一种基于视觉和振动信息融合的地面类型辨识方法
【技术领域】
[0001 ]本发明涉及一种地面类型辨识方法，涉及地面类型分类技术领域。
【背景技术】
[0002] 多数关于机器人探测环境方面的研究只侧重于翻越障碍、路线规划以及位置估计 等几何相关的问题，而至于环境地形地貌对机器人的影响方面领域至今仍鲜有问津。几何 因素诚然是限制移动机器人快速性和稳定性的主要因素，工作环境的地形地貌对机器人运 行速度和稳定性也有巨大影响。基于视觉信号的地面类型分类辨识研究，以及与其他传感 器结合判断地表情况，可以为机器人自主控制精确性提供依据，其对机器人自主规划和探 险等任务具有非常现实的意义。对未来机器人自主探险以及救援任务甚至外星探险的自主 探测任务同样具有重要意义。
[0003] 地面类型分类识别目的又在于可确定出一些影响地面承载载荷能力的关键参数， 即找到穿越某特定地形时关系到移动机器人行驶性能与安全性的地形特性，其与地面种类 密切相关。在非平坦地形运行时，机器人自身的安全性和灵活性是得以稳定运行的重要条 件。其环境感知系统用一系列传感器反馈得到的信号作为地面类型识别的信息源，对采集 的信号进行一定方法的处理，从而获得准确的地貌特征。以其为基础，机器人可以通过自主 轨迹规划制定包括最佳行走速度和最大转弯速度等最优行走方式，以这种方法实现不同地 面行驶时的稳定性，确保行驶安全。
[0004] 地面类型分类研究主要方向为利用颜色特征或者纹理特征在视频或者图像中进 行分类，视频采集的信号优势在于可以预知运行方向上即将遇到的地貌和地形，可以有一 定的时间裕量做运动形式的调整，相比于振动信号对环境的感知在研究上更加直观。然而 其相较于振动信号感知则误差率较高。如有落叶的沥青路通过图像处理的信号则不能准确 反映地面情况，从此造成分类误差，进而影响轨迹和运动方式的规划。
【发明内容】
[0005] 本发明的目的是提供一种基于视觉和振动信息融合的地面类型辨识方法，以解决 现有的地面类型辨识方法存在分类误差较大、预测准确率低的问题。
[0006] 本发明为解决上述技术问题采取的技术方案是：
[0007] -种基于视觉和振动信息融合的地面类型辨识方法，所述方法的实现过程为：
[0008] 步骤一、获得样本训练集:对在特定类型地面上行驶的车辆采集振动信号Iz和图 像信号Iv，以用于地面类型辨识;对振动信号、图像信号分别进行特征提取，获得振动信号 样本训练集和图像信号样本训练集；
[0009] 步骤二、未知类型地面识别过程:对在未知类型地面上行驶的车辆采集振动信号 和图像信号，将其分别与振动信号样本训练集和图像信号样本训练集进行比对，进行振动 分类识别、图像分类识别，获得振动识别结果和图像识别结果；
[0010]步骤三、信息融合过程：
[0011] 将步骤一中的振动信号样本训练集中每个振动信号样本与图像信号样本训练集 中对应的图像信号样本进行融合，确定最优的N值，使图像信号放大N倍后与对应的振动信 号融合后得到最高的辨识算法准确率；
[0012] 根据步骤三获得最优的N值，将步骤二中的振动识别结果与对应的图像识别结果 进行融合，得到融合后的识别结果，将融合后的识别结果经过处理后作为地面类型辨识结 果。
[0013]在步骤二中，最优的N值的获得过程为：
[0014] 将振动信号的提取得到的128维特征，将图像信号提取的特征向量长度为14维，图 像信号与振动信号特征尺度相差较多为平衡二者之间的训练权重，需要对两种特征重新进 行归一化处理，得到统一的142维特征；
[0015] 将采集得到的视觉信号特征同比放大不同倍数进行不同尺度的特征层级别融合， 用交叉验证的办法对融合结果的准确率进行检验，以视觉信号特征放大倍数为横坐标、融 合后交叉检验准确率为纵坐标，获得二维折线图，找到准确率最高点对应的放大倍数，即完 成N值的确定。放大倍数N值取为19或20。
[0016] 根据步骤三获得最优的N值，将步骤二中的振动识别结果与对应的图像识别结果 进行融合，得到融合后的识别结果的具体过程为：
[0017] 利用Ιζ和Iv的两种信号分类结果对地面类型进行探测，基于贝叶斯公式理论搭建 融合模型，融合模型搭建之前需要进行测量Iz和Iv的两种传感器对单一地面类型的辨识实 验以对各自信号分辨准确率进行统计；
