[发明专利]工作平台障碍物识别方法、系统及防撞方法、系统

权利要求书

1.一种基于图像的工作平台障碍物识别方法，其特征在于，所述方法包括：

获取各个通道传输的工作平台四周无盲区的环境图像数据；

计算所述环境图像数据的特征聚类矩阵M，M=Eva{L，H，P，δ}；

其中，Eva{}为聚类计算函数；L为图像宽；H为图像高；P为通道；δ为乘积；

根据所述环境图像数据的特征聚类矩阵以及环境样本数据库中障碍物的特征聚类矩阵，判断所述环境图像数据的特征聚类矩阵所属的障碍物类别；

根据所述障碍物类别计算所述环境图像数据中的物体与环境样本数据库中障碍物的特征识别距离，包括：

对所述特征聚类矩阵进行卷积处理，得到卷积后的特征；

对所述卷积后的特征进行最大池化操作，得到最大池化后的特征值；

将所述最大池化后的特征值进行激励，得到激励后的特征值；

计算所述特征聚类矩阵与所述激励后的特征值之间的特征识别距离，包括：

对特征聚类矩阵M与样本计算特征识别距离：

；

其中，α，β，γ，τ为初始化修正参数，x_i∈M；

根据所述特征识别距离判定所述环境图像数据中的物体是否为障碍物。

2.根据权利要求1所述的基于图像的工作平台障碍物识别方法，其特征在于，所述环境图像数据包括：

工作平台上方仰视区域、平台面平视区域、右侧左视区域、左侧右视区域、前方后视区域以及后方前视区域的环境图像数据。

3.根据权利要求1所述的基于图像的工作平台障碍物识别方法，其特征在于，所述根据所述环境图像数据的特征聚类矩阵以及环境样本数据库中障碍物的特征聚类矩阵，判断所述环境图像数据的特征聚类矩阵所属的障碍物类别，包括：

判断所述环境图像数据的特征聚类矩阵是否属于任一环境样本数据库中障碍物的特征聚类矩阵：

若不属于，则判定所述环境图像数据中的物体为障碍物；

若属于，则确定所述环境图像数据的特征聚类矩阵所属的障碍物类别。

4.根据权利要求1所述的基于图像的工作平台障碍物识别方法，其特征在于，所述根据所述障碍物类别计算所述环境图像数据中的物体与环境样本数据库中障碍物的特征识别距离，还包括：

计算所述环境图像的训练误差；

对所述训练误差进行归一化处理。

5.根据根据权利要求1所述的基于图像的工作平台障碍物识别方法，其特征在于，所述根据所述特征识别距离判定所述环境图像数据中的物体是否为障碍物，包括：

若所述特征识别距离大于设定阈值，则所述环境图像数据中的物体是障碍物；

若所述特征识别距离小于设定阈值，则所述环境图像数据中的物体不是障碍物，将所述环境图像数据定义为自学习数据。

6.根据权利要求1所述的基于图像的工作平台障碍物识别方法，其特征在于，所述计算所述环境图像数据的特征聚类矩阵，包括：

将所述环境图像数据细化为多个设定像素大小的图像模块；

计算所述图像模块的特征聚类矩阵M。

7.根据权利要求1所述的基于图像的工作平台障碍物识别方法，其特征在于，所述对所述特征聚类矩阵进行卷积处理，得到卷积后的特征，包括：

将所述特征聚类矩阵输入输入层；

对输入的特征映射进行卷积处理，对第j层卷积层操作时，第j层的特征映射表示为：

其中，为第 j 层的特征映射，表示输出映射；为激励函数；*为2维卷积运算符号；为第 i 层的特征映射，表示输入映射；为卷积核表达式；为偏值；

所述最大池化操作通过如下公式进行计算：

，

其中，max{}为取最大值计算，s为池化层区域的大小；为第 i 个特征映射在 ( j，k) 内的神经元；为第i个特征映射位于ϑ的神经元，此处ϑ=j·s+m·k·s+n，此处m，n为神经元在池化区域内的位置偏移量；

所述将所述最大池化后的特征值进行激励，得到激励后的特征值，包括：采用 ReLu 函数 R (x) 作为激励函数，当特征值 x 高于既定标记时给予激励，否则清零；

。