[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

摘要

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。

主权项

1.一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，其特征是：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；所述步骤(1)中，包括以下步骤：(1‑1)将图片进行划分，将设定像素区域指定为一个单元；(1‑2)在每个单元内进行0‑360°的梯度直方图统计，将已划分的单元按照设定值合并成大区域，表征每个像素点的梯度特征；(1‑3)将所有单元的特征向量链接，得到障碍物特征图像对应的HOG特征向量，利用整体子图像的直方图对特征向量进行归一化处理；所述步骤(2)中，具体的方法包括：(2‑1)针对已有图像特征矩阵中的每个训练样本，计算平均向量；(2‑2)根据平均向量，计算协方差矩阵；(2‑3)计算协方差矩阵的特征值和特征向量，选择多个贡献率最大的特征向量作为基，构成投影矩阵；(2‑4)利用投影矩阵对原始HOG特征矩阵进行降维处理，得到最终训练特征矩阵；所述步骤(1‑2)中，具体方法为：获得单元之后，在每个单元内进行0‑360°的梯度直方图统计，统计结果是一个9维的特征向量，将前面的单元合并成为一个大区域，即2×2的单元组成一个新的单元，利用bin_k表示梯度方向的第k个方向区间，每个像素点(x,y)处的梯度特征用一个9维的向量V_k(x,y)来表示，V_k(x,y)表示像素点(x,y)在第k个方向的幅度大小其中1≤k≤9；所述步骤(1‑3)的具体步骤为：将单元的特征向量链接起来，得到一张线上典型障碍物特征图像对应的HOG特征向量，其大小为3780维，为了消除光照变化的影响，用整体子图像的直方图对特征向量进行归一化处理。