基于梯度直方图和支持向量机的机器人障碍物识别方法
【技术领域】
[0001 ] 本发明涉及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。
【背景技术】
[0002] 输电线路巡检机器人的自主导航系统一直是智能电网维护与安全监控的研究热 点之一，它在输电线路巡检、维护、故障快速定位、在线监控等领域有着广泛的应用前景。然 而，当巡线机器人采用轮式行走机构沿架空输电线路"爬行"时，安装在导线上的防震锤、绝 缘子、悬垂线夹、耐张线夹等杆塔支撑附件阻挡了巡线机器人的前进。同时，不同的障碍物 无论在姿势，视角还是都有着相对明显的变化，加之复杂的野外巡检场景背景，大范围的光 照角度变化，以及视觉系统自身的晃动，鲁棒的在线物体识别问题一直是一个富有挑战性 的研究课题。
[0003] -般而言，巡线机器人的视觉导航系统要完成的主要任务是：（1)实时检测并定 位输电线路上常见悬挂物体如防震锤、耐张线夹、悬垂线夹等，在此基础上视觉系统将引导 巡检机器人慢速趋近障碍，避免碰撞。（2)实时识别出具体目标的类型，在此基础上规划越 障策略，完成越障运动控制。相应而言，巡检机器人的视觉导航系统包括两个模块：1，目标 检测和识别。检测模块的目的是从图像中提取可能包含待检测目标的部分区域，以期提高 搜索速度。目标识别模块对该区域进行验证，以判断是否包含待检测障碍物。因此目标识 别模块的精度决定了导航系统的性能指标。
[0004]目前，常见的巡线机器人的识别方法主要有如下几种方法：基于形状基元（如圆， 椭圆等）的方法。基于结构的方法，基于统计特征的方法等。一般而言，基元特征与形状基 元之间结构关系特征都具有不确定性，因此传统非统计方法无法进行准确识别。统计方法 可用于局部基元与局部结构关系的识别，其识别结果则可以用于障碍物整体的结构识别。 然而，现有统计技术的缺陷是：在大范围复杂背景与光照的影响下，不可避免的存在大量虚 假检测结果，因此可靠性和有效性不能得到保证。
【发明内容】
[0005] 本发明为了解决上述问题，提出了一种基于统计梯度直方图和支持向量机的机器 人障碍物识别方法。本方法属于统计方法与结构方法的结合，非常适用于复杂的物体识别。 其核心思想在于利用统计方法抽取障碍物图像的各种统计特征，将这些统计特征组成特征 向量（FeatureVector)，并在特征向量空间进行分类。具体而言，本方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，通过计算在线障碍物的统计特征，利用H0G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，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。在目标识 别阶段，利用线性支持向量机（SupportVectormachine，SVM)进行识别，得到了非常良好 的识别效果。
[0006] 为了实现上述目的，本发明采用如下技术方案：
[0007] -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，包括以下步骤：
[0008] (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；
[0009] (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；
[0010] (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。
[0011] 所述步骤（1)中，包括以下步骤：
[0012] (1-1)将图片进行划分，将设定像素区域指定为一个单元；
[0013] (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；
[0014] (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H0G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。
[0015] 所述步骤（1-1)的具体方法为：将64X128大小的图片进行划分，把4X4大小的 像素区域指定为一个单元，用&〇^7)，&〇^ 7)分别表示像素点〇^，7)处的水平方向和垂直 方向的梯度幅值，G(x，y)表示像素点（x，y)处梯度大小，a(x，y)表示像素点（x，y)处的梯 度方向，其中：
[0016]Gx (x,y) =I(x+1,y)-I(x-1,y)
[0017]Gy (x,y) =I(x,y+1)-I(x,y-1)
[0018]
[0019] -?. :X: V ? /乂
[0020] 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，BP 2X2的单元组成一个新的单元，利用bink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Vk(x,y)来表示，Vk(x,y)表示像素点（X，y)在第k 个方向的幅度大小
[0021]
[0022] 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H0G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。
[0023] 所述步骤（2)中，具体的方法包括：
[0024] (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；
[0025](2-2)根据平均向量，计算协方差矩阵；
[0026] (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；
[0027] (2-4)利用投影矩阵对原始H0G特征矩阵进行降维处理，得到最终训练特征矩阵。
[0028] 所述步骤（2-1)中，具体方法为：针对已有图像特征矩阵中的每个训练样本，计算 平均向量：
[0029]
[0030] 其中Xi为第i个已有图像特征矩阵中的训练样本，m为训练样本数量，5 = .V_i 为所得标准差。
[0031] 所述步骤（2-2)中，协方差矩阵为 〕为计算所得协方差矩阵。
[0032] 所述步骤（2-3)中，计算协方差矩阵的特征值和特征向量bi;选择K个贡献率最 大的特征向量作为特征子空间的基，由这些基组成投影矩阵B，B= [h，b2, . . .，bK]T。
[0033] 所述步骤（2-4)中，利用投影矩阵B对于原始HOG特征矩阵P进行降维处理，得到 最终训练特征矩阵P=PXB。
[0034] 所述步骤（3)中，通过模式分类原理进行分类器设计。具体子步骤为：将已有各类 型图像进行特征提取，形成新的L个样本数据；从新的L个样本数据中选取P个样本数据 作为训练样本，利用支持向量机建立起障碍物分类模型。作为模式分类中的标准分类器之 一，支持向量机以结构简单同时分类效果明显而著称。然而常见支持向量机都是进行线性 分类。因通过H0G所获得的图像特征空间并非线性可分，因此需要通过某种事先定义的非 线性映射函数（称之为核函数）将输入变量映射到一个高维特征空间使其变成线性可分。 在本方案中支持向量机的核函数选择高斯核函数，通过输入新图像特征进行检测，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。
[0035] 本发明的有益效果为：
[0036] (1)建立了一个输电线路上的通用障碍物识别系统。由数据库（Database)、特征 提取器（FeatureExtraction)、数据降维器（dimensionreductionunit)、分类器建模 (ClassifierFormation)和目标识别验证（ClassifierVerification)等模块组成。
[0037] (1)在特征取阶段，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不同类型 的统计特征，利用H0G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 的去掉野外复杂光照环境干扰；
[0038] (2)在数据降维阶段，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；
[0039] (3)在分类器建模与目标识别验证阶段，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；实现了一种实时、高识别率、低计算资源消耗的输电线路线上障 碍物识别方案；
[0040] (4)和传统的图像在线识别方法相比，本发明具有训练时间短、计算量低、识别精 确度高、鲁棒性强的特点，更加适合复杂野外情况的在线识别。在巡检机器人的在线实验