CN110013197A - 一种扫地机器人物体识别方法 - Google Patents

Abstract

本发明公开了一种扫地机器人物体识别方法，通过随机森林内的物体决策树与扫地机器人获得的图片内的物体特征进行比对，找到与物体特征相似度最高的物体决策树，当比对的相似度大于阈值M时，扫地机器人将其拍摄到的物体识别为物体决策树对应的物体信息，从而进行对应的指令操作，相似度小于阈值M时，人工添加物体决策树后扫地机器人记录新物体信息，并可以自主学习完善该物体决策树。本发明的一种扫地机器人物体识别方法可以使扫地机器人对物体进行更加智能化的自我学习和识别，具有智能化程度高、自我学习能力强的优点。

Description

一种扫地机器人物体识别方法

技术领域

本发明涉及一种智能家居技术领域，尤其涉及一种智能化程度高、自我学习能力强的扫地机器人物体识别方法。

背景技术

随着人工智能的发展，图像识别、语音识别和意识识别等技术领域的关键技术的突破，智能化技术和产品逐渐进入人们的日常生活，并将对未来社会的方方面面产生革命性的变化。智能化产品必将取代社会发展过程中，重复性、操作流程固化和高精度型等应用领域的作业，未来社会将会被更加智能化和便捷化的人工智能技术所取代，得到很大程度上的提升。其中物体识别领域的技术发展尤为突出，对应的智能化产品已经相当普遍。

现有的智能家居产品中，扫地机器人越来越多的进入消费者家庭。现有技术的应用于智能扫地机器人领域的物体识别，只能对选定的几种物体进行识别，在物体识别的智能学习能力还没有更好的解决方法。

因此，有必要提出一种改进，以克服现有技术缺陷。

发明内容

本发明的目的是解决现有技术中的问题，提供一种智能化程度高、自我学习能力强的扫地机器人物体识别方法。

本发明的技术方案是：

一种扫地机器人物体识别方法，包括以下步骤：S1、根据常规物体信息建立物体决策树，所述物体决策树内包括特征信息、处理操作信息，多个物体决策树形成随机森林；S2、扫地机器人获取图片；S3、对图片进行图像处理，将图片分隔成多个子图；S4、对每个子图进行物体识别，获取子图内的物体特征；将所述物体特征与随机森林内的物体决策树进行特征比对，判断所述物体特征与随机森林内所有物体决策树的相似度，找到与所述物体相似度最高的物体决策树T，若所述物体特征与所述物体决策树T的相似度达到最低相似度阈值M，则将该图片归类为与该物体决策树T对应的物体类别，并将该图片加入到该物体决策树T内，转向步骤S5；否则，认为该物体为新的物体，创建新的物体决策树，转向步骤S6；S5、信息扫地机器人根据物体决策树T对应的处理操作信息进行指令操作；S6、等待人工设置新的物体决策树信息，扫地机器人根据人工设置的物体决策树信息进行指令操作。

作为一种优选的技术方案，所述步骤S2扫地机器人获取图片中，扫地机器人包括双目摄像头，所述图片为扫地机器人双目摄像头获取的图片。

作为一种优选的技术方案，所述步骤S3中对图片进行图像处理的方法为根据边界检测和灰度图二值化，检测出图片中的框体，并将图片分割成多个子图。

作为一种优选的技术方案，所述步骤S1中建立物体决策树包括：根据物体的一个特征的一个标准图作为根节点，根据标准图相似度依次建立决策树，根节点为第0层，层级越高，相似度越低。

作为一种进一步优选的技术方案，物体包括多个特征，则物体决策树的每层包括多个节点；父节点与子节点的相似度大于父节点同层节点之间的相似度。

作为一种优选的技术方案，所述步骤S6中人工设置新的物体决策树信息包括人工命名决策树名称、扫地机器人对该物体决策树的处理操作信息。

作为一种进一步优选的技术方案，所述处理操作信息包括收纳指令、避开指令、清扫指令和人机交互物体智能化自学习指令。

本发明的一种扫地机器人物体识别方法，通过随机森林内的物体决策树与图像内物体特征进行比对，找到与物体特征相似度最高的物体决策树，当比对的相似度大于阈值M时，扫地机器人将其拍摄到的物体识别为物体决策树对应的物体信息，从而进行对应的指令操作。本发明的一种扫地机器人物体识别方法，阈值M可以设定，通过设定阈值M，可以使扫地机器人对物体的识别更加智能化，可以进行自我学习，提升物体识别的准确性。对于新物体，需要进行人工设置物体决策树，之后扫地机器人可以自主学习完善该物体决策树。本发明的一种扫地机器人物体识别方法可以使扫地机器人对物体进行更加智能化的自我学习和识别，具有智能化程度高、自我学习能力强的优点。

