基于层级地形的实时性野外机器人地形识别方法及系统技术方案

本发明专利技术公开了一种基于层级地形的实时性野外机器人地形识别方法及系统，包括：获取待测地形样片；分别提取待测地形样片的RGB颜色直方图特征、方差曲线特征与旋转及对称不变的LBP特征；将RGB颜色直方图特征与方差曲线特征作为颜色特征，旋转及对称不变LBP特征作为纹理特征，输入到地形识别分类器，通过地形识别分类器得到最终分类结果，完成地形样片的地形识别。本发明专利技术有益效果：使用方差曲线特征与旋转及对称不变的LBP特征大幅度降低了特征维度，获得了很好的实时性性能。

A Real-time Field Robot Terrain Recognition Method and System Based on Hierarchical Terrain

【技术实现步骤摘要】
基于层级地形的实时性野外机器人地形识别方法及系统
本公开涉及地形识别
，尤其涉及一种基于层级地形的实时性野外机器人地形识别方法及系统。
技术介绍
本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，不必然构成在先技术。机器人视觉技术近年来受到广泛重视，其中，对于野外或者其他具有行动力的智能设备而言，对地形场景的探测识别能力充分体现了其智能化程度。学者们迄今为止在地形分类方面做了诸多研究工作，其围绕的问题角度和方法思路，从最初关注的车载系统中笨重的大型传感器，到现今使用大量数据分类计算，甚至是云在线的学习处理，发生了翻天覆地的变化。关于地形识别角度的研究，渐渐向着，携带安装方便、体积小、大量特征数据等特点方向发展。专利技术人发现，目前关于地形识别中的算法研究中，由于深度学习算法在近几年的发展，基于深层神经网络的图像识别得到了极其迅速的发展。基于图像卷积的深层神经网络算法目前为止是识别率可以达到最高的方法，这主要依赖于神经网络所拥有着近乎无限的训练参数和难以用人的视角解释的数学模型。但其缺点也很明显，由于大部分深度学习都不可能完全无监督学习的特点，因此需要准确标定的训练样本，大量的训练时间，复杂的模型带来的错误检测困难以及网络层数过深后带来的识别速度降低。在地形识别中，神经网络模型也拥有极其广泛的多样性，给方法之间的对比评估也带来了困难。
技术实现思路
本公开为了解决上述问题，提出了一种基于层级地形的实时性野外机器人地形识别方法及系统，使用RGB颜色直方图特征、方差曲线特征与旋转及对称不变的LBP特征，作为图像的颜色与纹理特征，在后续的层级式分类器中，使用融合后的特征与数据库中的地形样片进行分类。在一些实施方式中，本专利技术采用如下技术方案：一种基于层级地形的实时性野外机器人地形识别方法，包括：获取待测地形样片；分别提取待测地形样片的RGB颜色直方图特征、方差曲线特征与旋转及对称不变的LBP特征；将RGB颜色直方图特征与方差曲线特征作为颜色特征，旋转及对称不变LBP特征作为纹理特征，输入到地形识别分类器，通过地形识别分类器得到最终分类结果，完成地形样片的地形识别。在另一些实施例中，本专利技术采用如下技术方案：一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行上述的基于层级地形的实时性野外机器人地形识别方法。在另一些实施例中，本专利技术采用如下技术方案：一种终端设备，其包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行上述的基于层级地形的实时性野外机器人地形识别方法。与现有技术相比，本专利技术的有益效果是：(1)使用方差曲线特征与旋转及对称不变的LBP特征大幅度降低了特征维度，获得了很好的实时性性能。(2)层级式地形识别分类器，利用不同的层级之间的相关分类系数的差异，将单一地形样块进行准确的分类，运算速度获得大幅提升；对于后续地形类型扩展与模糊地形处理有很好的指导性。(3)与传统的SVM分类器或者基于神经网络的分类器相比，其在分类准确性与分类实时性上可以保持很好的平衡。附图说明构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。图1(a)是实施例一中混凝土路面地形数据集样片；图1(b)是实施例一中草地地形数据集样片；图2是实施例一中基于层级地形的实时性野外机器人地形识别方法流程图；图3(a)-(b)是实施例一中草地1样片与RGB直方图；图4(a)-(b)是实施例一中草地2样片与RGB直方图；图5是实施例一中RGB方差曲线示意图；图6是实施例一中RGB方差曲线计算流程图；图7是实施例一中旋转及对称不变LBP邻域表；图8(a)-(b)是实施例一中场景图与旋转及对称不变LBP特征图；图9是实施例一中双层地形划分类型示意图。具体实施方式应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本专利技术使用的所有技术和科学术语具有与本申请所属
的普通技术人员通常理解的相同含义。需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。实施例一在一个或多个实施方式中公开了一种基于层级地形的实时性野外机器人地形识别方法，包括：获取待测地形样片；分别提取待测地形样片的RGB颜色直方图特征、方差曲线特征与旋转及对称不变的LBP特征；将RGB颜色直方图特征与方差曲线特征作为颜色特征，旋转及对称不变LBP特征作为纹理特征，输入到地形识别分类器，通过地形识别分类器得到最终分类结果，完成地形样片的地形识别。下面对本实施例方法进行详细说明。1地形数据集SDU-TerrainVersion1.0地形数据集是山东大学机器人研究中心自行采实景图片建立的地形数据库，经过以往地形研究人员的总结处理，第一代SDUterrain数据库采用了经典地形分类，如图1(a)-(b)所示；分别是：水泥地(Asphalt)、护根覆盖地面(Mulch)、草地(Grass)、泥地(Mud)、沙地(Sand)、砾石地(Gravel)六类。本实施例在沿用第一代SDU-TerrainVersion1.0数据库的基础上，作了如下补充和标准化工作：1)扩充了数据集的种类。增加了天空、灌木、树木类数据集，通过对这些自然目标的检测分割从而避免他们在场景分割时对地形识别产生干扰。每种样片数据保留350个样本切片2)规范了针对PC终端品台程序的样本格式。训练样片使用60×60分辨率的样片组成，图片格式为JointPhotographicExpertsGroup(JPEG)，这种图片格式的特点是压缩比率高通常在10:1到40:1之间，极大的缓解了机器人的存储压力。3)样片使用了不同光照下的自然场景作为原图像。在训练样片的采集上，为了使数据处理时对不同光线干扰的鲁棒性增强，在采集数据图像时，分别在当季上午8时，下午2时和下午4时进行相同地形三组拍摄。SDU-TerrainVersion2.0经过扩展和标准化为，自然场景种类共7种，混凝土地面(Concrete)、草地(Grass)、泥地(Mud)、沙地(Sand)、灌木丛(Bush)、天空(Sky)和树木类(Trees)。其中地形样本类有5种，每种有样片350个，每张样片分辨率为60×60。每类样片中都拥有三个时间段下不同光照情况的样片。此数据集经过扩充和标准化工作后，可以满足后续的数据训练以及图像识别分割工作的要求。2地形识别方法本实施例使用的识别方法整个算法流程如图2所示，对于输入的地形样片的分析主要基于颜色特征及纹理特征两类，经过特征提取后会输入至层级式的地形分类器，在分类器中依据不同分支结构进行不同比例的特征融合，最终得到区分度结果，经过一种区分度排序算法得到最终的分类结果。2.1地形识别方法2.1.1RGB颜色直方图特征RGB颜色直方图特征是一种典型的基于色彩元素的统计特征。颜色直方图特征在本文档来自技高网...

