移動機器人地形分類的視覺方法研究.pdf

1、目前，移動機器人在星際探索、野外搜尋、軍事行動和災(zāi)害救援等方面均具有重要應(yīng)用。與室內(nèi)結(jié)構(gòu)化環(huán)境不同，野外場景中，地形-地面的多樣性、復(fù)雜性會對機器人的移動性能產(chǎn)生較大影響。機器人對其所處地形環(huán)境的準(zhǔn)確分類是決定其能否實現(xiàn)自主移動的關(guān)鍵性因素。而視覺是最接近人類的環(huán)境感知方式，能夠提供較為豐富的地形信息，利用視覺方法解決地形分類問題具有重要的理論意義與實用價值。
　　本論文綜合運用詞袋模型、多層編碼向量、深度濾波器等方法，著眼于設(shè)計

2、強鑒別力的視覺地形特征，取得了如下創(chuàng)新性成果：
　?。?）完成了模型優(yōu)化，并在現(xiàn)有框架下設(shè)計了混合表達（Hybrid Representation，HR）。詞袋模型（Bag of VisualWords，BOVW）縮小底層視覺特征與高層語義之間的語義鴻溝，生成中層語義表達以提高分類效果，逐步成為了地形分類的常用方法和標(biāo)準(zhǔn)范式。我們優(yōu)化現(xiàn)有 BOVW模型，構(gòu)建了視覺地形分類的最優(yōu)流程，從而快速、高效地完成視覺地形分類任務(wù)。本文首先全

3、面研究和分析了視覺地形分類中的詞袋模型方法，系統(tǒng)地總結(jié)了現(xiàn)有工作。然后建立了地形數(shù)據(jù)集Terrain8，評估了詞袋模型與特征融合的各種方法。最后根據(jù)實驗結(jié)果，利用特征前處理手段、優(yōu)化詞袋模型、特征融合技術(shù)構(gòu)建了視覺地形分類的最優(yōu)流程，生成最終的混合表達HR。在Terrain8數(shù)據(jù)集中完成測試：HR在SIFT和DSIFT條件下分別取得了88.7％和87.7%的分類準(zhǔn)確率。同時HR對噪聲和光照變化也保持了較強的魯棒性。
　?。?）運用

4、深度學(xué)習(xí)網(wǎng)絡(luò)的構(gòu)型特點，設(shè)計了一種視覺地形分類的新方法—多層編碼向量（Hierarchical Coding Vector，HCV）。HCV方法堆疊多層基礎(chǔ)BOVW編碼層和1層Fisher編碼層，構(gòu)建多層網(wǎng)絡(luò)結(jié)構(gòu)，將一層的編碼結(jié)果輸入到下一層進行再編碼，通過逐層抽象，以獲取更豐富的語義信息。BOVW層描述地形圖像中的局部圖塊，F(xiàn)isher層生成最終的全局表達。HCV通過多個編碼層提純圖像語義信息，生成用于描述地形的高層特征，提高了特征的

5、視覺鑒別力。為了更好的對比分類性能，我們使用國際通用數(shù)據(jù)集21-Class Land Use（LU）和RSSCN7進行評估，實驗結(jié)果顯示了HCV方法的有效性。FV是一種經(jīng)典的編碼方法，聯(lián)合FV與HCV，我們在LU和RSSCN7數(shù)據(jù)集上獲得了91.8%和86.4%的分類準(zhǔn)確率，優(yōu)于目前文獻中的最優(yōu)結(jié)果。隨后在Terrain8數(shù)據(jù)集上也進行測試，方法（HCV+FV）的分類準(zhǔn)確率達到了88.0%，與HR的性能相當(dāng)，具有優(yōu)秀的視覺地形分類能力。

6、
　　（3）結(jié)合多列可疊加的稀疏降噪自動編碼器（Stacked Denoising Sparse Autoencoder，SDSAE）和FV池化層，我們提出了一種新型的混合結(jié)構(gòu)—深度濾波器（Deep Filter Banks，DFB）。方法使用多層網(wǎng)絡(luò)結(jié)構(gòu)，從地形圖像中自主學(xué)習(xí)到具有鑒別力的視覺特征。SDSAE用于描述圖像中的局部圖塊，F(xiàn)V池化層生成魯棒的全局表達。模型參數(shù)是影響分類性能的關(guān)鍵因素，且隨著模型擴展，參數(shù)尋優(yōu)空間會呈

7、指數(shù)增長，較為復(fù)雜的參數(shù)整定過程制約分類性能的進一步提升。不同于依靠手工特征的方法，深度濾波器DFB使用機器學(xué)習(xí)方法完成模型參數(shù)的自優(yōu)化，無需手工整定，模型構(gòu)建過程變得簡單高效。同時DFB能發(fā)現(xiàn)圖像中更深層的模式結(jié)構(gòu)，具有更出色的視覺地形分類性能。通過實驗發(fā)現(xiàn)，DFB分別取得了92.7%（LU）、90.4%（RSSCN7）和89.8%（Terrain8）的分類準(zhǔn)確率，顯示出較為理想的視覺鑒別力，進一步提升了視覺方法的地形分類能力。

8、>　?。?）結(jié)合DFB算法生成的視覺特征，設(shè)計了地形視頻的處理框架，在多種移動機器人平臺中進行了應(yīng)用實驗?；谝陨系难芯砍晒覀儗λ惴▽嵱没M行了初步探索。首先設(shè)計了地形視頻的處理框架，將提出的視覺特征應(yīng)用于多個移動機器人平臺中。視覺地形分類算法運行時，機器人無需停止運動，算法不會干擾機器人的正常任務(wù)進展。隨后在多種平臺上進行實地實驗，實驗地形包括四種：瓷磚、雪地、瀝青和草地。DFB算法在三種移動機器人平臺上均取得了較好的視覺分類準(zhǔn)確

9、率（四足變胞移動機器人：97.12%、仿生弧腿式移動機器人：99.38%和HUSKY無人地面車：95.92%）。同時，DFB算法還在高速狀態(tài)、夜光環(huán)境中保持了視覺鑒別力，分類準(zhǔn)確率分別為94.19%和93.81%。實驗結(jié)果表明：DFB具有優(yōu)秀且穩(wěn)定的視覺地形分類性能，魯棒性強，具有較好的實用潛力。
　　綜上所述，本研究開展了移動機器人地形分類的視覺方法研究，在現(xiàn)有框架下完成了模型優(yōu)化，設(shè)計了二種視覺地形分類的新方法，并基于多種移動

10、機器人平臺開展了實地的應(yīng)用實驗。首先建立了地形數(shù)據(jù)集Terrain8，對BOVW模型和特征融合中的不同方法開展了評估實驗，并基于實驗數(shù)據(jù)建立了最優(yōu)流程。隨后借鑒深度學(xué)習(xí)網(wǎng)絡(luò)，設(shè)計了多層編碼向量HCV，方法能生成用于描述地形的高層特征，具有優(yōu)秀的視覺鑒別力。之后針對HCV模型較為復(fù)雜的參數(shù)整定過程，結(jié)合SDASE和FV方法，設(shè)計了深度濾波器DFB，模型可完成參數(shù)自整定，構(gòu)建變得更加簡單高效，特征的視覺鑒別力獲得進一步提升。最后在三種移動機