、晴天和夜晚三种光照条件以及相隔三个月拍摄的六组图像。

室外地点图片数据集在大学校园拍摄，包含篮球场，汽车，餐厅，道路，体育馆，操场，雕塑7个种类184幅尺寸为640×480的图片(每类12到40幅图像)。所有图像按照一定的路线拍摄，每类图像拍摄的角度、光线以及远近不同，并且由于相机在移动过程中的晃动有些图片可能是模糊的。

2)图像预处理步骤，将获取的图像进行灰度化，并将其尺寸缩小至128×128像素；

3)特征提取步骤，采用尺度不变特征提取算法(Scale-Invariant Features(SIFT))对图像进行局部特征提取；具体方法如下：

对每幅图像进行关键点检测，然后将每个关键点表示为128维的特征描述子。

预处理后的图像是尺寸为128×128的灰度图像，每幅图像检测到225个关键点，每个关键点表示为128维的SIFT特征描述子，即每幅图像由225个128维的SIFT描述子组成的225×128的特征矩阵表示。

4)特征聚类步骤，将所有特征通过k-means算法进行聚类，得到若干聚类中心；

具体实施中，对室内图像数据集设定聚类中心个数为200个，得到200个128维的聚类中心向量；对室外图像数据集设定聚类中心个数为225个，得到225个128维的聚类中心向量。

图9是设定不同聚类中心数目的识别准确率比较结果示意图。

5)特征分配步骤，将每幅图像的特征在对应的聚类中心上进行投票，得出每幅图像对应于每个聚类中心的频数表示向量；具体方法如下：

将每幅图像的SIFT特征描述子依次分配到与其距离最近的聚类中心，进行投票，这样，室内图像数据集的每幅图像表示为200维的对应每个聚类中心的频数向量，室外图像数据集的每幅图像表示为225维的对应每个聚类中心的频数向量。具体实施中，“距离”为两个向量的欧式距离。

6)潜在主题建模步骤，以步骤5)中得出的图像的频数向量作为输入特征变量，设定潜在主题个数，采用改进的概率主题模型对图像进行建模，学习模型，得到图像的潜在主题分布向量；

具体实施中，选择潜在Dirichlet分布模型(Latent Dirichlet Allocation，LDA)作为本实施例的概率主题模型，对LDA模型进行改进得到Quantified LDA模型(QLDA)，采用QLDA模型对图像进行潜在主题建模，学习模型，得到图像的潜在主题分布向量。

对室内图像数据集设定潜在主题个数为52个；对室外图像数据集设定潜在主题个数为40个。图10是设定不同潜在主题数目的识别准确率比较结果。

图2是改进模型(Quantified LDA，QLDA)的图模型表示示意图。

如图2所示，改进模型对于每幅图像的模型生成过程如下：

对于每幅图像x，选择一个Dirichlet参数π，π服从参数为α的Dirichlet分布，即π～Dirichlet(α)，对于每幅图像的每个特征x_j，选择一个主题z_j，服从参数π的离散分布，即z_j～discrete(π)，然后选择一个特征x_j，服从参数β的概率分布，即x_j～p(x_j|β)，β是每幅图像的不同特征对应不同主题的概率，如果一幅图像有m个特征，k个设定的主题，则β为m×k的矩阵；对于图像的所有特征，统计并分析数据集中每幅图像的特征分布，根据不同数据集的特征分布情况，建立对应的量化函数Q(x_j)，对输入特征进行分级量化处理，使其服从x_j～Q(x_j)分布，这样每幅图像的密度函数可表示为

$p\left(x\right|\mathrm{\α},\mathrm{\β})={\∫}_{\mathrm{\π}}p\left(\mathrm{\π}\right|\mathrm{\α}){\mathrm{\Π}}_{j=1}^m{\mathrm{\Σ}}_{z_j}p\left(z_j\right|\mathrm{\π})p\left(x_j\right|z_j,\mathrm{\β})Q\left(x_j\right)\mathrm{d\π}.$

分级量化的基本思想是：统计平均每幅图像的特征在各区间内的密集程度，最密集且特征值较小的特征，区分度最低，作为非显著特征忽略；比较密集且特征值较大的特征，区分度较高，保持不变；最稀疏且特征值最大的特征，区分度最高，作为显著特征，近似处理为距离其最近的整十数(实验显示该处理可降低计算复杂度，且不会影响识别性能)。

