[发明专利]基于主动策略和影像传感器的机器人目标识别方法及系统

权利要求书

1.一种基于主动策略和影像传感器的机器人目标识别方法，其特征在于，包括：

(1)采集机器人巡航路线上的影像数据，对采集的所述影像数据进行处理得到疑似目标与机器人载体的相对位姿关系；

(2)基于所述疑似目标与机器人载体的相对位姿关系，主动调整所述机器人的巡航路线，以使所述机器人能够根据需求获取所述疑似目标的影像数据；

(3)根据在调整所述机器人的巡航路线后得到的所述疑似目标的影像数据，进行目标识别，若调整后得到的所述疑似目标的影像数据的质量无法满足识别要求，则返回执行步骤(2)，直至所述机器人无法主动调整或所述疑似目标的影像数据的质量达到要求为止，输出最终的识别结果；

步骤(1)包括：

(1.1)采集机器人巡航路线上的点云数据，去除所述点云数据中为空值的数据后，通过随机采样一致来拟合地面，去除地面的点云数据得到目标点云数据；

(1.2)对所述目标点云数据进行体素滤波，以使每个点云转换为三维的体素单位，合并同一个体素内的点云，将合并后的体素构造成八叉树找到核心点，再根据核心点构建成KD树将点云分成不同的点云簇，最后根据边界点与所述核心点的关系找到所述边界点并将所述边界点归入相应的核心点所在的簇；

(1.3)判断点云簇的三维几何特征是否符合目标特征，若符合所述目标特征则输出疑似目标点云簇相对于机器人的方位。

2.根据权利要求1所述的方法，其特征在于，所述核心点满足如下关系：所述核心点的ε邻域对应的N(x_i)至少包含min Pts个样本点，其中，N(x_i)＝{x_j∈D|||x_i-x_j||ε}，D为样本集，x_j与x_i为样本集D中的样本，||x_i-x_j||为x_i到x_j的距离，min Pts为样本集中的聚类最小点数。

3.根据权利要求2所述的方法，其特征在于，所述边界点满足如下关系：所述边界点的ε邻域对应的N(x_i)至少包含一个核心点且N(x_i)包含点数少于min Pts个。

4.根据权利要求1至3任意一项所述的方法，其特征在于，步骤(2)包括：

基于所述疑似目标点云簇相对于机器人的方位，主动调整所述机器人的巡航路线，以使所述疑似目标点云簇投影在采集的图像中心位置。

5.根据权利要求4所述的方法，其特征在于，将点云投影至图像上的投影关系为：P_相机＝K*(RP_雷达+t)，其中，P_相机为像素坐标系下的坐标，P_雷达为激光雷达坐标系下的点云坐标，K为相机内参矩阵，R为激光雷达相对于相机的旋转矩阵，t为激光雷达相对于相机的平移向量。

6.根据权利要求1所述的方法，其特征在于，步骤(3)包括：

(3.1)将在调整所述机器人的巡航路线后采集得到的所述疑似目标的影像数据，输入训练好的基于tensorflow搭建的图像目标识别神经网络，进行目标识别；

(3.2)根据输出结果置信度判断调整后得到的所述疑似目标的影像数据的质量是否满足识别要求，若无法满足识别要求，则继续调整所述机器人的巡航路线，直至所述机器人无法主动调整或所述疑似目标的影像数据的质量达到要求为止，输出最终的识别结果。

7.根据权利要求6所述的方法，其特征在于，在步骤(3.2)中，由判断调整后得到的所述疑似目标的影像数据的质量是否满足识别要求，其中，m为是否主动调整机器人的巡航路线，m＝1表示主动调整机器人的巡航路线，m＝0表示不调整机器人的续航路线，x为所述图像目标识别神经网络输出目标识别的置信度，q为预设阈值，z为根据激光雷达点云判断的机器人是否能移动到下一位置，z＝0表示能够移动到下一位置，z≠0表示不能够移动到下一位置。