[发明专利]一种室内环境的线性特征提取方法

摘要

一种室内环境的线性特征提取方法，包括步骤为：合理选取有效的数据信息；有效的选取数据提取数据的局部特征信息；将提取到的局部特征信息加以整合得到全局环境下的特征信息。本发明通过特征的分布提取以及数据的后期融合，实现了机器人使用声纳传感器在室内环境下的特征提取，与其他的基于增量算法的特征提取方案相比降低了计算量且提高了性能和准确性。

主权项

一种室内环境的线性特征提取方法，步骤包括：第一步，基于机器人获取的环境信息，记实验获取的数据形式为(x,y,r)，其中x,y分别表示机器人坐标系下的水平和垂直距离，r为传感器到目标的距离；不符合要求的数据标记r＝R，其中R为声纳传感器的最大测量距离；去除其中不符合要求的数据；第二步，定义长度为data_len的滑动窗口Win，从T0时刻开始，首先对传感器进行分组，每组取data_len*sen_num个数据，其中sen_num表示每个分组包含的传感器个数；第三步，从第二步获得的一组数据中随机选取n个点，按照最小二乘法进行直线拟合；假设直线方程为y＝kx+b；$k=\frac{\left(\mathrm{\Σ}{x}_i^2\right)\left(\mathrm{\Σ}{y}_i\right)-\left(\mathrm{\Σ}{x}_i\right)\left(\mathrm{\Σ}{x}_i{y}_i\right)}{n\left(\mathrm{\Σ}{x}_i^2\right)-{\left(\mathrm{\Σ}{x}_i\right)}^2}$$b\frac{n\left(\mathrm{\Σ}{x}_i{y}_i\right)-\left(\mathrm{\Σ}{x}_i\right)\left(\mathrm{\Σ}{y}_i\right)}{n\left(\mathrm{\Σ}{x}_i^2\right)-{\left(\mathrm{\Σ}{x}_i\right)}^2}$其中x_i,y_i分别表示数据中第i点的水平坐标和垂直坐标，n表示随机取点的个数；第四步，计算分类数据中其余点到该直线的距离d，并与距离阈值D比较，记录大于距离阈值数据点的个数，其中第五步，计算符合距离阈值的点占分类数据的比例num_rat，并与比例阈值RD作比较；第六步，如果满足比例阈值，则得到的直线符合要求，否则重复第三到第五步至得到满足条件的直线；第七步，重复第三步到第六步Re次，从Re次得到的结果中选取最大num_rat对应的直线作为最佳拟合结果；第八步，分离出第三步选定数据中满足点到第七步得到的直线距离不小于设定距离阈值的点作为初始数据；重复第三步到第八步的操作，得到符合条件的直线；第九步，设定剩余拟合点数少于设定值，则认为无新的特征信息；重复第三到第八步直至无法得到新的特征信息；第十步，滑动Win，每次移动的距离记为Δ，重复上述第三步到第九步的过程，平移次数为T，即窗口每次滑动Δ个距离，每组传感器数据量最小的数据点的个数min，T＝(min‑data_len)/Δ；按照第二步到第九步的过程得到所有的直线特征参数；第十一步，将得到的直线特征参数从直角坐标系转换到极坐标系；其中倾斜角θ，极径ρ，斜率k，截距b；$\mathrm{\ρ}=\left|b\right|/\sqrt{1+k^2}$θ＝arctan(‑1/k)第十二步，在极坐标系下，以θ＝θ₀为界，对(ρ,θ)进行划分；第十三步，在matlab R2010a环境下，利用clusterdata()聚类函数对划分后的参数进行分析；第十四步，针对每一个类别，当其数据量大于num1_data时，利用霍夫变换得到最佳特征参数，当数据量不大于num1_data时，采用最小二乘法或求均值的方法得到最佳特征参数；第十五步，计算最佳拟合直线参数在直角坐标系下的斜率k和截距b，结合原数据得到每一条直线的端点坐标。