具体的量化标准制定方法如下：

统计输入特征的最小值x_min和最大值x_max；

设定[a，b]区间的特征密度函数D(a，b)，表示特征在[a，b]区间内的密集程度，表达式如下：

$D(a,b)=\frac{N(a,b)}{b-a}$

其中N(a，b)表示[a，b]区间内的特征数；

(1)确定变量x₁，x₁∈[x_min，x_max]，使得特征密度函数D(x_min，x₁)取最大值，表示[x_min，x₁)区间内的特征分布最密集且特征值较小，区分度最低，为非显著特征；

(2)确定变量x₂，x₂∈[x₁，x_max]，使得特征密度函数D(x₁，x₂)取最大值，表示[x₁，x₂]区间内的特征分布比较密集且特征值较大，区分度较高；

(3)(x₂，x_max]区间内的特征分布最稀疏且特征值最大，区分度最高，为显著特征；

(4)建立量化函数Q(x_j)，表达式如下：

$Q\left(x_j\right)=\left\{\begin{array}{c}0,x_j\∈{[x}_{\min },x_1)\\ x_j,x_j\∈[x_1,x_2]\\ 10*\mathrm{round}(x_j/10),x_j\∈(x_2,x_{\max }]\end{array}\right.$

其中round(·)表示取·最近整数。

本实施例中，量化函数的变量取值为：x₁取3，x₂取10。针对其他数据集，根据不同数据集的特征分布情况，量化函数的变量取值不同。

图3是室内地点图像的频数特征分布示意图，图4是分级量化后的室内地点图像的频数特征分布示意图，图5是LDA和QLDA对室内地点图片的识别准确率比较结果示意图，图6是室外地点图像的频数特征分布示意图，图7是分级量化后的室外地点图像的频数特征分布示意图。

本实施例中模型学习算法采用Variational推断。

给定一组图像集χ＝{x₁，x₂，...，x_n}，模型学习的目的就是估计模型参数(α^*，β^*)，使整个图像集的似然函数p(χ|α^*，β^*)最大。与原始LDA相同，该似然函数不可求，须采用Variational推断。Variational推断的基本思想是利用Jensen不等式获得一个可计算的下界来近似真实的似然函数值，然后估计参数来最大化这个下界。

Variational推断的详细过程可见D.M.Blei，A.Y.Ng，andM.I.Jordan.Latentdirichlet allocation.Journal of Machine Learning Research，3：993-1022.2003。

用L(γ，φ；α，β)表示似然函数的近似下界，则有：

log p(x|α，β)＝L(γ，φ；α，β)+KL(q(π，z|γ，φ)||p(π，z|x，α，β))

其中logp(x|α，β)为似然函数，q(π，z|γ，φ)为Variational分布，p(π，z|x，α，β)为后验概率密度函数，KL(q(π，z|γ，)||p(π，z|x，α，β))为Variational分布与后验概率密度函数的KL(Kullback-Leibler)距离；

由上，最大化下界L(γ，φ；α，β)使其尽可能接近似然函数logp(x|α，β)就可以转变为估计参数(γ^*，φ^*)使KL(q(π，z|γ，φ)||p(π，z|x，α，β))最小，即：

(γ^*，φ^*)＝arg min_(γ，φ)KL(q(π，z|γ，φ)||p(π，z|x，α，β))

γ_i和φ_ij的计算公式如下：

其中，γ_i和φ_ij是变分参数，γ_i是第i幅图像的Dirichlet分布的参数，φ_ij是第i幅图像的第j个特征对应不同主题的概率分布，i＝1，2，...，n，j＝1，2，...，m，n为图像数目，m为对应每幅图像的特征数目；

先由上述公式计算每幅图像的变分参数γ_i和φ_ij，再通过最大化下界L(γ，φ；α，β)来估计模型参数α和β，迭代直至收敛。

7)采用分类器识别未知地点图像。

具体实施中采用最近邻分类方法对未知地点图像进行分类识别。

对于室内地点图像数据集，分别采用阴天、晴天、夜晚三种光照条件下的图像序列作为训练图像，采用另外两种光照条件下的图像序列以及相同光照条件三个月后拍摄的图像序列作为测试图像，评估LDA和QLDA在不同拍摄角度、光照，以及人物和物体的高度动态变化所导致的不确定性下的识别性能，评价指标包括识别准确率和平均耗时，平均耗时为识别每幅图像需要的时间。