【技术保护点】
1.一种基于层级地形的实时性野外机器人地形识别方法，其特征在于，包括：获取待测地形样片；分别提取待测地形样片的RGB颜色直方图特征、方差曲线特征与旋转及对称不变的LBP特征；将RGB颜色直方图特征与方差曲线特征作为颜色特征，旋转及对称不变LBP特征作为纹理特征，输入到地形识别分类器，通过地形识别分类器得到最终分类结果，完成地形样片的地形识别。

【技术特征摘要】
1.一种基于层级地形的实时性野外机器人地形识别方法，其特征在于，包括：获取待测地形样片；分别提取待测地形样片的RGB颜色直方图特征、方差曲线特征与旋转及对称不变的LBP特征；将RGB颜色直方图特征与方差曲线特征作为颜色特征，旋转及对称不变LBP特征作为纹理特征，输入到地形识别分类器，通过地形识别分类器得到最终分类结果，完成地形样片的地形识别。2.如权利要求1所述的一种基于层级地形的实时性野外机器人地形识别方法，其特征在于，提取地形样片的RGB颜色直方图特征，具体为：对于待测地形样片，逐点分析三通道颜色强度，得到灰度分布像素数量；根据地形样片的灰度分布像素数量计算各灰度的占比率。3.如权利要求1所述的一种基于层级地形的实时性野外机器人地形识别方法，其特征在于，提取地形样片的方差曲线特征，具体为：其中，R表示方差曲线特征的地形样本灰度均值统计分布，rG表示灰度等级G下的地形样本灰度均值，Size表示本地形类型下的样本数量，R′表示方差曲线特征的地形样本灰度平均占有率统计分布，B表示方差曲线特征的灰度方差统计分布，bG表示灰度等级G下的地形样本灰度方差，B′表示归一化后的方差曲线特征的灰度方差。4.如权利要求1所述的一种基于层级地形的实时性野外机器人地形识别方法，其特征在于，所述旋转及对称不变的LBP特征包括LBP特征的映射计算和建立邻接表；LBP特征的映射计算的方法具体为：计算出点(i,j)的LBP特征二进制表示值QLBP(i,j)，计算出按位逆序的LBP逆序特征二进制表示值Q′LBP(i,j)；分别循环位移QLBP(i,j)与Q′LBP(i,j)的二进制码；得到数值最小的二进制码作为其归属的模式类；最终得到一组由256维向30维模式类的映射关系。5.如权利要求4所述的一种基于层级地形的实时性野外机器人地形识别方法，其特征在于，其旋转及对称不变LBP特征，根据LBP八位采样点的变化情况，将特征的30维模式类按相邻两种模式类只变化一位的两类相邻接的形式，建立邻域表，邻域表在纹理分类器中计算纹理区分度时使用。6.如权利要求4所述的一种基于层级地形的实时性野外机器人地形识别方法，其特征在于，为了...

【专利技术属性】
技术研发人员：马昕，邹家祥，李贻斌，宋锐，荣学文，田国会，
申请(专利权)人：山东大学，
类型：发明
国别省市：山东,37