当前位置：文档之家 › 基于BoW模型的油茶害虫图像分类

基于BoW模型的油茶害虫图像分类

  • 格式：pdf
  • 大小：275.84 KB
  • 文档页数：4

第３５卷第５期　２０１５年５月　中南林业科技大学学报　Ｊｏｕｒｎａｌ　ｏｆ　Ｃｅｎｔｒａｌ　Ｓｏｕｔｈ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｆｏｒｅｓｔｒｙ＆Ｔｅｃｈｎｏｌｏｇｙ　、，０１．３５　Ｎｏ．５　Ｍａｙ　２０１５　

基于ＢｏＷ模型的油茶害虫图像分类　ｈｔｔｐ：／／ｑｋｓ．ｃｓｕｆｔ．ｅｄｕ．ｅｆｔ　

谢林波，余绍军，周国英，李虹　

（中南林业科技大学，湖南长沙４１０００４）　

摘　要：针对目前图像识别在油茶害虫这个领域的应用中存在的问题，提出一种基于ＢｏＷ模型的油茶害虫图像　识别的方法。首先对油茶害虫图像进行ＳＩＦＴ特征提取，然后通过ＢｏＷ模型来描述各幅图像，针对每类油茶害虫，　利用支持向量机（ＳＶＭ）训练，进而从图像中识别出油茶害虫的种类。实验结果表明：该方法用在油茶害虫图像　模式分类问题上取得了较好的识别率，其平均识别率达到了８３．３％，由此表明ＢｏＷ模型用于油茶害虫图像分类　的有效性。　关键词：油茶害虫；图像识别；特征提取；ＢｏＷ模型；支持向量机；图像分类　中图分类号：￥７８１．３９　文献标志码：Ａ　文章编号：１６７３—９２３Ｘ（２０１５）０５．００７０．０４　

Ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ｒｅｓｅａｒｃｈ　ｏｆ　ｏｉｌ－ｔｅａ　ｐｅｓｔ　ｉｍａｇｅｓ　ｂａｓｅｄ　ｏｎ　ＢｏＷ　ｍｏｄｅｌ　

ＸＩＥ　Ｌｉｎ—ｂｏ，Ｙｕ　Ｓｈａｏ－ｊｕｎ，ＺＨＯＵ　Ｇｕｏ—ｙｉｎｇ，ＬＩ　Ｈｏｎｇ　

（Ｃｅｎｔｒａｌ　Ｓｏｕｔｈ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆＦｏｒｅｓｔｒｙ　ａｎｄ　Ｔｅｃｈｎｏｌｏｇｙ，Ｃｈａｎｇｓｈａ　４１０００４，Ｈｕｎａｎ，Ｃｈｉｎａ）　

