[发明专利]非结构化室外地形全局检测方法

说明书

技术领域

本发明涉及的是一种机器人技术领域的检测方法，具体是一种非结构化室外地形的全局检测方法。

背景技术

地形检测是室外非结构化环境下移动机器人视觉导航中需要解决的关键问题，是后续路径规划和动作执行的先决条件。当前由于低成本、远距离地形检测手段的缺失，绝大多数地形检测方法为基于立体视觉或激光雷达的近距离检测方法。然而，这种地形检测的近视特性将直接或者间接导致机器人产生低效的路径规划结果甚至导航任务的失败。

近年来，随着人工智能等学科的发展和机器人自学习能力在机器人领域得到更大程度的重视，基于外观特征的、由近及远的地形检测方法成为通用解决方案。这类方法是一种在线自监督学习方法。这种方法同时采集近距离的外观特征和立体信息作为“外观特征—地形类别”分类器模型的训练样本，然后将远距离场景的外观特征输入到该模型实现远距离地形的检测。各种远距离地形检测方法的不同点在于监督信息的获取方式：有人利用激光测距仪及位姿估算系统识别近距离视场的可行驶区域；有人利用立体视觉信息；也有人采用保险杆、车轮滑动等本体传感信息识别地形可通过性。

上述检测方法的共同缺陷在于，他们均假设了近距离场景的“外观—地形”映射与远距离场景的映射关系一致。但是由于非结构化室外环境场景几何和光照条件的复杂性，这种假设很难严格成立，存在映射偏移问题。因此，如何对映射偏移问题进行补偿成为一个新的研究点。主要涉及的新方法包括逆光流方法和分类器组合方法。逆光流方法对车辆行进过程中不同时间、相同位置的路面外观特征进行追踪，以获得对应车辆前方不同距离的路面外观模板，该模板用于远视场路面区域的预测。但这种方法所依赖的追踪特征受制于亮度饱和及场景元素出现模式，且光照变化会导致很高的错分率。分类器组合方法通过不同时间点学习的地形分类模型的增量存储、在线最优确认及输出动态组合将机器人的过去经验融入当前预测。但最佳模型在线确认的依据仍是近视场信息，因此该方法部分受制于映射偏移问题。

经对现有技术检索发现，王明军等人于2009年提出了一种针对非结构化室外环境机器人视觉导航的远距离地形检测方法，该方法利用当前场景近视场样本与远视场样本特征的比对和分类，实现远视场地形的检测。但该方法过度依赖前述的映射关系一致性假设，还难以达到室外非结构化环境下移动机器人视觉导航的以下要求：

1、检测模型应从原理上整合不同时间点的导航经验，以提升近视场样本不均衡甚至缺失条件下地形检测的稳定性和智能程度；

2、检测模型应充分考虑场景“外观—地形”映射关系的不确定性和非线性，以提升地形检测的准确性；

3、检测模型应对当前场景各种尺度上的空间关系和类别兼容性进行建模，实现对非结构化室外地形的全局检测。

发明内容

本发明的目的在于克服现有技术的不足，提出一种针对非结构化场景条件下的全局地形检测方法，具体通过导航经验智能整合、非线性映射机制设计以及全局空间关系整合，实现基于立体视觉的在线、由近及远的全局地形检测方法。

本发明是通过以下技术方案实现的，本发明包括步骤如下：

第一步，采集一帧图像到内存。

第二步，对采集的图像进行图像增强、灰度均衡化处理以及高斯平滑滤波等预处理。

第三步，将预处理后的图像进行分割处理，分割为近视场图像帧和远视场图像帧，并融合相邻像素在边缘及颜色特征上的差异性，分别将近视场图像帧和远视场图像帧划分为若干像素集，每个像素集作为一个超像素。

第四步，分别对近视场图像帧和远视场图像帧以超像素为单位进行外观特征提取。

所述的外观特征包括：颜色特征和纹理特征，其中：颜色特征是颜色空间每个分量的平均值，纹理特征是LM滤波器的平均输出以及每个像素点位置输出值最大的LM滤波器对应索引的柱状图分布。

第五步，根据近视场场景超像素内所有像素点的高程平均值对超像素所属地形类别进行自动判定，具体类别由高程平均值与预先确定阈值的相对大小决定，地形类别包括：障碍空间和自由空间。

所述的高程是通过摄像机模型和立体成像原理，在视差图坐标系中直接拟合地平面，将像素点的视差值减去地平面对应视差得到的。

第六步，基于前述步骤获取的近视场超像素“特征——地形类别”信息，训练当前场景对应的地形分类器，与历史预充信息中已有地形分类器共同组成地形分类器候选数据库。同时当前场景近视场图像帧信息与历史预充信息中已有图像帧信息共同组成地形样本候选数据库。