论文部分内容阅读
随着机器人技术和计算机视觉算法理论发展,机器人的应用场所得到了极大的拓展。具备一定的自主导航和地形识别能力成为室外移动机器人正常工作的重要前提。由于室外自然环境有别于室内环境,存在非结构化以及复杂多变等问题。因此不同的地形对于机器人的运动能力将会产生各种各样的限制。机器人对于环境的感知过程中,视觉可以提供丰富的信息,基于视觉的地形识别有助于机器人对于即将通过的地形进行理解并作出合理预测。对于地形进行精确的识别,将保证移动机器人在自然环境中安全、稳定地运动。本文研究了基于视觉的移动机器人地形识别算法,主要工作如下:首先,论述了地形识别的研究背景和意义,综述了国内外文献对于移动机器人地形识别技术的研究现状,分析了基于视觉的地形识别相较于其他传感器存在的优越性,从场景分割和地形特征提取以及目前公开的地形数据集几个方面对当前基于视觉的地形识别研究中存在的问题进行了分析,介绍了本文的主要研究内容和章节安排。第二,在对于当前地形分类实验采取的公共数据集的研究基础之上,提出建立了更全面的SDUterrain地形数据集。该数据集利用消费级相机和摄像头采集,包含光照多样性、场景复杂性等等地形样本,并进行了标注,具备一定的样本丰富性。第三,针对室外场景复杂多变的特点,对于混合地形样本图像分割进行了尝试,采取了分水岭算法和图论方法进行分割。其中分水岭算法会产生严重的过分割,因此本文将基于比较理论的图论方法与分水岭算法分割相结合,实现了适用于地形场景的分割方案,改善了过分割现象,分割得到了完整的地形区域和包括地平线在内的区域界线。第四,分析了地形图像的特征特点,对于地形数据集样本提取了颜色直方图、LBP(Local Binary Pattern,局部二值模式)、SIFT(Scale-Invariant Feature Transform,尺度不变特征变换)、CEDD(Color and Edge Directivity Descriptor,颜色和边缘方向性描述子)四种特征,并采用ELM(Extreme Learning Machine,极限学习机)作为地形识别分类器。在实验阶段首先对于ELM应用于地形识别特征分类进行合适参数组合选取测试实验,再分别对于各特征采取不同激活函数和隐元进行分类实验后,确定了最优的参数选取区间,有利于后续地形识别中提高整体分类精度和节约隐元选择时间。随后,在此基础上对于单一特征进行地形分类实验,在单一特征精度不足的情况下,尝试特征融合的方案,将具有互补特性的颜色直方图特征与LBP特征融合,取得了优于单一特征的地形识别效果。最后,总结了本论文的工作,并展望了地形识别下一步的研究方向。