Ａｂｓｔｒａｃｔ：Ｆｏｒ　ｔｈｅ　ｅｘｉｓｔｉｎｇ　ｐｒｏｂｌｅｍ　ｏｆ　ｉｍａｇｅ　ｒｅｃｏｇｎｉｔｉｏｎ　ａｐｐｌｙｉｎｇ　ｉｎ　ｔｈｅ　ｆｉｅｌｄ　ｏｆ　Ｃａｍｅｌｌｉａ　ｐｅｓｔｓ，ａ　Ｃａｍｅｌｌｉａ　ｐｅｓｔ　ｉｍａｇｅ　ｒｅｃｏｇｎｉｔｉｏｎ　ｍｅｔｈｏｄ　ｗａｓ　ｐｕｔ　ｆｏｒｗａｒｄ　ｂａｓｅｄ　ｏｎ　ＢｏＷ　ｍｏｄｅ１．Ｆｉｒｓｔｌｙ，ｔｈｅ　ＳＩＦＴ　ｆｅａｔｕｒｅｓ　ｏｆ　ｏｉｌ—ｔｅａ　ｐｅｓｔ　ｉｍａｇｅ　ｗｅｒｅ　ｅｘｔｒａｃｔｅｄ，ａｎｄ　ｔｈｅｎ　ｂｙ　ｕｓｉｎｇ　ＢｏＷ　ｍｏｄｅｌ　ｔｈｅ　ｉｍａｇｅｓ　ｗｅｒｅ　ｄｅｓｃｒｉｂｅｄ，ａｎｄ　ｌａｓｔ　ｔｈｅ　ｓｐｅｃｉｅｓ　ｏｆ　ｏｉｌ—ｔｅａ　ｐｅｓｔｓ　ｗｅｒｅ　ｉｄｅｎｔｉｆｉｅｄ　ｔｈｒｏｕｇｈ　ｓｕｐｐｏｒｔ　ｖｅｃｔｏｒ　ｍａｃｈｉｎｅ（ＳＶＭ）ｔｒａｉｎｉｎｇ．　Ｔｈｅ　ｅｘｐｅｒｉｍｅｎｔａｌ　ｒｅｓｕｌｔｓ　ｓｈｏｗ　ｔｈａｔ　ｔｈｅ　ｍｅｔｈｏｄ　ｕｓｅｄ　ｉｎ　ｏｉｌ—ｔｅａ　ｐｅｓｔ　ｉｍａｇｅ　ｐａｔｔｅｒｎ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ｈａｄ　ａ　ｂｅｔｔｅｒ　ｒｅｃｏｇｎｉｔｉｏｎ　ｒａｔｅ，ｗｉｔｈ　ａｎ　ａｖｅｒａｇｅ　ｒｅｃｏｇｎｉｔｉｏｎ　ｒａｔｅ　ｏｆ　８３＿３％．　Ｋｅｙ　ｗｏｒｄｓ：Ｃａｍｅｌｌｉａ　ｐｅｓｔｓ；ｉｍａｇｅ　ｒｅｃｏｇｎｉｔｉｏｎ；ｆｅａｔｕｒｅ　ｅｘｔｒａｃｔｉｏｎ；ＢｏＷ　ｍｏｄｅｌ；ｓｕｐｐｏｒｔ　ｖｅｃｔｏｒ　ｍａｃｈｉｎｅ（ＳＶＭ）；ｉｍａｇｅ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　

