[发明专利]一种基于激光雷达测距信息的室内场景识别方法

权利要求书

1.一种基于激光雷达测距信息的室内场景识别方法，其特征在于，该方法具体包括以下步骤：

(1)在移动机器人上安装扫描范围为360°的激光雷达；

(2)在不同类型的室内场景中，人为控制移动机器人进行无碰撞行驶，同时采集作为训练样本的雷达信息，设训练样本的个数为N，则得到训练样本数据集S_tr的表达式为：

S_tr＝{S_tr1,S_tr2,Λ,S_trN}

其中S_tr1,S_tr2,Λ,S_trN分别表示训练样本数据集S_tr中第一个训练样本、第二个训练样本、…第N个训练样本；

(3)参考所述步骤(2)的方法，采集作为测试样本的雷达信息，设测试样本的个数为M，则得到超声测试样本数据集S_te的表达式为：

S_te＝{S_te1,S_te2,Λ,S_teM}

其中S_te1,S_te2,Λ,S_teM分别表示测试样本数据集S_te中第一个测试样本、第二个测试样本、…第M个测试样本，N和M分别为训练样本的个数和测试样本的个数，且M≤N；

(4)对雷达测距训练样本数据集S_tr的样本信息进行特征提取，得到新的训练样本数据集S_tr'；

(5)给新的训练样本数据集S_tr'中来自不同类型房间的样本设定不同的标签，并生成与训练数据矩阵相对应的训练标签矩阵T；

(6)对雷达测距测试样本数据集S_te的样本信息进行特征提取，得到新的测试样本数据集S_te'；

(7)参照所述步骤(5)给新的测试样本数据集S_te'中的样本设定标签，生成与测试数据矩阵相对应的测试标签矩阵T'；

(8)将训练样本数据集S_tr矩阵及相应的训练标签矩阵T通入基于局部感受野的极限学习机模型中训练模型，再将模型应用于测试样本数据集S_te矩阵得到分类结果。

2.根据权利要求1所述的方法，其特征在于，所述步骤(4)的具体处理过程如下：

(4-1)记训练样本数据集S_tr中的任意一个训练样本为S_I，1≤I≤N，S_I是一个由雷达扫描一周获得的雷达数据所构成的一维特征向量，即S_I＝[S_I.1，S_I.2，Λ,S_I.l]，其中S_I.1，S_I.2，Λ,S_I.l表示一次扫描中l个采样点的雷达数据，将这组雷达数据转化为极坐标图像；

(4-2)将所述步骤(4-1)中所得的极坐标图像提取到直角坐标系中，且将极坐标图像的圆心作为矩形图像的中心，对图像中轮廓以内的部分进行颜色填充；

(4-3)对所述步骤(4-2)中得到的图像进行灰度处理，使其成为单通道的灰度图；

(4-4)将(4-3)中得到的灰度图作为新的输入样本，最终得到新的训练样本数据集S_tr'：

S_tr'＝{S_tr1',S_tr2',Λ,S_trk',Λ,S_trN'}

其中，S_tr1',S_tr2',Λ,S_trk',Λ,S_trN'分别表示训练集S_tr'中的第一个训练样本、第二个训练样本、…、第k个训练样本、…、第N个训练样本，N为训练样本数。

3.根据权利要求1所述的方法，其特征在于，所述步骤(6)的具体处理过程如下：

(6-1)记测试样本数据集S_te中的任意一个训练样本为S_J，1≤J≤M，S_J是一个由雷达扫描一周获得的雷达数据所构成的一维特征向量，即S_J＝[S_J.1，S_J.2，Λ,S_J.l]，其中S_J.1，S_J.2，Λ,S_J.l表示一次扫描中l个采样点的雷达数据，将这组雷达数据转化为极坐标图像；

(6-2)将所述步骤(6-1)中所得的极坐标图像提取到直角坐标系中，且将极坐标图像的圆心作为矩形图像的中心，对图像中轮廓以内的部分进行颜色填充；

(6-3)对所述步骤(6-2)中得到的图像进行灰度处理，使其成为单通道的灰度图；

(6-4)将所述步骤(6-3)中得到的灰度图作为新的输入样本，最终得到新的测试样本数据集S_te'：

S_te'＝{S_te1',S_te2',Λ,S_tek',Λ,S_teM'}

其中，S_te1',S_te2',Λ,S_tek',Λ,S_teM'分别表示新的测试样本数据集S_te'中的第一个测试样本、第二个测试样本、…、第k个测试样本、…、第M个测试样本，M为测试样本数。