基于深度残差纹理网络的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深度残差纹理网络的地形识别方法及系统，包括：提出了深度残差纹理网络，在残差卷积网络中搭建一个纹理细节层，并且形成端到端的学习网络，使得DrtNet不仅可以提取地形图像的空间几何特征，还可以提取地形图像的纹理细节特征，成功地将传统描述子与卷积神经网络结合到一起，从而使得DrtNet具有更好的分类效果。实验结果证明，DrtNet在创建的SDU_Terrain dataset上的识别率和性能超过传统的方法和目前流行的CNNs，此外DrtNet在其他两个材料/纹理数据集上也取得不错的效果。

Terrain Recognition Method and System Based on Deep Residual Texture Network

The invention discloses a terrain recognition method and system based on deep residual texture network, which includes: a deep residual texture network is proposed, a texture detail layer is built in the residual convolution network, and an end-to-end learning network is formed, which enables DrtNet to extract not only the spatial geometric features of terrain images, but also the texture details of terrain images. Combining traditional descriptors with convolutional neural networks, DrtNet has better classification effect. The experimental results show that the recognition rate and performance of DrtNet on SDU_Terrain dataset are better than those of traditional methods and popular CNNs. In addition, DrtNet has also achieved good results on two other material/texture datasets.

【技术实现步骤摘要】
基于深度残差纹理网络的地形识别方法及系统
本专利技术属于地形识别
，具体涉及一种基于深度残差纹理网络的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专利技术相关的
技术介绍
信息，必然构成在先技术。地形识别是户外机器人导航中应用的计算机视觉研究的重要领域。在室外环境中，不同的地形对机器人的移动性有很大的影响，机器人需要对当前地形的摩擦力和土壤深陷度做出准确的判断，从而调整机器人的姿态和速度满足当前的地形要求。在CNN模型出现之前，传统的地形识别的解决方法是一般是通过提取地形图像的颜色，纹理等基本的视觉特征来进行分类。在野外的环境，颜色这一特征受光线影响比较大，所以提出基于颜色的光照估计与补偿等方法来减少光照的影响。同时一些纹理特征越来越受到重视，比如局部二元特征LBP,局部三元特征LTP。但是颜色和纹理特征的鲁棒性都不强，还是容易受环境因素的影响。随着SURF这一具有不错的鲁棒性的特征被提出，对SURF特征被不断的进行改进，在地形识别得到很好的应用。但是，专利技术人发现，传统方法跟现在的深度学习网络相比存在一些不足，第一随着数据集的越来越复杂，使得传统方法的识别率不够本文档来自技高网...

【技术保护点】
1.一种深度残差纹理网络模型，其特征在于，包括：卷积层、全局池化层、纹理细节层和分类器；所述卷积层的输出端分别连接全局池化层和纹理细节层，所述全局池化层和纹理细节层和输出端均连接分类器；卷积层提取图像的空间特征，分别输入到全局池化层和纹理细节层，所述全局池化层输出图像的整体空间几何特征，所述纹理细节层输出图像的纹理细节特征，将这两种特征拼接在一起输入到分类器。

【技术特征摘要】
1.一种深度残差纹理网络模型，其特征在于，包括：卷积层、全局池化层、纹理细节层和分类器；所述卷积层的输出端分别连接全局池化层和纹理细节层，所述全局池化层和纹理细节层和输出端均连接分类器；卷积层提取图像的空间特征，分别输入到全局池化层和纹理细节层，所述全局池化层输出图像的整体空间几何特征，所述纹理细节层输出图像的纹理细节特征，将这两种特征拼接在一起输入到分类器。2.如权利要求1所述的一种深度残差纹理网络模型，其特征在于，所述卷积层包括：残差卷积模块以及与其连接的用于增加网络深度的卷积模块；所述残差卷积模块包括依次连接的1*1卷积层、BN层、3*3卷积层、BN层、1*1卷积层和ReLU激活函数层，所述残差卷积模块拟合的是输出信号与输入信号的差值。3.如权利要求1所述的一种深度残差纹理网络模型，其特征在于，所述全局池化层对卷积层的输出特征做降维处理，将降维处理之后的到的特征作为图像的空间几何特征。4.如权利要求1所述的一种深度残差纹理网络模型，其特征在于，所述纹理细节层对卷积层的输出特征做相邻像素点的差值处理，将差值作为每个卷积特征的细节信息。5.如权利要求1所述的一种深度残差纹理网络模型，其特征在于，所述分类器包括两层全连接层，在第一层全连接层后进行L2标准化处理，在L2标准化后加入Dropout层，所述Dropout层在每一次迭代随机将上一层全连接层的输出节点以概率P置0，使得网络每一次训练中全连接层中处于工作状态的神经元都不一样。6.一种基于深度残差纹理网络的地形识别方法，其特征在于，包括：获取地形...

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