【技术实现步骤摘要】
高速识别障碍物的机器人视觉识别系统
[0001]本专利技术涉及运动障碍物的视觉检测
,更具体地,涉及一种高速识别障碍物的机器人视觉识别系统
。
技术介绍
[0002]机器人在野外自主运动过程中离不开障碍物视觉识别
。
无论何种障碍物,都可以归为运动障碍物检测
。
运动障碍物检测是指当监控场景中有活动障碍物时,采用图像分割的方法从背景图像中提取出障碍物的运动区域
。
运动障碍物检测技术是智能视频分析的基础,因为障碍物跟踪
、
行为理解等视频分析算法都是针对障碍物区域的像素点进行的,障碍物检测的结果直接决定着智能视觉监控系统的整体性能
。
[0003]现有技术中,运动障碍物检测的方法有很多种
。
根据背景是否复杂
、
摄像机是否运动等环境的不同,算法之间也有很大的差别
。
其中最常用的三类方法是:光流场法
、
帧间差分法
、
背景减法
。
下面对这三类方法进行介绍,通过实验结果,对它们各自的算法性能进行分析,为进一步的障碍物检测算法研究建立良好的基础
。
实践中,常采用卷积神经网络
(Convolutional Neural Networks,CNN)
是一类包含卷积计算且具有深度结构的前馈神经网络
(Feedforward Neural Networks)
,是深度学习
(de ...
【技术保护点】
【技术特征摘要】
1.
一种高速识别障碍物的机器人视觉识别系统,其特征在于,包括:获取单元,用于获取
n
‑1时刻前障碍物区域的多个视觉数据,该视觉数据至少包括
n
‑
2、n
‑
3、n
‑
4、n
‑5和
n
‑6时刻的视觉数据;并行处理单元,包括第一处理单元和第二处理单元,其中,第一处理单元,用于基于导航数据库对视觉数据进行合并归类;第二处理单元,用于与第一处理单元以并行计算的方式,基于模式识别数据库对视觉数据进行合并归类,所述模式识别数据库是针对障碍物识别物对应于
n
‑1时刻的第一形态特征,基于卷积神经网络形成的预训练模型库;预测单元,用于基于归类结果进行
n
‑1时刻的运动轨迹预测;优化单元,用于基于
n
‑1时刻和
n
时刻的实际视觉数据对预测结果进行降噪,以优化识别障碍物的视觉识别效率
。2.
根据权利要求1所述的高速识别障碍物的机器人视觉识别系统,其特征在于,所述并行处理单元包括:路径获取单元,用于根据获取单元确定的多个视觉数据覆盖的区域,获取导航数据库中的该区域内的路径数据;转换单元,用于将获取单元确定的视觉数据转换成像素阵;第一归类单元,用于将像素阵通过
softmax
函数取得概率排在前五位的归类障碍物;概率处理单元,用于将第一归类单元得到的前五位的概率进行下列转换:
g(K
n
‑2)
=
g(K
n
‑3)+g
′
(K
n
‑4)
,其中
K
n
‑3表示
n
‑3时刻的视觉数据,其中
K
n
‑2表示
n
‑2时刻的视觉数据,其中
K
n
‑4表示
n
‑4时刻的视觉数据,
g()
运算表示经过第一归类单元中的
softmax
函数后得到的前五位的概率的运算,
g
′
(K
n
‑4)
表示以下运算:其中,
M
和
N
分别为
n
‑4时刻的视觉数据在通过
softmax
时得到的概率个数,以及
n
‑3时刻的视觉数据在通过
softmax
时得到的概率个数;
j
和
k
表示从1开始的自然数;第二归类单元,用于对经过概率处理单元处理得到的
g(K
n
‑2)
数据,再次经过
softmax
函数,取得对应于
n
‑2时刻的概率排在前两位的归类障碍物
。3.
根据权利要求2所述的高速识别障碍物的机器人视觉识别系统,其特征在于,预测单元包括:
n
‑1时刻轨迹预测单元,用于根据下式,对
n
‑2时刻的概率排在前两位的归类障碍物中概率较大的归类障碍物,进行
n
‑1时刻的运动轨迹预测:其中,
R
rout
表示
n
‑1时刻的运动轨迹预测结果,
ln
为取对数函数,
F(t
j
)
表示
t
j
时刻排在前两位的归类障碍物中概率较大的归类障碍物的概率,
G(t
k
)
...
【专利技术属性】
技术研发人员:刘波涛,胡洋,刘杨平,罗超,林琳,闻方平,
申请(专利权)人:工业云制造四川创新中心有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。