对于室外地点图像数据集，每类图像随机选择一半作为训练图像，剩下的作为测试图像，评估LDA和QLDA在不同拍摄角度、尺度，以及人物和物体的高度动态变化所导致的不确定性下的识别性能，评价指标包括识别准确率和平均耗时，平均耗时为识别每幅图像需要的时间。

图5是LDA和QLDA对室内地点图片的识别准确率比较结果示意图。图8是LDA和QLDA对室外地点图片的识别准确率比较结果示意图。表1是LDA和QLDA对室内地点图片和室外地点图片的平均耗时比较。

表格1

当图像包含拍摄角度、光照的不同，以及人物和物体的高度动态变化时，本发明提供的一种基于改进概率主题模型的地点图像识别方法体现了很好的鲁棒性，且可以满足实时性要求。

Claims (5)

1.一种基于改进概率主题模型的地点图像识别方法，其特征在于，通过改进的概率主题模型建立图像的潜在主题分布，然后通过分类器来识别未知地点图像，包括以下步骤：

1.1.图像获取步骤，通过安装在机器人上的标准摄像头拍摄获取训练图像和测试图像；

1.2.图像预处理步骤，将获取的图像进行灰度化，并将其尺寸缩小；

1.3.特征提取步骤，采用尺度不变特征提取算法对图像进行局部特征提取；

1.4.特征聚类步骤，将所有特征通过k-means算法进行聚类，得到若干聚类中心；

1.5.特征分配步骤，将每幅图像的特征点在对应的聚类中心上进行投票，得出每幅图像对应于每个聚类中心的频数表示向量；

1.6.潜在主题建模步骤，以步骤1.5中得出的图像的频数向量作为输入特征变量，设定潜在主题个数，采用改进的概率主题模型对图像进行建模，学习模型，得到图像的潜在主题分布向量；

1.7.采用分类器识别未知地点图像；

所述步骤1.6中学习算法采用Variational推断；

估计模型参数(α^*,β^*)，使整个图像集的似然函数p(χ|α^*,β^*)最大；与原始LDA相同，该似然函数不可求，须采用Variational推断；利用Jensen不等式获得一个可计算的下界来近似真实的似然函数值，然后估计参数来最大化这个下界；

用L(γ,φ;α,β)表示似然函数的近似下界，则有：

logp(x|α,β)=L(γ,φ;α,β)+KL(q(π,z|γ,φ)||p(π,z|x,α,β))

其中logp(x|α,β)为似然函数，q(π,z|γ,φ)为Variational分布，p(π,z|x,α,β)为后验概率密度函数，KL(q(π,z|γ,φ)||p(π,z|x,α,β))为Variational分布与后验概率密度函数的Kullback-Leibler距离；

由上，最大化下界L(γ,φ;α,β)使其接近似然函数logp(x|α,β)就可以转变为估计参数(γ^*,φ^*)使KL(q(π,z|γ,φ)||p(π,z|x,α,β))最小，即：

$({\mathrm{\γ}}^{*},{\mathrm{\φ}}^{*})=\arg {\min }_{(\mathrm{\γ},\mathrm{\φ})}\mathrm{KL}\left(q(\mathrm{\π},z|\mathrm{\γ},\mathrm{\φ})\right|\left|p(\mathrm{\π},z|x,\mathrm{\α},\mathrm{\β})\right)$

γ_i和φ_ij的计算公式如下：

${\mathrm{\γ}}_i={\mathrm{\α}}_i+{\mathrm{\Σ}}_{j=1}^m{\mathrm{\φ}}_{\mathrm{ij}}$

其中，ψ表示Γ函数的对数的一阶导数，γ_i和φ_ij是变分参数，γ_i是第i幅图像的Dirichlet分布的参数，φ_ij是第i幅图像的第j个特征对应不同主题的概率分布，i=1,2,…,n，j=1,2,…,m，l=1,2,…,k，n为图像数目，m为对应每幅图像的特征数目，k为对应每幅图像设定的主题数目；

