融合图像信息和改进LSSVM的障碍物尺寸预测方法

融合图像信息和改进lssvm的障碍物尺寸预测方法
技术领域
1.本发明涉及移动作业机器人环境感知技术领域，特别涉及一种融合图像信息和改进lssvm的障碍物尺寸预测方法。


背景技术：

2.随着世界经济和科技的迅速发展，移动机器人被广泛应用于人类科学研究、生产和生活中，它能够代替人类前往复杂且危险的环境下自主完成作业，有着非常广阔的应用前景。随着移动机器人任务需求的不断增加，其工作环境也从简单的结构化环境转变为户外的非结构化环境。因此，这就给移动机器人进行环境感知和避障导航提出了更高的要求。
3.移动机器人是通过各种类型的传感器来感知环境，然后采用信息融合技术进行决策，并规划避障导航路径。环境感知作为移动机器人的眼睛，能够帮助移动机器人感知周围的世界，对移动机器人的发展具有非常重要的作用，同时也是移动机器人进行路径规划和避障导航的前提。
4.为了提高移动机器人环境感知的能力，很多学者开展了相关的研究。ellips masehian等人开发了价格低廉并具有传感能力的移动机器人，它能够可靠地构建多重连接的环境地图，并能获得凹坑和凸起障碍物。k.k.arun等人提出了基于模糊规则的环境感知自主移动机器人的巡回演出方法，通过适应环境条件，然后构建响应规则，改进了编程机器人的巡视和自我决策分析，该方法能达到即时适应环境的最佳解决方案。sheng liu等人提出了一种趋势感知运动规划(tamp)的动态避障的运动规划算法，该方法产生了一条远离动态障碍物的轨迹，同时避开了障碍物的移动趋势。edgar macias-garcia等人提出了一个由并行和处理阶段的连续卷积神经网络组成的全感知系统，用于根据所需目标生成无碰撞轨迹。该系统在实际环境中的每一步都进行了评估，并通过一些性能测试，证明是一个适合实时应用的强大而快速的系统。ngangbam herojit singh等人提出了一种新的方法，利用人工神经网络为移动机器人在包含移动和静态障碍物的动态环境中生成无碰撞、接近最优的路径和速度。结果表明该方法能有效达到移动机器人目标位置的近乎最优的路径。t.ran等人提出了一种低成本的仅基于视觉的感知方式来实现室内移动机器人的导航方法，通过在静态和动态未知环境中进行广泛的实验，证明了所提出的导航方法的能力和稳健性。k madhava krishna等人讨论了在基于传感器的实时导航算法中纳入认知和记忆能力的优势。该方法已经在凹形、迷宫状、非结构化和改变的环境中进行了测试，并确定了其有效性。li wang等人提出了一个基于迁移学习的三层感知框架，包括一个地点识别模型、一个旋转区域识别模型和一个"侧面"识别模型。在一个真实的室内环境中进行了一些实验，证明了所提出的感知框架的有效性和稳健性。xu cui等人提出了一种基于改进的orb-salm2的移动机器人三维语义地图构建方法，所构建的三维环境热场图具有较高的准确性和实时性。marco visca等人提出了一种在非结构化环境中用于移动机器人的conv1d能量感知路径规划器，它可以提供机器人穿越复杂不平坦地形时的驾驶能量消耗和能量恢复的估计，并取得很好的结果。
5.上述研究主要针对环境感知所提出的避障方法，并取得比较好的研究成果，但上述研究并没有充分的获取环境信息，如障碍物的实际尺寸信息。为了进一步提高移动机器人环境感知性能，同时也为移动机器人路径规划和避障导航提供数据基础，获取障碍物的实际尺寸参数成为了一个亟待解决的问题。


