基于梯度直方圖和支持向量機的機器人障礙物識別方法
【技術領域】
[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】
[0002] 輸電線路巡檢機器人的自主導航系統(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)控等領域有著廣泛的應用前景。然 而，當巡線機器人采用輪式行走機構沿架空輸電線路"爬行"時，安裝在導線上的防震錘、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航系統(tǒng)要完成的主要任務是：（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，在此基礎上視覺系統(tǒng)將引導 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的類型，在此基礎上規(guī)劃越 障策略，完成越障運動控制。相應而言，巡檢機器人的視覺導航系統(tǒng)包括兩個模塊：1，目標 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的部分區(qū)域，以期提高 搜索速度。目標識別模塊對該區(qū)域進行驗證，以判斷是否包含待檢測障礙物。因此目標識 別模塊的精度決定了導航系統(tǒng)的性能指標。
[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構的方法，基于統(tǒng)計特征的方法等。一般而言，基元特征與形狀基 元之間結構關系特征都具有不確定性，因此傳統(tǒng)非統(tǒng)計方法無法進行準確識別。統(tǒng)計方法 可用于局部基元與局部結構關系的識別，其識別結果則可以用于障礙物整體的結構識別。 然而，現(xiàn)有統(tǒng)計技術的缺陷是：在大范圍復雜背景與光照的影響下，不可避免的存在大量虛 假檢測結果，因此可靠性和有效性不能得到保證。

【發(fā)明內容】

[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)計方法與結構方法的結合，非常適用于復雜的物體識別。 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 有不同的結構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，能有效減低無關特征，減少運算量，用最少 量的特征建立相對應障礙物的特征集合，為下一步的目標識別提供良好的支持。在目標識 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的分類類型即為 識別結果。
[0011] 所述步驟（1)中，包括以下步驟：
[0012] (1-1)將圖片進行劃分，將設定像素區(qū)域指定為一個單元；
[0013] (1-2)在每個單元內進行0-360°的梯度直方圖統(tǒng)計，將已劃分的單元按照設定 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，在每個單元內進行0-360°的梯 度直方圖統(tǒng)計，統(tǒng)計結果是一個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，選擇多個貢獻率最大的特征向量作 為基，構成投影矩陣；
[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練樣本，m為訓練樣本數(shù)量，5 = .V_i 為所得標準差。
[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準分類器之 一，支持向量機以結構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的分類類型即為識別結果。
[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構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的特征點，能夠有效 的去掉野外復雜光照環(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，能有效減低無關特征，減少運算量，用最少量的特征建立相對應障礙 物的特征集合，為下一步的目標識別提供良好的支持；
[0039] (3)在分類器建模與目標識別驗證階段，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，更加適合復雜野外情況的在線識別。在巡檢機器人的在線實驗