基于梯度直方圖和支持向量機的機器人障礙物識別方法
【技術(shù)領(lǐng)域】
[0001 ] 本發(fā)明涉及一種基于梯度直方圖和支持向量機的機器人障礙物識別方法。
【背景技術(shù)】
[0002] 輸電線路巡檢機器人的自主導(dǎo)航系統(tǒng)一直是智能電網(wǎng)維護與安全監(jiān)控的研究熱 點之一,它在輸電線路巡檢、維護、故障快速定位、在線監(jiān)控等領(lǐng)域有著廣泛的應(yīng)用前景。然 而,當(dāng)巡線機器人采用輪式行走機構(gòu)沿架空輸電線路"爬行"時,安裝在導(dǎo)線上的防震錘、絕 緣子、懸垂線夾、耐張線夾等桿塔支撐附件阻擋了巡線機器人的前進。同時,不同的障礙物 無論在姿勢,視角還是都有著相對明顯的變化,加之復(fù)雜的野外巡檢場景背景,大范圍的光 照角度變化,以及視覺系統(tǒng)自身的晃動,魯棒的在線物體識別問題一直是一個富有挑戰(zhàn)性 的研究課題。
[0003] -般而言,巡線機器人的視覺導(dǎo)航系統(tǒng)要完成的主要任務(wù)是:(1)實時檢測并定 位輸電線路上常見懸掛物體如防震錘、耐張線夾、懸垂線夾等,在此基礎(chǔ)上視覺系統(tǒng)將引導(dǎo) 巡檢機器人慢速趨近障礙,避免碰撞。(2)實時識別出具體目標(biāo)的類型,在此基礎(chǔ)上規(guī)劃越 障策略,完成越障運動控制。相應(yīng)而言,巡檢機器人的視覺導(dǎo)航系統(tǒng)包括兩個模塊:1,目標(biāo) 檢測和識別。檢測模塊的目的是從圖像中提取可能包含待檢測目標(biāo)的部分區(qū)域,以期提高 搜索速度。目標(biāo)識別模塊對該區(qū)域進行驗證,以判斷是否包含待檢測障礙物。因此目標(biāo)識 別模塊的精度決定了導(dǎo)航系統(tǒng)的性能指標(biāo)。
[0004]目前,常見的巡線機器人的識別方法主要有如下幾種方法:基于形狀基元(如圓, 橢圓等)的方法?;诮Y(jié)構(gòu)的方法,基于統(tǒng)計特征的方法等。一般而言,基元特征與形狀基 元之間結(jié)構(gòu)關(guān)系特征都具有不確定性,因此傳統(tǒng)非統(tǒng)計方法無法進行準(zhǔn)確識別。統(tǒng)計方法 可用于局部基元與局部結(jié)構(gòu)關(guān)系的識別,其識別結(jié)果則可以用于障礙物整體的結(jié)構(gòu)識別。 然而,現(xiàn)有統(tǒng)計技術(shù)的缺陷是:在大范圍復(fù)雜背景與光照的影響下,不可避免的存在大量虛 假檢測結(jié)果,因此可靠性和有效性不能得到保證。
【發(fā)明內(nèi)容】
[0005] 本發(fā)明為了解決上述問題,提出了一種基于統(tǒng)計梯度直方圖和支持向量機的機器 人障礙物識別方法。本方法屬于統(tǒng)計方法與結(jié)構(gòu)方法的結(jié)合,非常適用于復(fù)雜的物體識別。 其核心思想在于利用統(tǒng)計方法抽取障礙物圖像的各種統(tǒng)計特征,將這些統(tǒng)計特征組成特征 向量(FeatureVector),并在特征向量空間進行分類。具體而言,本方法利用典型障礙物具 有不同的結(jié)構(gòu)組成和空間布局的特點,通過計算在線障礙物的統(tǒng)計特征,利用H0G算法的 特征提取,可以得到光照和尺度變化無關(guān)的特征點,能夠有效的去掉干擾同時,利用主成分 分析來進一步對獲得的特征向量進行降維運算,能有效減低無關(guān)特征,減少運算量,用最少 量的特征建立相對應(yīng)障礙物的特征集合,為下一步的目標(biāo)識別提供良好的支持。在目標(biāo)識 別階段,利用線性支持向量機(SupportVectormachine,SVM)進行識別,得到了非常良好 的識別效果。
[0006] 為了實現(xiàn)上述目的,本發(fā)明采用如下技術(shù)方案:
[0007] -種基于梯度直方圖和支持向量機的機器人障礙物識別方法,包括以下步驟:
[0008] (1)提取原始圖像梯度直方圖特征,確定表征線上不同類型線上障礙物特征向量 集;
[0009] (2)將特征向量集中的特征向量進行降低特征維數(shù),對目標(biāo)圖像進行進一步抽象 表征;
[0010] (3)將已有各類型圖像進行特征提取,形成新的樣本數(shù)據(jù),選取訓(xùn)練樣本,利用支 持向量機建立起障礙物分類模型,支持向量機分類模型輸出最大值所對應(yīng)的分類類型即為 識別結(jié)果。
[0011] 所述步驟(1)中,包括以下步驟:
[0012] (1-1)將圖片進行劃分,將設(shè)定像素區(qū)域指定為一個單元;
[0013] (1-2)在每個單元內(nèi)進行0-360°的梯度直方圖統(tǒng)計,將已劃分的單元按照設(shè)定 值合并成大區(qū)域,表征每個像素點的梯度特征;
[0014] (1-3)將所有單元的特征向量鏈接,得到障礙物特征圖像對應(yīng)的H0G特征向量,利 用整體子圖像的直方圖對特征向量進行歸一化處理。