技术实现要素：

6.为了解决上述技术问题，本发明提供一种算法简单、操作方便的融合图像信息和改进lssvm的障碍物尺寸预测方法。
7.本发明解决上述技术问题的技术方案是：一种融合图像信息和改进lssvm的障碍物尺寸预测方法，包括以下步骤：
8.步骤一：搭建障碍物图像信息获取平台，采用机器视觉算法获取障碍物像素尺寸信息；
9.步骤二：运用遗传算法结合鲸鱼优化算法优化最小二乘支持向量机的正则化参数和核函数宽度；
10.步骤三：以障碍物像素尺寸和障碍物到摄像机的距离为输入参数，以障碍物实际尺寸为输出参数，构建基于遗传算法、鲸鱼优化算法和最小二乘支持向量机的障碍物尺寸预测模型；
11.步骤四：将障碍物像素尺寸输入到障碍物尺寸预测模型，得到障碍物实际尺寸。
12.上述融合图像信息和改进lssvm的障碍物尺寸预测方法，所述步骤一中，障碍物图像信息获取平台包括用于采集周围环境信息的摄像机、用于采集障碍物到摄像机距离的测距传感器、以及用于控制的计算机，摄像机、测距传感器分别连接计算机。
13.上述融合图像信息和改进lssvm的障碍物尺寸预测方法，所述步骤一中，采用机器视觉算法获取障碍物像素尺寸信息的具体过程为：
14.(1-1)图像预处理：通过摄像机获取障碍物的原图，采用仿射变换对原图像进行平移和旋转角度修正，纠正相机拍摄过程存在的角度偏差；将图像中障碍物区域创建roi，将感兴趣的部分裁剪出来进行处理，对roi区域进行中值滤波操作，运用梯度下降法，增强边界轮廓，得到三通道彩色图像；
15.(1-2)图像分割：将所得的三通道彩色图像转换为三个单通道灰度图像，并将三个单通道图像从rgb空间转化成hsv空间，获得对比明显的灰度图像，将saturation-image空间的图像按像素灰度的幅度进行分割，然后进行二值化处理，将目标从图像中分割出来；
16.(1-3)图像形态学处理：运用形态学中的开运算和闭运算操作，处理分割出的目标图像中出现的杂点、空洞以及空隙，优化目标区域；
17.(1-4)边缘检测：采用sobel算子利用在边缘点处达到极值这一现象对目标区域进行边缘检测，最终拟合障碍物轮廓；
18.(1-5)获得障碍物的像素尺寸。
19.上述融合图像信息和改进lssvm的障碍物尺寸预测方法，所述步骤二具体过程为：
20.(2-1)确定最小二乘支持向量机lssvm模型的输入输出参数：以障碍物的最大像素宽度w、最大像素高度h以及障碍物到摄像机的距离l作为lssvm模型的输入参数，以障碍物最大实际宽度w和障碍物最大实际高度h为lssvm模型的输出参数；
21.(2-2)数据归一化处理：对输入和输出数据进行归一化处理，使每个指标的数据范围在[-1,1]之间；
[0022]
(2-3)设置参数并初始化；设置的参数包括遗传算法ga的交叉概率pc和变异概率pm，鲸鱼优化算法woa的变量数dim、最大迭代次数maxiter、鲸鱼种群数量n、变量上限u
max
和变量下限u
min
，最小二乘支持向量机中设置算法类型为回归预测类型，核函数为径向基函数；
[0023]
鲸鱼算法中座头鲸的位置q用如下公式表示：
[0024][0025]
其中q
n,dim
表示q中第n行第dim列的值；根据步骤(2-3)设置的参数，根据下式计算鲸鱼的第1个随机种群位置q1，并将迭代次数t设置为1；
[0026]
q1(i,j)＝rand(i,j)
×
[u
max
(i)-u
min
(i)] u
min(i)[0027]
q1(i,j)表示q1中第i行与第j列的值，u
max
(i)和u
min
(i)为第i个座头鲸的上限和下限，rand(i,j)为[0,1]区间内的随机数；