油茶作为世界四大木本食用油料植物之一，　

具有很高的综合利用价值。目前，种植油茶已成　

为我国南方山区经济和山区农民脱贫致富奔小康　

的支柱产业之一，同时油茶在我国实施退耕还林　和调整种植业结构中发挥着十分重要的作用【１］。　

我国油茶的种植面积约有３００万ｈｍ　，但其亩产量　并不高，其中油茶害虫是影响其亩产量低的一个很　

重要的因素。因此开展针对油茶害虫的模式分类问　

题研究，将有利于油茶林区虫害实施远程监测预报，　

对推动地方经济发展具有重要的现实意义。　

近年来，计算机图形图像、自动检测、人工　智能等技术的迅速发展使得图像分类技术得到很　

大的发展。如何快速、准确地对大量的图像信息　

进行分类，提取其中有用的信息，逐渐成为了人　

们研究的热点之一。Ｂａｇ　ｏｆ　ｗｏｒｄｓ（ＢＯＷ）模型最开　始应用于文档分类领域，由于其简单有效的优点　

得到了广泛的应用。目前很多的研究者将这样的思　

想应用到图像分类领域。本研究就是将ＢｏＷ模型　应用于油茶害虫图像分类，由于油茶害虫图像分类　

识别在本质上是一个复杂的多类判别问题，针对每　

类油茶害虫采集大量的图像样本，但相对于其维数　而言，害虫的样本数是一个小样本问题【２］。支持向　

量机是为解决小样本问题学习和分类提出的具有　很强的非线性分类能力［３】。　

１　基于油茶害虫图像ＢｏＷ模型的构造　

本研究将ＢｏＷ模型应用于图像识别，可以先　

把图像看作为一个文档，而图像中的关键特征被　

看作为“单词”。对于油茶害虫图像构造ＢｏＷ的　

过程主要有４个步骤，如下所示：　

收稿日期：２０１４—０５—１０　基金项目：“十二五”国家科技计划课题（２０１２ＢＡＤ１９Ｂ０８０３）；湖南省科技厅科技计划项目（２０１４ＮＫ３０５７）　作者简介：谢林波，硕士研究生　通讯作者：余绍军，教授；Ｅ－ｍａｉｌ：１０７１５９９４０２＠ｑｑ．ｅｏｍ　引文格式：谢林波，余绍军，周国英，等．基于ＢｏＷ模型的油茶害虫图像分类［Ｊ】．中南林业科技大学学报，２０１５，３５（５）：

