[发明专利]基于梯度直方图和支持向量机的机器人障碍物识别方法

说明书

本发明公开了一种基于梯度直方图和支持向量机的机器人障碍物识别方法，本方法主要包括两个部分：一是在特征提取阶段，提出了主元梯度直方图的输电线路障碍物的特征提取算法。利用典型障碍物具有不同的结构组成和空间布局的特点，通过计算常见在线障碍物的统计特征，利用HOG算法的特征提取，可以得到光照和尺度变化无关的特征点，能够有效的去掉干扰。同时，利用主成分分析来进一步对获得的特征向量进行降维运算得到主元梯度直方图，能有效减低无关特征，减少运算量，用最少量的特征建立相对应障碍物的特征集合，为下一步的目标识别提供良好的支持。二是在目标识别阶段，利用线性支持向量机(SVM)进行识别，得到了非常良好的识别效果。

技术领域

本发明涉及一种基于梯度直方图和支持向量机的机器人障碍物识别方法。

背景技术

输电线路巡检机器人的自主导航系统一直是智能电网维护与安全监控的研究热点之一，它在输电线路巡检、维护、故障快速定位、在线监控等领域有着广泛的应用前景。然而，当巡线机器人采用轮式行走机构沿架空输电线路“爬行”时，安装在导线上的防震锤、绝缘子、悬垂线夹、耐张线夹等杆塔支撑附件阻挡了巡线机器人的前进。同时，不同的障碍物无论在姿势，视角还是都有着相对明显的变化，加之复杂的野外巡检场景背景，大范围的光照角度变化，以及视觉系统自身的晃动，鲁棒的在线物体识别问题一直是一个富有挑战性的研究课题。

一般而言，巡线机器人的视觉导航系统要完成的主要任务是：(1)实时检测并定位输电线路上常见悬挂物体如防震锤、耐张线夹、悬垂线夹等，在此基础上视觉系统将引导巡检机器人慢速趋近障碍，避免碰撞。(2)实时识别出具体目标的类型，在此基础上规划越障策略，完成越障运动控制。相应而言，巡检机器人的视觉导航系统包括两个模块：1，目标检测和识别。检测模块的目的是从图像中提取可能包含待检测目标的部分区域，以期提高搜索速度。目标识别模块对该区域进行验证，以判断是否包含待检测障碍物。因此目标识别模块的精度决定了导航系统的性能指标。

目前，常见的巡线机器人的识别方法主要有如下几种方法：基于形状基元(如圆，椭圆等)的方法。基于结构的方法，基于统计特征的方法等。一般而言，基元特征与形状基元之间结构关系特征都具有不确定性，因此传统非统计方法无法进行准确识别。统计方法可用于局部基元与局部结构关系的识别，其识别结果则可以用于障碍物整体的结构识别。然而，现有统计技术的缺陷是：在大范围复杂背景与光照的影响下，不可避免的存在大量虚假检测结果，因此可靠性和有效性不能得到保证。

发明内容

本发明为了解决上述问题，提出了一种基于统计梯度直方图和支持向量机的机器人障碍物识别方法。本方法属于统计方法与结构方法的结合，非常适用于复杂的物体识别。其核心思想在于利用统计方法抽取障碍物图像的各种统计特征，将这些统计特征组成特征向量(Feature Vector)，并在特征向量空间进行分类。具体而言，本方法利用典型障碍物具有不同的结构组成和空间布局的特点，通过计算在线障碍物的统计特征，利用HOG算法的特征提取，可以得到光照和尺度变化无关的特征点，能够有效的去掉干扰同时，利用主成分分析来进一步对获得的特征向量进行降维运算，能有效减低无关特征，减少运算量，用最少量的特征建立相对应障碍物的特征集合，为下一步的目标识别提供良好的支持。在目标识别阶段，利用线性支持向量机(Support Vector machine，SVM)进行识别，得到了非常良好的识别效果。

为了实现上述目的，本发明采用如下技术方案：

一种基于梯度直方图和支持向量机的机器人障碍物识别方法，包括以下步骤：

(1)提取原始图像梯度直方图特征，确定表征线上不同类型线上障碍物特征向量集；

(2)将特征向量集中的特征向量进行降低特征维数，对目标图像进行进一步抽象表征；

(3)将已有各类型图像进行特征提取，形成新的样本数据，选取训练样本，利用支持向量机建立起障碍物分类模型，支持向量机分类模型输出最大值所对应的分类类型即为识别结果。