室内环境下的场景理解是室内移动机器人必须具备的能力之一,随着全球服务机器人行业的兴起,半结构化环境下的室内场景理解成为计算机视觉领域的研究热点,也是一个难点,其主要体现在室内环境的复杂性,识别算法的鲁棒性以及实时性上。室内场景理解包括室内环境下的目标物体检测,机器人所处环境估计,室内障碍物规避,人的检测和身份识别等。围绕上文所提出的问题,本文以室内行人和物体检测为研究内容,主要的研究和工作内容如下:1)本文详细分析了卷积神经网络的特征提取和分类方法,并将该方法进行物体识别效果与SIFT特征提取加FLANN匹配方法的物体识别效果作对比,得出在目标物体的不同观察角度与目标物体发生形变的情况下,卷积神经网络物体识别效果明显优于SIFT特征提取加FLANN匹配方法识别效果的结论。2)针对传统场景识别底层特征语义信息表达能力的不足,结合卷积神经网络,本文提出一种基于物体检测的室内场景识别方法。该方法首先采用卷积神经网络对场景中的目标进行特征提取和分类,然后基于概率模型以检测到的目标作为中间桥梁去推断当前所处的场景。与基于计算机视觉底层特征的场景识别方法相比,该方法更接近于人类对场景的认知思维。本文运用该方法对场景的五种室内场景进行场景识别分类,取得不错效果。3)为了测试机器人在室内环境下对行人检测效果和响应,本文在PR2机器人平台下基于ROS系统(Robot Operating System),采用Haar-Like特征与Ada Boost分类器实现人脸检测,并用EigenFace进行身份识别,同时用HOG(Histogram of Oriented Gradient)特征与SVM(Support Vector Machine)分类器进行人体检测,并实现机器人对行人的自主跟随。