７０—７３　第３５卷　中南林业科技大学学抠　７１　

（１）特征检测：采用Ｏｓｔｕ图像分割ｌ４］的方　

法对油茶害虫图像进行分割来获取图像的兴趣点，　比如图像的边缘、角点、斑块等，获得的图像块　

在后面图像的识别过程中会起到至关重要的作用。　（２）特征表示：油茶害虫内容通过采用图像　

的局部特征描述子来表示。在特征检测之后，把　

获得的局部块状小区域用一个特征向量来表示，　

提取出的特征向量就称为特征描述子。本研究采　

用的是ＳＩＦＴ特征描述子。　（３）生成视觉直方图：在特征表示后，将局　

部特征描述子表示的油茶害虫内容生成虫子视觉　

单词。然后通过聚类的方法将特征描述子所表示　的油茶害虫图像进行聚类，即可获得多个聚类中　

心，每个聚类中心即为一个视觉词，把全部的中　心聚集一起就构成了ＢｏＷ模型的视觉词典，再通　

过聚类中心映射得到视觉词直方图。　

（４）ＳＩＦＩ特征提取：通过以上几个步骤生成　ＢｏＷ后，再使用Ｋ—ｍｅａｎｓ聚类算法【５】，训练油茶　

害虫图像集提取的ＳＩＦＴ特征。Ｋ．ｍｅａｎｓ算法因其　

收敛速度快成为一种经典的聚类算法得到广泛的　

应用。Ｋ—ｍｅａｎｓ算法的思路是把参与聚类的特征数　据存入到内存中，然后进行不断的迭代。其迭代　

过程如下：任意选择　个对象作为初始化的聚类　

中心，定义的对象为ｃ　，６＇２，Ｃ３，…，　，然后针　

对剩下的对象　（ｉ＝１，２，３，…，　），计算各个　簇中心与对象的距离，得到其中最小的距离，再　

把这个对象赋给这个簇。整个赋值过程如下：　

Ｘｆ—ｃ『Ｉ：ｍｉｎ　‘　‘ｌｌ　ｌ≤挺ｋ　其中１≤，≤ｍ。ｍ是特征向量的维数。　

然后把重新计算的每个簇的平均值作为下一　次迭代的聚类中心：　

击　，　

其中　为第，个簇ｓｊ中的对象数目。　

Ｋ．ｍｅａｎｓ算法全过程包括初始化、分配和更　

新类中心，其后两个过程需要不断重复，直到所　

有的聚类中心都不再变化，最终得到的类中心就　是ＢｏＷ模型所需要的视觉词　】。然后把每幅油茶　

害虫图像中的每个ＳＩＦＴ描述子都映射到某个视觉　

词，得到的就是该图像的视觉词直方图。为了生　

成视觉词直方图，在映射过程中需要计算每个视　觉词与每个ＳＩＦＴ特征向量也就是聚类中心的距离，　

取其中最小的值，并把当前ＳＩＦＴ特征归类到该视　

觉词下，直到把所有的ＳＩＦＴ描述子都分配完毕后，　得到一个直方图，再把直方图表示为数值向量，　并进行归一化，就可以用分类器进行训练，进而　

为后面的图像识别做好准备。　

２基于ＳＩＦＴ算法的油茶害虫特征提取　

将ＢｏＷ模型应用于图像分类和识别领域　

时，首先要对图像进行特征的提取和描述，这就　

需要合适的选择特征提取方法以及描述子，使提　

取的特征在对图像能最大限度地进行精确描述，　

提供它的关键信息，并尽可能地降低其实现的复　

杂度。本文中采用ＳＩＦＴ（Ｓｃａｌｅ　Ｉｎｖａｒｉａｎｔ　Ｆｅａｔｕｒｅ　Ｔｒａｎｓｆｏｒｍ）描述子来提取油茶害虫特征［７１。下面　

是ＳＩＦＴ特征提取的四个步骤：　

（１）检测在尺度空间的极值点。　

（２）生成关键点的描述子，精确定位特征点　

的位置。　

（３）确定每个关键点的主方向。　

（４）关键点ＳＩＦＴ描述子的生成。　首先提取油茶害虫图像的ＳＩＦＴ特征作为图像　

中的视觉词汇，把所有的视觉词汇集合一起，即　

可用一个特征向量集合描述每幅害虫图像。　

然后，采用Ｋ　Ｍｅａｎｓ聚类算法来构造视觉词　汇表【８］。ＳＩＦＴ提取的视觉词汇向量之间根据距离　

的远近，可以利用算法将词义相近的词汇合并，　

得到　个聚类中心作为视觉单词，生成单词表中　

的基础词汇，再由视觉单词构成视觉词汇表，进　

而利用单词表中的词汇表示害虫图像。　最后，利用ＳＩＦＴ算法，可以从每幅油茶害虫　

图像中提取多个特征点，这些特征点都可以用单　

词表中的单词近似代替，通过统计单词表中每个　

单词在图像中出现的次数，可以将图像表示成为　

一个　维数值向量［９】。对每幅害虫图像中的每个　

向量计算Ⅳ个最近邻视觉单词，然后计算第ｋ个　

的视觉单词的质量：　

Ｎ　Ｍ　１　ｑ（ｔ　）＝∑∑　，ｔＫ）。　（３）　ｉ＝１　ｊ＝ｌ‘　式（３）中：　表示与视觉单词　第ｉ接近的特征　

维数；　表示视觉单词ｔＫ与特征向量　之间的　相似度。本文中采用欧氏距离进行度量，对每个　