附图说明

图1为本发明一种扫地机器人物体识别方法流程图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义，“多种”一般包含至少两种，但是不排除包含至少一种的情况。

应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

取决于语境，如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的商品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种商品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的商品或者系统中还存在另外的相同要素。

如图1所示为本发明的一种扫地机器人物体识别方法，包括以下步骤：

S1、根据常规物体信息建立物体决策树，所述物体决策树内包括特征信息、处理操作信息，多个物体决策树形成随机森林；

S2、扫地机器人获取图片；

S3、对图片进行图像处理，将图片分隔成多个子图；

S4、对每个子图进行物体识别，获取子图内的物体特征；将所述物体特征与随机森林内的物体决策树进行特征比对，判断所述物体特征与随机森林内所有物体决策树的相似度，找到与所述物体相似度最高的物体决策树T，若所述物体特征与所述物体决策树T的相似度达到最低相似度阈值M，则将该图片归类为与该物体决策树T对应的物体类别，并将该图片加入到该物体决策树T内，转向步骤S5；否则，认为该物体为新的物体，创建新的物体决策树，转向步骤S6；其中，相似度为百分比，在0％到100％之间，越大越相似；

S5、信息扫地机器人根据物体决策树T对应的处理操作信息进行指令操作；

S6、等待人工设置新的物体决策树信息，扫地机器人根据人工设置的物体决策树信息进行指令操作。

本发明的扫地机器人物体识别方法，随机森林内的物体分类森林中，同一个物体的所有图片建立成一个物体决策树，该物体决策树内包括特征信息、处理操作信息等标签信息。当扫地机器人获取图片后，需要对该图片内物体图像在所建立的随机森林内每个分类进行计算，通过将扫地机器人获取的图片信息与随机森林内的物体决策树内的物体特征信息进行比对，计算出相似度，找出图片信息与随机森林内相似度最高的物体决策树，当相似度超过最低相似阈值M时，可判断该张图片内的该物体属于该物体决策树。同时，相似度的阈值可以设定，大于该阈值时，可以认为物体与物体决策树匹配，判断物体种类及后续处理，否则，需要建立新的决策树，进行新物体更加智能化的自我学习和识别的扫地机器人物体识别功能。

为了保证扫地机器人获取的图片清晰、包含尽可能多的物体特征，提高物体识别的准确性，作为优选方案，上述步骤S2扫地机器人获取图片中，扫地机器人包括双目摄像头，所述图片为扫地机器人双目摄像头获取的图片。

为了提高图像处理效率，提高本发明一种扫地机器人物体识别方法的识别效率和准确性，上述步骤S3中对图片进行图像处理的方法为根据边界检测和灰度图二值化，检测出图片中的框体，并将图片分割成多个子图。

在上述步骤S1中，建立物体决策树时，根据物体的一个特征的一个标准图作为根节点，根据标准图相似度依次建立决策树，根节点为第0层，层级越高，相似度越低。此时该物体决策树就物体该特征的节点，根据相似度的变化，从下向上依次建立节点层级，节点层级越多，物体特征的识别维度越多，相似度判断越准确。

当然，在实际应用中，一个物体包括多个特征，同一个物体决策树的一个层级也包括多个物体特征的节点，此时，父节点与子节点的相似度大于父节点同层节点之间的相似度。避免同一层级的不同特征节点相互干扰，保证物体识别判断的准确性。

在上述步骤S6中，人工设置新的物体决策树信息至少应包括人工命名决策树名称、扫地机器人对该物体决策树的处理操作信息。也即是为本发明一种扫地机器人物体识别方法中识别的新物体添加名称信息及需要扫地机器人后续的处理操作信息，指导扫地机器人进行对应的指令操作。建立起对应的物体决策树后，本发明的一种扫地机器人物体识别方法可以根据阈值M的设定，对新物体的物体决策树内图像进行添加、完善，进行机器学习。

