非結(jié)構(gòu)化室外地形全局檢測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及的是一種機器人技術(shù)領(lǐng)域的檢測方法，具體是一種非結(jié)構(gòu)化室外地形 的全局檢測方法。
【背景技術(shù)】
[0002] 地形檢測是室外非結(jié)構(gòu)化環(huán)境下移動機器人視覺導(dǎo)航中需要解決的關(guān)鍵問題，是 后續(xù)路徑規(guī)劃和動作執(zhí)行的先決條件。當(dāng)前由于低成本、遠距離地形檢測手段的缺失，絕大 多數(shù)地形檢測方法為基于立體視覺或激光雷達的近距離檢測方法。然而，這種地形檢測的 近視特性將直接或者間接導(dǎo)致機器人產(chǎn)生低效的路徑規(guī)劃結(jié)果甚至導(dǎo)航任務(wù)的失敗。
[0003] 近年來，隨著人工智能等學(xué)科的發(fā)展和機器人自學(xué)習(xí)能力在機器人領(lǐng)域得到更大 程度的重視，基于外觀特征的、由近及遠的地形檢測方法成為通用解決方案。這類方法是 一種在線自監(jiān)督學(xué)習(xí)方法。這種方法同時采集近距離的外觀特征和立體信息作為"外觀特 征一地形類別"分類器模型的訓(xùn)練樣本，然后將遠距離場景的外觀特征輸入到該模型實現(xiàn) 遠距離地形的檢測。各種遠距離地形檢測方法的不同點在于監(jiān)督信息的獲取方式：有人利 用激光測距儀及位姿估算系統(tǒng)識別近距離視場的可行駛區(qū)域；有人利用立體視覺信息；也 有人采用保險桿、車輪滑動等本體傳感信息識別地形可通過性。
[0004] 上述檢測方法的共同缺陷在于，他們均假設(shè)了近距離場景的"外觀一地形"映射與 遠距離場景的映射關(guān)系一致。但是由于非結(jié)構(gòu)化室外環(huán)境場景幾何和光照條件的復(fù)雜性， 這種假設(shè)很難嚴(yán)格成立，存在映射偏移問題。因此，如何對映射偏移問題進行補償成為一個 新的研宄點。主要涉及的新方法包括逆光流方法和分類器組合方法。逆光流方法對車輛行 進過程中不同時間、相同位置的路面外觀特征進行追蹤，以獲得對應(yīng)車輛前方不同距離的 路面外觀模板，該模板用于遠視場路面區(qū)域的預(yù)測。但這種方法所依賴的追蹤特征受制于 亮度飽和及場景元素出現(xiàn)模式，且光照變化會導(dǎo)致很高的錯分率。分類器組合方法通過不 同時間點學(xué)習(xí)的地形分類模型的增量存儲、在線最優(yōu)確認及輸出動態(tài)組合將機器人的過去 經(jīng)驗融入當(dāng)前預(yù)測。但最佳模型在線確認的依據(jù)仍是近視場信息，因此該方法部分受制于 映射偏移問題。
[0005] 經(jīng)對現(xiàn)有技術(shù)檢索發(fā)現(xiàn)，王明軍等人于2009年提出了一種針對非結(jié)構(gòu)化室外環(huán) 境機器人視覺導(dǎo)航的遠距離地形檢測方法，該方法利用當(dāng)前場景近視場樣本與遠視場樣本 特征的比對和分類，實現(xiàn)遠視場地形的檢測。但該方法過度依賴前述的映射關(guān)系一致性假 設(shè)，還難以達到室外非結(jié)構(gòu)化環(huán)境下移動機器人視覺導(dǎo)航的以下要求：
[0006] 1、檢測模型應(yīng)從原理上整合不同時間點的導(dǎo)航經(jīng)驗，以提升近視場樣本不均衡甚 至缺失條件下地形檢測的穩(wěn)定性和智能程度；
[0007] 2、檢測模型應(yīng)充分考慮場景"外觀一地形"映射關(guān)系的不確定性和非線性，以提升 地形檢測的準(zhǔn)確性；
[0008] 3、檢測模型應(yīng)對當(dāng)前場景各種尺度上的空間關(guān)系和類別兼容性進行建模，實現(xiàn)對 非結(jié)構(gòu)化室外地形的全局檢測。

【發(fā)明內(nèi)容】

[0009] 本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提出一種針對非結(jié)構(gòu)化場景條件下的全 局地形檢測方法，具體通過導(dǎo)航經(jīng)驗智能整合、非線性映射機制設(shè)計以及全局空間關(guān)系整 合，實現(xiàn)基于立體視覺的在線、由近及遠的全局地形檢測方法。
[0010] 本發(fā)明是通過以下技術(shù)方案實現(xiàn)的，本發(fā)明包括步驟如下：
[0011] 第一步，采集一幀圖像到內(nèi)存。
[0012] 第二步，對采集的圖像進行圖像增強、灰度均衡化處理以及高斯平滑濾波等預(yù)處 理。
[0013] 第三步，將預(yù)處理后的圖像進行分割處理，分割為近視場圖像幀和遠視場圖像幀， 并融合相鄰像素在邊緣及顏色特征上的差異性，分別將近視場圖像幀和遠視場圖像幀劃分 為若干像素集，每個像素集作為一個超像素。
[0014] 第四步，分別對近視場圖像幀和遠視場圖像幀以超像素為單位進行外觀特征提 取。
