[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

权利要求书

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。

2.如权利要求1所述的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：所述步骤(1-1)的具体方法为：将64×128大小的图片进行划分，把4×4大小的像素区域指定为一个单元，用G_x(x,y)，G_y(x,y)分别表示像素点(x,y)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，α(x,y)表示像素点(x,y)处的梯度方向，其中：

G_x(x,y)＝I(x+1,y)-I(x-1,y)

G_y(x,y)＝I(x,y+1)-I(x,y-1)

3.如权利要求1所述的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：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：

其中x_i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，为所得标准差。

4.如权利要求1所述的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：所述步骤(2-2)中，协方差矩阵为：C为计算所得协方差矩阵；

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＝[b₁,b₂,...,b_K]^T。

5.如权利要求1所述的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：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＝P×B。

6.如权利要求1所述的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：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。