高速识别障碍物的机器人视觉识别系统技术方案

为了解决对于机器人在运动时识别障碍物的过程中的光线强弱

【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
(deep learning)
的代表算法之一
。
近年来，人工智能技术与相关算法的融合越来越紧密，相关技术还包括如传感器
、
专用人工智能芯片
、
云计算
、
分布式存储
、
大数据处理等
。
[0004]然而，现有技术对于机器人视觉噪声的处理，多停留在非实时阶段的处理技术，例如
Topaz DeNoise AI
是目前全球最好的
AI
智能图像降噪工具，其通过调整基础的参数就可以立即消除噪音，让图片细节得到优化，让您的图片看上去更加清晰，非常适合需要优化图片清晰度的情形
。
对于机器人在运动期间识别障碍物的过程中的光线强弱
、
背景与障碍物物之间的彼此色彩和成像干扰，以及运动物体远近变化等因素叠加后的无规律性噪声，则尚无高效的噪声处理方式
。

技术实现思路

[0005]为了解决现有技术中的上述问题，本专利技术提供了一种高速识别障碍物的机器人视觉识别系统，包括：
[0006]获取单元：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；
[0007]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；
[0008]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；
[0009]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；
[0010]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
。
[0011]进一步地，所述并行处理单元包括：
[0012]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；
[0013]转换单元，用于将获取单元确定的视觉数据转换成像素阵；
[0014]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；
[0015]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：
[0016]g(K
n
‑2)
＝
g(K
n
‑3)+g
′
(K
n
‑4)
，
[0017]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：
[0018][0019]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；
[0020]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
。
[0021]进一步地，预测单元包括：
[0022]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：
[0023][0024]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
)
表示
t
k
时刻排在前两位的归类障碍物中概率较小的归类障碍物的概率，
F(t
j
)
在
t1时表示
n
‑
3、n
‑4和
n
‑5时刻对应的视觉数据经过并行处理单元后得到的对应于
n
‑2时刻的
、
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
本文档来自技高网...

【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：