基于梯度直方圖和支持向量機(jī)的機(jī)器人障礙物識(shí)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(jī)的機(jī)器人障礙物識(shí)別方法。
【背景技術(shù)】
[0002] 輸電線路巡檢機(jī)器人的自主導(dǎo)航系統(tǒng)一直是智能電網(wǎng)維護(hù)與安全監(jiān)控的研究熱 點(diǎn)之一，它在輸電線路巡檢、維護(hù)、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(jī)器人采用輪式行走機(jī)構(gòu)沿架空輸電線路"爬行"時(shí)，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(jī)器人的前進(jìn)。同時(shí)，不同的障礙物 無論在姿勢(shì)，視角還是都有著相對(duì)明顯的變化，加之復(fù)雜的野外巡檢場(chǎng)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(dòng)，魯棒的在線物體識(shí)別問題一直是一個(gè)富有挑戰(zhàn)性 的研究課題。
[0003] -般而言，巡線機(jī)器人的視覺導(dǎo)航系統(tǒng)要完成的主要任務(wù)是：（1)實(shí)時(shí)檢測(cè)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(jī)器人慢速趨近障礙，避免碰撞。（2)實(shí)時(shí)識(shí)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(yùn)動(dòng)控制。相應(yīng)而言，巡檢機(jī)器人的視覺導(dǎo)航系統(tǒng)包括兩個(gè)模塊：1，目標(biāo) 檢測(cè)和識(shí)別。檢測(cè)模塊的目的是從圖像中提取可能包含待檢測(cè)目標(biāo)的部分區(qū)域，以期提高 搜索速度。目標(biāo)識(shí)別模塊對(duì)該區(qū)域進(jìn)行驗(yàn)證，以判斷是否包含待檢測(cè)障礙物。因此目標(biāo)識(shí) 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(jī)器人的識(shí)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(jì)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(jì)方法無法進(jìn)行準(zhǔn)確識(shí)別。統(tǒng)計(jì)方法 可用于局部基元與局部結(jié)構(gòu)關(guān)系的識(shí)別，其識(shí)別結(jié)果則可以用于障礙物整體的結(jié)構(gòu)識(shí)別。 然而，現(xiàn)有統(tǒng)計(jì)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(cè)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(jì)梯度直方圖和支持向量機(jī)的機(jī)器 人障礙物識(shí)別方法。本方法屬于統(tǒng)計(jì)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(shí)別。 其核心思想在于利用統(tǒng)計(jì)方法抽取障礙物圖像的各種統(tǒng)計(jì)特征，將這些統(tǒng)計(jì)特征組成特征 向量（FeatureVector)，并在特征向量空間進(jìn)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(diǎn)，通過計(jì)算在線障礙物的統(tǒng)計(jì)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(diǎn)，能夠有效的去掉干擾同時(shí)，利用主成分 分析來進(jìn)一步對(duì)獲得的特征向量進(jìn)行降維運(yùn)算，能有效減低無關(guān)特征，減少運(yùn)算量，用最少 量的特征建立相對(duì)應(yīng)障礙物的特征集合，為下一步的目標(biāo)識(shí)別提供良好的支持。在目標(biāo)識(shí) 別階段，利用線性支持向量機(jī)（SupportVectormachine，SVM)進(jìn)行識(shí)別，得到了非常良好 的識(shí)別效果。
[0006] 為了實(shí)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(jī)的機(jī)器人障礙物識(shí)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(jìn)行降低特征維數(shù)，對(duì)目標(biāo)圖像進(jìn)行進(jìn)一步抽象 表征；
[0010] (3)將已有各類型圖像進(jìn)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(jī)建立起障礙物分類模型，支持向量機(jī)分類模型輸出最大值所對(duì)應(yīng)的分類類型即為 識(shí)別結(jié)果。
[0011] 所述步驟（1)中，包括以下步驟：
[0012] (1-1)將圖片進(jìn)行劃分，將設(shè)定像素區(qū)域指定為一個(gè)單元；
