用于机器人定位导航的树木检测算法研究

摘要

移动机器人的定位导航（SLAM），是机器人实现自主作业及其他特定功能的前提，因而具有重要意义且富有挑战性。SLAM的目的是通过传感器等环境感知系统及相关的数据处理方法建立环境地图，而路标的选择与检测是其中至关重要的工作。当机器人处于户外、甚至丛林环境中，树木往往成为路标。本文针对应用于存在树木的非结构化环境中的移动机器人，研究了用于机器人定位导航的树木检测算法，以期为基于视觉的SLAM路标识别奠定一定的基础。本文的主要研究工作如下:
　　 1)环境分类方法:针对自下而上和自上而下两种视觉环境分类方法的优势和不足，提出一种新的环境分类算法。该算法主要通过可操纵金字塔滤波获得特征向量，然后通过此特征向量来训练几何分类器，用训练好的分类器对环境进行分类，为更好地选择路标及识别奠定了基础。
　　 2)基于外观的的树木检测算法:首先提出一种颜色纹理融合的检测算法，该算法通过将颜色特征和纹理特征进行融合生成新的特征向量，利用该特征向量对分类器进行训练，并用训练好的分类器对待检测的图像进行分类，从而进一步实现树木的识别;其次尝试用亮度代替颜色来提高运行速度，将亮度特征和纹理特征融合进行目标检测;最后运用区域合并的原理对树木进行检测。对以上算法进行实验，验证了算法的性能。
　　 3)基于结构的树木检测算法:在充分研究和分析了基于外观的树木检测的结果后，提出一种基于结构的树木检测算法，该算法通过检测树木的轮廓线，并采用一系列的轮廓线筛选工作，去除非树木轮廓线，最终实现对树木的检测和跟踪。通过Matlab对算法进行实验分析，验证算法的性能。与基于外观的检测算法得出的结果相比较，体现该算法的优越性。

目录

声明

摘要

1 绪论

1．1 课题的研究背景意义

1．2 课题的研究现状

1．2．1 需要解决的问题

1．2．2 课题的研究趋势

1．3 本文的主要工作

1．4 论文组织结构

2 计算机视觉

2．1 图像分割

2．1．1 区域分割

2．1．2 区域表示

2．1．3 轮廓分割

2．2 颜色和明暗分析

2．2．1 颜色直方图

2．2．2 颜色集

2．2．3 颜色矩

2．3 纹理特征分析

2．4 形状特征分析

2．5 分类

2．5．1 特征与分类

2．5．2 样本特征归一化

2．5．3 分类器

2．6 误报和漏报

2．7 本章小结

3 环境的分类

3．1 传感器的选择

3．2 环境分类简述

3．3 环境分类方法的改进

3．3．1 可操纵金字塔滤波

3．3．2 几何分类器的设计

3．4 本章总结

4 基于外观的树木检测算法

4．1 颜色纹理融合的检测算法

4．1．1 算法的基本原理

4．1．2 算法的具体实现

4．1．3 分类器训练

4．1．4 象素／块分类

4．1．5 后期处理

4．1．6 算法实验结果

4．2 亮度纹理融合的检测算法

4．3 统计学区域合并算法

4．4 实验结果分析

4．5 本章小结

5 基于结构的树木检测算法

5．1 树木轮廓线检测

5．2 线跟踪

5．3 轮廓线的初步筛选

5．4 基于连续性和对称性的筛选

5．5 基于地平线的筛选

5．6 分类

5．7 结果和讨论

5．8 本章小结

6 总结与展望

6．1 工作总结

6．2 工作展望

致谢

参考文献