先由上述公式计算每幅图像的变分参数γ_i和φ_ij，再通过最大化下界L(γ,φ;α,β)来估计模型参数α和β，迭代直至收敛；

所述步骤1.6中的概率主题模型为潜在Dirichlet分布模型，对原始LDA模型进行改进，加入量化函数得到改进模型Quantified LDA模型，对训练图像和测试图像进行建模；

改进模型对于每幅图像的模型生成过程如下：

对于每幅图像x，选择一个Dirichlet参数π，π服从参数为α的Dirichlet分布，即π～Dirichlet(α)，对于每幅图像的每个特征x_j，选择一个主题z_j，服从参数π的离散分布，即z_j～discrete(π)，然后选择一个特征x_j，服从参数β的概率分布，即x_j～p(x_j|β)，β是每幅图像的不同特征对应不同主题的概率，如果一幅图像有m个特征，k个设定的主题，则β为m×k的矩阵；对于图像的所有特征，统计并分析数据集中每幅图像的特征分布，根据不同数据集的特征分布情况，建立对应的量化函数Q(x_j)，对输入特征进行分级量化处理，使其服从x_j～Q(x_j)分布，这样每幅图像的密度函数表示为

$p\left(x\right|\mathrm{\α},\mathrm{\β})={\∫}_{\mathrm{\π}}p\left(\mathrm{\π}\right|\mathrm{\α}){\mathrm{\Π}}_{j=1}^m{\mathrm{\Σ}}_{z_j}p\left(z_j\right|\mathrm{\π})p\left(x_j\right|z_j,\mathrm{\β})Q\left(x_j\right)\mathrm{d\π};$

分级量化是：统计平均每幅图像的特征在各区间内的密集程度，最密集且特征值较小的特征，区分度最低，作为非显著特征忽略；比较密集且特征值较大的特征，区分度较高，保持不变；最稀疏且特征值最大的特征，区分度最高，作为显著特征，近似处理为距离其最近的整十数；

具体的量化标准制定方法如下：

（1）统计输入特征的最小值x_min和最大值x_max；

（2）设定[a,b]区间的特征密度函数D(a,b)，表示特征在[a,b]区间内的密集程度，表达式如下：

$D(a,b)=\frac{N(a,b)}{b-a}$

其中N(a,b)表示[a,b]区间内的特征数；

（3）确定变量x₁，x₁∈[x_min,x_max]，使得特征密度函数D(x_min,x₁)取最大值，表示[x_min,x₁)区间内的特征分布最密集且特征值较小，区分度最低，为非显著特征；

（4）确定变量x₂，x₂∈[x₁,x_max]，使得特征密度函数D(x₁,x₂)取最大值，表示[x₁,x₂]区间内的特征分布比较密集且特征值较大，区分度较高；

（5）(x₂,x_max]区间内的特征分布最稀疏且特征值最大，区分度最高，为显著特征；

（6）建立量化函数Q(x_j)，表达式如下：

$Q\left(x_j\right)=\left\{\begin{array}{c}0,x_j\∈[x_{\min },x_1)\\ x_j,x_j\∈[x_1,x_2]\\ 10*\mathrm{round}(x_j/10),x_j\∈(x_2,x_{\max }]\end{array}\right.$

其中round(·)表示取·最近整数。

2.根据权利要求1所述的基于改进概率主题模型的地点图像识别方法，其特征在于，所述步骤1.1中训练图像和测试图像由安装在机器人上的标准摄像头按照固定路径拍摄得到，图像包含光照、视角、尺度的变化以及人物和物体的动态变化。

3.根据权利要求1所述的基于改进概率主题模型的地点图像识别方法，其特征在于，所述的步骤1.2的缩小尺寸为128×128像素。

4.根据权利要求1所述的基于改进概率主题模型的地点图像识别方法，其特征在于，所述步骤1.3中采用尺度不变特征提取算法对图像进行局部特征提取包括图像关键点检测以及将关键点表示为128维的特征描述子。

5.根据权利要求1所述的基于改进概率主题模型的地点图像识别方法，其特征在于，所述步骤1.7中分类器为最近邻分类方法。

Images