[0018]设测试地面类型数为k，测试的某特定地面标签为m=mi，m2, · . ·，mk，传感器输出的 分辨结果标签为n=m，n2,...，nk;经过实验可以得到两种传感器将m辨识为η的概率，记为
[0019] pz(n |m)或ρν(η |m)，其中卩2为振动信号辨识概率，ρν为视觉信号辨识概率；
[0020] 简化各测试地面的先验概率P(m)，假设各测试地面为等概率出现即P(m) =l/k;
[0021] 根据全概率公式：
[0022] (4-1)
[0023] 可计算出传感器判断输出为某地面的概率P(n)，再根据贝叶斯公式：
[0024] (4-2)
[0025]即可求出该传感器以辨识算法输出结果为已知条件，其测试地面类型的可能性概 率P(m|n);
[0026] 两种信号Iz和Iv各生成含有k2个概率值的列表，求出的Pz(m|n)或Pv(m|n)分布不同 且相互独立；
[0027] 当振动信号辨识输出为m，视觉信号辨识输出为112时，由于二者的相互独立性，测 试地面为m的联合条件概率P(m|ηι，Π2)正相关于Pz(m|m)Pv(m|Π2);以此为依据建立起概率 数据表，在相同输出条件下找到概率最大的测试地面，即为两信号输出的融合结果。
[0028]本发明基于单目视觉信号的预处理、特征提取并进行机器学习训练，建立起视觉 信号信息与地面类型之间的分类模型；以其为基础，将实时采集的视觉信号输入到分类模 型中，实时输出预测的地面类型;将视觉信号与振动信号进行融合，使预测准确率提高。
[0029] 结合复杂地面类型的视觉信号特点对采集的图像进行处理。以数字图像处理为技 术基础针对前视相机采集的图像实现包括颜色特征和纹理特征的提取，并对不同特征提取 方法对地面类型的表征能力进行分析。针对选定地目标地面区域，建立视觉特征和地面类 型之间的映射关系。建立基于支持向量机的地面类型实时分类辨识模型，和基于样本数据 统计的模型匹配算法对地面类型进行分类辨识，建立起完整的自适应实时地面类型在线分 类辨识方法。
[0030] 结合视觉信号与振动信号对地面类型分类辨识的优缺点，分析两种信号融合的可 行性，实现视觉信号特征与振动信号特征融合，以及视觉信号辨识结果与振动信号辨识结 果融合等方法，并分析几种融合方法的有效性，建立基于视觉和振动信号融合的地面类型 辨识方法。
[0031]本发明的有益效果是：
[0032] 视觉信号与振动信号两种信号对地面类型的辨识均有长足的发展，各自又具备不 同的优势，因此将二者进行信息融合的研究是具有必然性的。本发明针对多种地面类型进 行自适应学习方面研究，并且对视觉信号与振动信号进行融合方法探究，对于地面分类辨 识研究均具有重要意义，表现在以下几个方面：
[0033] 1)应用数字图像处理技术和机器学习等方法，建立起视觉信号与地面类型之间的 对应分类模型，分析影响地面类型分类辨识准确率的影响因素，并针对鲁棒性和敏感性之 间的平衡以及实时性和准确性之间的平衡进行分析，为移动机器人自主自适应行进提供理 论依据。
[0034] 2)分析履带机器人车体履带产生振动、前行触角产生振动以及本身的结构，并加 以对比，为地面分类识别提供依据。搭建地面与振动信号之间的分类模型，分析不同速度、 不同采集方式的影响，并对鲁棒性和敏感性加以分析，为机器人自主探险提供理论依据。
[0035] 3)对视觉信号与振动信号进行融合方法的探究，并针对二者特性加以对比分析， 为地面分类辨识提供依据。
【附图说明】
[0036] 图1是传统单一传感器的地面类型识别流程图；图2为单目相机辨识地面位置的安 装方式示意图；图3是本发明方法的不同层次的融合方式示意图；图4是特征层级别融合示 意图；图5是不同尺度融合交叉检验准确率的二维折线图；图6是特征层融合分辨情况柱状 图；图7是决策层融合示意图；图8是各地面类型在不同分类方法下的条件概率柱状图；图9 是决策层融合准确率柱状图。
【具体实施方式】
[0037] 为了便于理解本发明，给合图1至9给出【具体实施方式】，对本发明进行更为详尽的 阐述：
[0038] 下面给出传统单一传感器的地面类型识别流程：
[0039] 在基于视觉的图像信号特征提取技术基础上，将对特定地面类型对应的视觉特征 进行提取生成训练样本。为增强所提取特征的稳定性与代表性，避免噪声特征带来偏差，学 习和训练过程特征向量的提取原则为选用每一帧图像内