[0015] 所述的外觀特征包括：顏色特征和紋理特征，其中：顏色特征是顏色空間每個分 量的平均值，紋理特征是LM濾波器的平均輸出以及每個像素點位置輸出值最大的LM濾波 器對應(yīng)索引的柱狀圖分布。
[0016] 第五步，根據(jù)近視場場景超像素內(nèi)所有像素點的高程平均值對超像素所屬地形類 別進行自動判定，具體類別由高程平均值與預(yù)先確定閾值的相對大小決定，地形類別包括： 障礙空間和自由空間。
[0017] 所述的高程是通過攝像機模型和立體成像原理，在視差圖坐標(biāo)系中直接擬合地平 面，將像素點的視差值減去地平面對應(yīng)視差得到的。
[0018] 第六步，基于前述步驟獲取的近視場超像素"特征一一地形類別"信息，訓(xùn)練當(dāng)前 場景對應(yīng)的地形分類器，與歷史預(yù)充信息中已有地形分類器共同組成地形分類器候選數(shù)據(jù) 庫。同時當(dāng)前場景近視場圖像幀信息與歷史預(yù)充信息中已有圖像幀信息共同組成地形樣本 候選數(shù)據(jù)庫。
[0019] 所述的地形分類器采用自定義的組合式多層感知器分類器，該分類器對樣本的每 一維輸入特征訓(xùn)練一個單獨的多層感知器模型，并評估每個模型對應(yīng)的權(quán)重系數(shù)，最后的 總分類器為所有多層感知器模型輸出的加權(quán)和。
[0020] 所述的歷史預(yù)充信息包含歷次導(dǎo)航中不同時間點訓(xùn)練得到的地形分類器和對應(yīng) 的圖像幀信息，而圖像幀信息具體包括原始RGB數(shù)據(jù)、所提取超像素的特征及地形類別。而 當(dāng)前場景處理過程中得到的地形分類器候選數(shù)據(jù)庫及地形樣本候選數(shù)據(jù)庫在下一場景的 處理中作為新的歷史預(yù)充信息。
[0021] 第七步，基于當(dāng)前場景近視場圖像幀信息，對地形分類器候選數(shù)據(jù)庫中的所有分 類器進行驗證，將驗證效果最佳的五個分類器進行組合，作為當(dāng)前場景最優(yōu)分類器。
[0022] 第八步，基于勢能法，分別將近視場超像素和遠視場超像素的地形類別聯(lián)合概率 表示成輸入為超像素特征的條件概率表達式，得到地形推理統(tǒng)計模型。
[0023] 所述的條件概率表達式包括：單勢能和交互勢能，其中：單勢能由當(dāng)前場景最優(yōu) 分類器實現(xiàn)，該分類器基于組合式多層感知器分類器，實現(xiàn)對超像素外觀特征與地形類別 關(guān)系的非線性映射和自適應(yīng)建模；交互勢能對當(dāng)前場景各種尺度上的空間耦合關(guān)系和特征 耦合關(guān)系進行建模，從原理上實現(xiàn)對非結(jié)構(gòu)化室外地形的全局檢測。
[0024] 所述的統(tǒng)計模型為圖模型，由節(jié)點和連接節(jié)點的邊組成，每個節(jié)點對應(yīng)一個超像 素，節(jié)點之間的邊用來對超像素之間的空間關(guān)系進行建模。因此，每個超像素對應(yīng)的地形類 別不僅取決于超像素本身（節(jié)點）的外觀特征，同時通過空間關(guān)系（邊的連接）受到其他 超像素特征的影響。
[0025] 第九步，每推理完若干幀圖像后，利用地形樣本候選數(shù)據(jù)庫相關(guān)信息，基于梯度上 升法，進行一次模型參數(shù)的訓(xùn)練。
[0026] 所述的模型參數(shù)主要指統(tǒng)計模型中反映不同勢能相對重要性的權(quán)重系數(shù)，由于勢 能重要性隨不同場景內(nèi)容波動，因此需要進行模型參數(shù)的在線訓(xùn)練以提高整個檢測方法對 環(huán)境的自適應(yīng)能力。
[0027] 第十步，根據(jù)在線學(xué)得的統(tǒng)計模型和當(dāng)前場景遠視場超像素的外觀特征向量，得 到遠視場超像素為障礙空間的概率，其大小反映了檢測結(jié)果為障礙的可信程度。地形類別 的確定通過概率值的閾值化實現(xiàn)。
[0028] 與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：本發(fā)明從原理上整合了不同時間點的導(dǎo) 航經(jīng)驗，提升了視場樣本不均衡甚至缺失條件下地形檢測的穩(wěn)定性和智能程度；本發(fā)明采 用的組合式多層感知器分類器能兼顧場景"外觀一地形"映射關(guān)系的不確定性和非線性，從 而提升地形檢測的準(zhǔn)確性；本發(fā)明從原理上對當(dāng)前場景各種尺度上的空間關(guān)系和類別兼容 性進行建模，實現(xiàn)了對非結(jié)構(gòu)化室外地形的全局檢測。
【附圖說明】
[0029] 圖1是本發(fā)明的全局地形檢測方法框圖。
[0030] 圖2是實施例中的原圖與分割處理后得到的超像素組合圖；
[0031] 其中：(a)為一室外導(dǎo)航場景原圖，（b)為該圖分割處理后得到的超像素組合圖， 并且上下兩框中內(nèi)容分別表