视觉单词计算其质量，如果满足　

）［］ｈ　ｍ　ａ…ｘ，　）】，　（４）　

就保留，不然则舍去。式（４）中的ｈ为视觉单词　

的质量阈值。在满足实时性要求的同时要保证识　

别率，本文取Ｎ＝３，ｈ＝０．８。

　７２　谢林波，等：基于ＢｏＷ模型的油茶害虫图像分类　第５期　

３　ＳＶＭ分类器的设计　

支持向量机（Ｓｕｐｐｏｒｔ　Ｖｅｃｔｏｒ　Ｍａｃｈｉｎｅ　是在　１９９５年由Ｃｏｒｔｅｓ和Ｖａｐｎｉｋ第一次提出。ＳＶＭ相　

比于传统的基于经验风险最小化理论的学习方法，　

它的泛化能力更强，因为它是一种基于结构风险　最小化理论的学习方法［１　。ＳＶＭ在解决小样本问　

题上具有比较大的优势，在工、农业等领域的分　类和识别问题中得到比较广泛的应用。　

ＳＶＭ方法在采集的样本数目较有限的情况下　可以获得较好的分类效果，利用ＳＶＭ进行油茶害　

虫图像识别分为两部分——训练和测试。在训练　阶段，可以获取油茶害虫图像不同的ＳＩＦＴ特征、　

不同的视觉词汇本和不同的ＢｏＷ模型，将这些不　

同的ＢｏＷ模型可以训练得到不一样的ＳＶＭ分类　

器；在测试阶段，将训练得到的不同分类器分别　对测试样本进行分类，进而就可以得到不同的分　

类结果，即可获得测试训练出来的分类器的识别　

率。ＳＶＭ分类器进行识别的流程见图１。　

图１　油茶害虫图像识别流程　Ｆｉｇ．１　Ｆｌｏｗ　ｏｆ　ｏｉｌ－ｔｅａ　ｐｅｓｔ　ｉｍａｇｅ　ｒｅｃｏｇｎｉｔｉｏｎ　

３．１核函数选择４　实验结果与分析　

对未知数据进行测试时的分类能力是ＳＶＭ的　

泛化能力。用支持向量机方法进行模式识别及分　

类时需选择一个合适的核函数，核函数是ＳＶＭ模　型中很重要的一个参数隅】。选择不同的核函数，关　

合集下载

基于改进UNet模型的油茶果振动采摘点定位方法

基于改进UNet模型的油茶果振动采摘点定位方法

基于改进UNet模型的油茶果振动采摘点定位方法

目录

一、内容简述................................................2

1.1 研究背景.............................................2

1.2 研究目的与意义.......................................3

二、相关工作................................................4

2.1 UNet模型及其在农业领域的应用.........................5

2.2 油茶果振动采摘点定位方法的研究现状...................6

三、基于改进UNet模型的油茶果振动采摘点定位方法..............7

3.1 改进UNet模型的构建...................................8

3.1.1 编码器结构优化...................................9

3.1.2 解码器结构优化..................................10

3.2 振动采摘点定位算法实现..............................11

3.2.1 数据预处理与增强................................12 3.2.2 模型训练与优化..................................13

3.2.3 振动采摘点定位结果输出..........................14

四、实验验证与分析.........................................15

4.1 实验环境与设备......................................16

基于YOLO_v2_的辣椒叶部蚜虫图像识别

基于YOLO_v2_的辣椒叶部蚜虫图像识别

山东农业大学学报(自然科学版),2023,54(5):700-709VOL.54NO.52023JournalofShandongAgriculturalUniversity(NaturalScienceEdition)doi:10.3969/j.issn.1000-2324.2023.05.009