[0013] (1-2)在每個(gè)單元內(nèi)進(jìn)行0-360°的梯度直方圖統(tǒng)計(jì)，將已劃分的單元按照設(shè)定 值合并成大區(qū)域，表征每個(gè)像素點(diǎn)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(duì)應(yīng)的H0G特征向量，利 用整體子圖像的直方圖對(duì)特征向量進(jìn)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(jìn)行劃分，把4X4大小的 像素區(qū)域指定為一個(gè)單元，用&〇^7)，&〇^ 7)分別表示像素點(diǎn)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(diǎn)（x，y)處梯度大小，a(x，y)表示像素點(diǎn)（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(gè)單元內(nèi)進(jìn)行0-360°的梯 度直方圖統(tǒng)計(jì)，統(tǒng)計(jì)結(jié)果是一個(gè)9維的特征向量，將前面的單元合并成為一個(gè)大區(qū)域，BP 2X2的單元組成一個(gè)新的單元，利用bink表示梯度方向的第k個(gè)方向區(qū)間，每個(gè)像素點(diǎn) (X，y)處的梯度特征用一個(gè)9維的向量Vk(x,y)來表示，Vk(x,y)表示像素點(diǎn)（X，y)在第k 個(gè)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(duì)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(duì)特征向量進(jìn)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(duì)已有圖像特征矩陣中的每個(gè)訓(xùn)練樣本，計(jì)算平均向量；
[0025](2-2)根據(jù)平均向量，計(jì)算協(xié)方差矩陣；
[0026] (2-3)計(jì)算協(xié)方差矩陣的特征值和特征向量，選擇多個(gè)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(duì)原始H0G特征矩陣進(jìn)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(duì)已有圖像特征矩陣中的每個(gè)訓(xùn)練樣本，計(jì)算 平均向量：
[0029]

[0030] 其中Xi為第i個(gè)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(jì)算所得協(xié)方差矩陣。
[0032] 所述步驟（2-3)中，計(jì)算協(xié)方差矩陣的特征值和特征向量bi;選擇K個(gè)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(duì)于原始HOG特征矩陣P進(jìn)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(jìn)行分類器設(shè)計(jì)。具體子步驟為：將已有各類 型圖像進(jìn)行特征提取，形成新的L個(gè)樣本數(shù)據(jù)；從新的L個(gè)樣本數(shù)據(jù)中選取P個(gè)樣本數(shù)據(jù) 作為訓(xùn)練樣本，利用支持向量機(jī)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(jī)以結(jié)構(gòu)簡(jiǎn)單同時(shí)分類效果明顯而著稱。然而常見支持向量機(jī)都是進(jìn)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(gè)高維特征空間使其變成線性可分。 在本方案中支持向量機(jī)的核函數(shù)選擇高斯核函數(shù)，通過輸入新圖像特征進(jìn)行檢測(cè)，支持向 量機(jī)分類模型輸出最大值所對(duì)應(yīng)的分類類型即為識(shí)別結(jié)果。
[0035] 本發(fā)明的有益效果為：
[0036] (1)建立了一個(gè)輸電線路上的通用障礙物識(shí)別系統(tǒng)。由數(shù)據(jù)庫(kù)（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(shí)別驗(yàn)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(diǎn)，通過計(jì)算常見在線障礙物不同類型 的統(tǒng)計(jì)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(diǎn)，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(jìn)一步對(duì)獲得的特征向量進(jìn)行降維運(yùn)算 得到主元梯度直方圖，能有效減低無關(guān)特征，減少運(yùn)算量，用最少量的特征建立相對(duì)應(yīng)障礙 物的特征集合，為下一步的目標(biāo)識(shí)別提供良好的支持；
[0039] (3)在分類器建模與目標(biāo)識(shí)別驗(yàn)證階段，利用線性支持向量機(jī)（SVM)進(jìn)行識(shí)別，得 到了非常良好的識(shí)別效果；實(shí)現(xiàn)了一種實(shí)時(shí)、高識(shí)別率、低計(jì)算資源消耗的輸電線路線上障 礙物識(shí)別方案；
[0040] (4)和傳統(tǒng)的圖像在線識(shí)別方法相比，本發(fā)明具有訓(xùn)練時(shí)間短、計(jì)算量低、識(shí)別精 確度高、魯棒性強(qiáng)的特點(diǎn)，更加適合復(fù)雜野外情況的在線識(shí)別。在巡檢機(jī)器人的在線實(shí)驗(yàn)