[0015] 所述步驟(1-1)的具體方法為:將64X128大小的圖片進行劃分,把4X4大小的 像素區(qū)域指定為一個單元,用&〇^7),&〇^ 7)分別表示像素點〇^,7)處的水平方向和垂直 方向的梯度幅值,G(x,y)表示像素點(x,y)處梯度大小,a(x,y)表示像素點(x,y)處的梯 度方向,其中:
[0016]Gx (x,y) =I(x+1,y)-I(x-1,y)
[0017]Gy (x,y) =I(x,y+1)-I(x,y-1)
[0018]
[0019] -?. :X: V ? /乂
[0020] 所述步驟(1-2)中,具體方法為:獲得單元之后,在每個單元內(nèi)進行0-360°的梯 度直方圖統(tǒng)計,統(tǒng)計結(jié)果是一個9維的特征向量,將前面的單元合并成為一個大區(qū)域,BP 2X2的單元組成一個新的單元,利用bink表示梯度方向的第k個方向區(qū)間,每個像素點 (X,y)處的梯度特征用一個9維的向量Vk(x,y)來表示,Vk(x,y)表示像素點(X,y)在第k 個方向的幅度大小
[0021]
[0022] 所述步驟(1-3)的具體步驟為:將單元的特征向量鏈接起來,得到一張線上典型 障礙物特征圖像對應(yīng)的H0G特征向量,其大小為3780維,為了消除光照變化的影響,用整體 子圖像的直方圖對特征向量進行歸一化處理。
[0023] 所述步驟(2)中,具體的方法包括:
[0024] (2-1)針對已有圖像特征矩陣中的每個訓(xùn)練樣本,計算平均向量;
[0025](2-2)根據(jù)平均向量,計算協(xié)方差矩陣;
[0026] (2-3)計算協(xié)方差矩陣的特征值和特征向量,選擇多個貢獻(xiàn)率最大的特征向量作 為基,構(gòu)成投影矩陣;
[0027] (2-4)利用投影矩陣對原始H0G特征矩陣進行降維處理,得到最終訓(xùn)練特征矩陣。
[0028] 所述步驟(2-1)中,具體方法為:針對已有圖像特征矩陣中的每個訓(xùn)練樣本,計算 平均向量:
[0029]
[0030] 其中Xi為第i個已有圖像特征矩陣中的訓(xùn)練樣本,m為訓(xùn)練樣本數(shù)量,5 = .V_i 為所得標(biāo)準(zhǔn)差。
[0031] 所述步驟(2-2)中,協(xié)方差矩陣為 〕為計算所得協(xié)方差矩陣。
[0032] 所述步驟(2-3)中,計算協(xié)方差矩陣的特征值和特征向量bi;選擇K個貢獻(xiàn)率最 大的特征向量作為特征子空間的基,由這些基組成投影矩陣B,B= [h,b2, . . .,bK]T。
[0033] 所述步驟(2-4)中,利用投影矩陣B對于原始HOG特征矩陣P進行降維處理,得到 最終訓(xùn)練特征矩陣P=PXB。
[0034] 所述步驟(3)中,通過模式分類原理進行分類器設(shè)計。具體子步驟為:將已有各類 型圖像進行特征提取,形成新的L個樣本數(shù)據(jù);從新的L個樣本數(shù)據(jù)中選取P個樣本數(shù)據(jù) 作為訓(xùn)練樣本,利用支持向量機建立起障礙物分類模型。作為模式分類中的標(biāo)準(zhǔn)分類器之 一,支持向量機以結(jié)構(gòu)簡單同時分類效果明顯而著稱。然而常見支持向量機都是進行線性 分類。因通過H0G所獲得的圖像特征空間并非線性可分,因此需要通過某種事先定義的非 線性映射函數(shù)(稱之為核函數(shù))將輸入變量映射到一個高維特征空間使其變成線性可分。 在本方案中支持向量機的核函數(shù)選擇高斯核函數(shù),通過輸入新圖像特征進行檢測,支持向 量機分類模型輸出最大值所對應(yīng)的分類類型即為識別結(jié)果。
[0035] 本發(fā)明的有益效果為:
[0036] (1)建立了一個輸電線路上的通用障礙物識別系統(tǒng)。由數(shù)據(jù)庫(Database)、特征 提取器(FeatureExtraction)、數(shù)據(jù)降維器(dimensionreductionunit)、分類器建模 (ClassifierFormation)和目標(biāo)識別驗證(ClassifierVerification)等模塊組成。
[0037] (1)在特征取階段,提出了主元梯度直方圖的輸電線路障礙物的特征提取算法,利 用典型障礙物具有不同的結(jié)構(gòu)組成和空間布局的特點,通過計算常見在線障礙物不同類型 的統(tǒng)計特征,利用H0G算法的特征提取,可以得到光照和尺度變化無關(guān)的特征點,能夠有效 的去掉野外復(fù)雜光照環(huán)境干擾;
[0038] (2)在數(shù)據(jù)降維階段,利用主成分分析來進一步對獲得的特征向量進行降維運算 得到主元梯度直方圖,能有效減低無關(guān)特征,減少運算量,用最少量的特征建立相對應(yīng)障礙 物的特征集合,為下一步的目標(biāo)識別提供良好的支持;
[0039] (3)在分類器建模與目標(biāo)識別驗證階段,利用線性支持向量機(SVM)進行識別,得 到了非常良好的識別效果;實現(xiàn)了一種實時、高識別率、低計算資源消耗的輸電線路線上障 礙物識別方案;
[0040] (4)和傳統(tǒng)的圖像在線識別方法相比,本發(fā)明具有訓(xùn)練時間短、計算量低、識別精 確度高、魯棒性強的特點,更加適合復(fù)雜野外情況的在線識別。在巡檢機器人的在線實驗