基于YOLOv2的辣椒叶部蚜虫图像识别

邹玮1,岳延滨1*,冯恩英1,彭顺正1,张爱民2,肖玖军3

1.贵州省农业科技信息研究所,贵州贵阳5500062.贵州省辣椒研究所,贵州贵阳5500063贵州省山地资源研究所,贵阳550006

摘要:针对传统辣椒蚜虫识别精度不高、研究较少等问题，本研究一种基于YOLOv2的辣椒蚜虫图像识别方法，

准确定位蚜虫位置，识别两种不同类型蚜虫，并探究不同网络深度对模型性能的影响。首先YOLOv2目标检测网络

与Resnet50网络六种不同深度卷积结构相融合，构建辣椒蚜虫识别模型，然后利用预测框生成算法设置候选框参数，

对六种模型进行训练，根据训练结果设计辣椒蚜虫识别系统。在验证集上进行对比试验，结果表明Resnet-22模型对

辣椒叶部蚜虫识别精度最高，平均识别准确率为96.49%，其中黄色蚜虫识别准确率为98.70%，绿色蚜虫识别准确率

为94.27%，识别时间为0.129s。Resnet-22模型具有较强的鲁棒性，为实现田间复杂背景下辣椒蚜虫识别奠定基础。

关键词:辣椒;蚜虫;图像识别

中图法分类号:TP751文献标识码:A文章编号:1000-2324(2023)05-0700-10

ImageRecognitionofAphidonPepperLeavesBasedonYOLOv2

ZOUWei1,YUEYan-bin1*,FENGEn-ying1,PENGShun-zheng1,ZHANGAi-min2,

XIAOJiu-jun3

1.GuizhouInstituteofAgriculturalScienceandTechnologyInformationResearch,Guiyang550006,China2.GuizhouInstituteofPepperResearch,Guiyang550006,China3.GuizhouInstituteofMountainResources,Guiyang550006,ChinaAbstract:Aimingatthelowidentificationaccuracyandlessresearchoftraditionalpepperaphidrecognition,westudiesaYOLOv2-basedimageidentificationmethodofpepperaphidtoaccuratelylocateaphidlocations,identifytwodifferenttypesofaphids,andexploretheimpactofdifferentnetworkdepthsonmodelperformance.First,theYOLOv2targetdetectionnetworkisintegratedwithsixdifferentdeepconvolutionalstructuresoftheResnet50networktoconstructapepperaphidrecognitionmodel,andthenthecandidateboxparametersaresetusingthepredictionboxgenerationalgorithm,finally,thesixmodelsaretrained,andthepepperaphidsidentificationsystemisdesigned.ThecomparativetestresultsonthevalidationsetdemonstratethatResnet-22modelhasthehighestidentificationaccuracy,andachievestheaverageidentificationaccuracyof96.49%ontwodifferenttypesofaphidspecies,theidentificationaccuracyofyellowaphidandgreenaphidis98.70%and94.27%respectively,andtheaverageidentificationtimeofonepictureis0.129s.Resnet-22modelisrobustandlaysthefoundationforpepperaphididentificationinacomplexcontextinthefield.Keywords:Pepper;aphid;imagerecognition

基于YOLO_v5的水稻害虫分类

基于YOLO_v5的水稻害虫分类

李　滨，樊　健．基于ＹＯＬＯｖ５的水稻害虫分类［Ｊ］．江苏农业科学，２０２４，５２（２）：１７５－１８２．ｄｏｉ：１０．１５８８９／ｊ．ｉｓｓｎ．１００２－１３０２．２０２４．０２．０２５

基于ＹＯＬＯｖ５的水稻害虫分类

李　滨，樊　健

（东北林业大学机电工程学院，黑龙江哈尔滨１５００４０）

摘要：针对水稻害虫识别过程中存在的检测难度大、模型精度低、计算量大等问题，以稻纵卷叶螟等１４类水稻害虫为研究对象，改进了ＹＯＬＯｖ５检测算法，引入高效通道注意力机制（ｅｆｆｉｃｉｅｎｔｃｈａｎｎｅｌａｔｔｅｎｔｉｏｎ，ＥＣＡ）与ＥＩｏＵ（ｅｆｆｉｃｉｅｎｔ－ＩｏＵ）损失函数，并结合Ｇｈｏｓｔ卷积，提出了一种基于改进的ＹＯＬＯｖ５水稻害虫识别方法：（１）通过引入ＥＣＡ注意力机制实现对水稻害虫识别过程中重要信息的处理，采用跨通道信息交互，保证模型性能和降低复杂度；（２）引入ＥＩｏＵ损失函数代替ＣＩｏＵ（ｃｏｍｐｌｅｔｅ－ＩｏＵ）损失函数，从而降低原有ＣＩｏＵ损失函数存在的回归精度问题；（３）利用Ｇｈｏｓｔ卷积替换ＣＢＳ模块及Ｃ３模块中的标准卷积，实现模型轻量化处理。结果表明，改进后的模型较原始ＹＯＬＯｖ５模型精度略微提升，参数量减少，模型体积降低至７．３８ＭＢ，较原模型减少了４６％，与ＹＯＬＯｖ７、Ｆａｓｔｅｒ－ＲＣＮＮ模型相比，ｍＡＰ比ＹＯＬＯｖ７高１．４９百分点，比Ｆａｓｔｅｒ－ＲＣＮＮ高１２．８９百分点，且本研究模型体积最小，检测速度满足实时性要求，使水稻害虫检测识别能够更加高效地完成，为水稻害虫检测提供了一种更优的方法，对于防治水稻害虫有重要意义。 关键词：水稻；害虫；深度学习；Ｇｈｏｓｔ卷积；ＹＯＬＯｖ５；轻量化；ＥＣＡ注意力机制 中图分类号：ＴＰ３９１．４１；Ｓ１２６ 文献标志码：Ａ 文章编号：１００２－１３０２（２０２４）０２－０１７５－０７