上述的处理操作信息包括收纳指令、避开指令、清扫指令和人机交互物体智能化自学习指令。对应扫地机器人对物体进行收纳、避让、清扫和智能化学习等处理方式。该处理操作信息与扫地机器人的处理动作对应，也可以根据扫地机器人的实际动作需求进行增加。该处理操作信息也是本发明扫地机器人物体识别方法可以针对物体特征进行智能化学习训练的机制。通过加入上述处理操作信息尤其是人机交互物体智能化自学习指令，可以保证通过人机交互，使扫地机器人根据用户指令判断对物体进行的操作，并进行智能化学习，保证本发明扫地机器人物体识别方法可以使扫地机器人逐步个性化、有针对性地建立对待其工作环境内的物体进行识别并采取针对性的个性化操作。例如，在不同的家庭，对待同一物品可能是收纳或清扫，扫地机器人可以根据实际用户的人机交互指令进行针对性个性化操作。

本发明的一种扫地机器人物体识别方法，通过随机森林内的物体决策树与图像内物体特征进行比对，找到与物体特征相似度最高的物体决策树，当比对的相似度大于阈值M时，扫地机器人将其拍摄到的物体识别为物体决策树对应的物体信息，从而进行对应的指令操作。本发明的一种扫地机器人物体识别方法，阈值M可以设定，通过设定阈值M，可以使扫地机器人对物体的识别更加智能化，可以进行自我学习，提升物体识别的准确性。对于新物体，需要进行人工设置物体决策树，之后扫地机器人可以自主学习完善该物体决策树。本发明的一种扫地机器人物体识别方法可以使扫地机器人对物体进行更加智能化的自我学习和识别，具有智能化程度高、自我学习能力强的优点。

综上所述仅为本发明较佳的实施例，并非用来限定本发明的实施范围。即凡依本发明申请专利范围的内容所作的等效变化及修饰，皆应属于本发明的技术范畴。

Claims (7)

1.一种扫地机器人物体识别方法，其特征在于：包括以下步骤：

S1、根据常规物体信息建立物体决策树，所述物体决策树内包括特征信息、处理操作信息，多个物体决策树形成随机森林；

S2、扫地机器人获取图片；

S3、对图片进行图像处理，将图片分隔成多个子图；

S4、对每个子图进行物体识别，获取子图内的物体特征；将所述物体特征与随机森林内的物体决策树进行特征比对，判断所述物体特征与随机森林内所有物体决策树的相似度，找到与所述物体相似度最高的物体决策树T，若所述物体特征与所述物体决策树T的相似度达到最低相似度阈值M，则将该图片归类为与该物体决策树T对应的物体类别，并将该图片加入到该物体决策树T内，转向步骤S5；否则，认为该物体为新的物体，创建新的物体决策树，转向步骤S6；

S5、信息扫地机器人根据物体决策树T对应的处理操作信息进行指令操作；

S6、等待人工设置新的物体决策树信息，扫地机器人根据人工设置的物体决策树信息进行指令操作。

2.根据权利要求1所述的一种扫地机器人物体识别方法，其特征在于：所述步骤S2扫地机器人获取图片中，扫地机器人包括双目摄像头，所述图片为扫地机器人双目摄像头获取的图片。

3.根据权利要求1所述的一种扫地机器人物体识别方法，其特征在于：所述步骤S3中对图片进行图像处理的方法为：根据边界检测和灰度图二值化，检测出图片中的框体，并将图片分割成多个子图。

4.根据权利要求1所述的一种扫地机器人物体识别方法，其特征在于：所述步骤S1中建立物体决策树包括：根据物体的一个特征的一个标准图作为根节点，根据标准图相似度依次建立决策树，根节点为第0层，层级越高，相似度越低。

5.根据权利要求4所述的一种扫地机器人物体识别方法，其特征在于：物体包括多个特征，则物体决策树的每层包括多个节点；父节点与子节点的相似度大于父节点同层节点之间的相似度。

6.根据权利要求1所述的一种扫地机器人物体识别方法，其特征在于：所述步骤S6中人工设置新的物体决策树信息包括人工命名决策树名称、扫地机器人对该物体决策树的处理操作信息。

7.根据权利要求1或6所述的一种扫地机器人物体识别方法，其特征在于：所述处理操作信息包括收纳指令、避开指令、清扫指令和人机交互物体智能化自学习指令。