收稿日期：２０２３－０４－１２基金项目：黑龙江省哈尔滨市应用技术研究与开发项目（留学回国创业人才Ａ类）（编号：２０１７ＲＡＬＸＪ０１１）。作者简介：李　滨（１９７５—），男，黑龙江哈尔滨人，博士，副教授，研究方向为先进制造技术及装备、智能农业技术及装备。Ｅ－ｍａｉｌ：６３０１０４６３５＠ｑｑ．ｃｏｍ。 水稻在生长过程中易遭到害虫的侵蚀，且近年

一种基于BoW物体识别模型的视觉导航方法

一种基于BoW物体识别模型的视觉导航方法

第４２卷第３期　２０１２年５月　东南大学学报（自然科学版）　

ＪＯＵＲＮＡＬ　ＯＦ　ＳＯＵＴＨＥＡＳＴ　ＵＮＩＶＥＲＳＩＴＹ（Ｎａｔｕｒａｌ／Ｓｃｉｅｎｃｅ　Ｅｄｉｔｉｏｎ）　ＶＯ１．４２　Ｎｏ．３　Ｍａｙ　２０１２　

ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００１—０５０５．２０１２．０３．００１　

一种基于ＢｏＷ物体识别模型的视觉导航方法　

李新德　金晓彬　张秀龙　戴先中　

（东南大学复杂工程系统测量与控制教育部重点实验室，南京２１００９６）　

摘要：针对复杂的室内环境，提出一种新的动态环境下的移动机器人视觉导航方法．该方法以室　

内常见物体作为自然路标，通过单目视觉建立识别模型来认知环境中的各种物体．首先对室内常　见物体建立图像库，并对库中的大量图像采集ＳＩＦＴ特征；然后通过ＢｏＷ模型来描述各幅图像，　

针对每类物体利用线性支持向量机（ＳＶＭ）训练出物体识别模型；最后借助交互的手绘地图描述　室内环境，移动机器人从中获得辅助路径以及自然路标的大概位置，从而完成导航任务．通过大　

量实验，从自然路标变化、目的区域变化、手绘地图偏差等多角度验证该方法的鲁棒性．实验结果　表明，该导航方法操作简单高效，并具有人机交互性强、动态环境下适应能力高的优点．　

关键词：移动机器人；物体识别；手绘地图；视觉导航　中图分类号：ＴＰ２４　文献标志码：Ａ　文章编号：１００１—０５０５（２０１２）０３－０３９３－０６　

Ｖｉｓｕａｌ　ｎａｖｉｇａｔｉｏｎ　ｍｅｔｈｏｄ　ｂａｓｅｄ　ｏｎ　ＢｏＷ　ｏｂｊｅｃｔ　ｒｅｃｏｇｎｉｔｉｏｎ　ｍｏｄｅｌ　

Ｌｉ　Ｘｉｎｄｅ　Ｊｉｎ　Ｘｉａｏｂｉｎ　Ｚｈａｎｇ　Ｘｉｕｌｏｎｇ　Ｄａｉ　Ｘｉａｎｚｈｏｎｇ　

（Ｋｅｙ　Ｌａｂｏｒａｔｏｒｙ　ｏｆ　Ｍｅａｓｕｒｅｍｅｎｔ　ａｎｄ　Ｃｏｎｔｒｏｌ　ｏｆ　ＣＳＥ　ｏｆ　Ｍｉｎｉｓｔｒｙ　ｏｆ　Ｅｄｕｃａｔｉｏｎ，Ｓｏｕｔｈｅａｓｔ　Ｕｎｉｖｅｒｓｉｔｙ，Ｎａｎｊｉｎｇ　２１００９６，Ｃｈｉｎａ）