[0028]
(2-4)计算适应度值：将lssvm模型预测值的均方误差rms作为适应度值，获取当前鲸鱼种群个体的最优适应度值及其位置；
[0029]
(2-5)包围猎物：在鲸鱼优化算法中，座头鲸识别猎物的位置并将其包围，设定最佳位置是目标猎物，种群中的其余个体向最佳位置更新他们自身的位置；
[0030]
(2-6)气泡攻击：座头鲸在捕食过程中，以螺旋运动方式靠近猎物，同时逐渐收缩包围圈；
[0031]
(2-7)搜索猎物：经过包围捕食和气泡攻击两个阶段之后，座头鲸对包围圈内的猎物进行随机搜索；
[0032]
(2-8)交叉和变异操作：鲸鱼个体在搜索猎物阶段容易陷入局部最优，因此引入遗传算法中的交叉因子和变异因子，使得鲸鱼优化算法获得全局最优解；
[0033]
(2-9)判断是否满足循环迭代的结束条件：当不满足循环迭代条件，即t《maxiter时，返回步骤(2-4)；当满足循环迭代条件时，即t≥maxiter时，结束循环并返回鲸鱼种群个体的最优适应度值leader_score及其位置leader_pos，从而得到最小二乘支持向量机lssvm最优的正则化参数和核函数宽度。
[0034]
上述融合图像信息和改进lssvm的障碍物尺寸预测方法，所述步骤(2-4)中，将鲸鱼的位置q(i,1)和q(i,2)替代lssvm模型的正则化参数γ和核函数宽度参数σ2，通过下式将lssvm模型预测值的均方误差mse作为适应度值，获取当前鲸鱼种群个体的最优适应度值leader_score及其位置leader_pos；
[0035][0036]
式中，y
pred
和y
true
表示预测值和实验值，n为数据样本点；另外，优化问题表述为下式所示：
[0037]
minf(γ,σ2)＝min(mse)。
[0038]
上述融合图像信息和改进lssvm的障碍物尺寸预测方法，所述步骤(2-5)中，包围猎物阶段采用的数学模型为：
[0039][0040][0041]
其中，表示座头鲸与目标位置的距离，t为当前迭代次数，和为系数向量，为当前最优解的位置向量，为当前座头鲸的位置向量，表示下一次迭代后的位置向量，并且如果有更好的可行解，应立即更新为区间[0,2]内的随机向量，用于调节最优个体距离当前个体的远近程度，当时，影响程度变强，当时，影响程度降低；
[0042]
和的数学模型为：
[0043][0044][0045]
其中，和为区间[0,1]内的随机变量，为线性函数，t为当前迭代次数，maxiter为最大迭代次数，随着t的增加，将从2线性减小至0，如下式所示：
[0046]
。
[0047]
上述融合图像信息和改进lssvm的障碍物尺寸预测方法，所述步骤(2-6)中，假设发生收缩包围机制和螺旋模型行为的概率都在50％，那么同时发生两种行为的数学模型为：
[0048][0049]
其中，ψ为常数，l是[-1,1]之间的随机数，p为[0,1]之间的随机数。
[0050]
上述融合图像信息和改进lssvm的障碍物尺寸预测方法，所述步骤(2-7)中，搜索猎物的数学模型为：
[0051][0052][0053]
其中为从个体中随机选定的位置向量；寻找猎物阶段，当时，当前鲸鱼个体执行全局最优解搜索；当时，当前鲸鱼个体向参考鲸鱼处搜寻，进行局部最优解搜索。
[0054]
上述融合图像信息和改进lssvm的障碍物尺寸预测方法，所述步骤(2-8)中，交叉和变异操作如下式所示：
[0055]
[0056]
其中，中间量和分别为交叉和变异运算符。
[0057]
上述融合图像信息和改进lssvm的障碍物尺寸预测方法，所述步骤三具体过程为：
[0058]
(3-1)输入测试数据并进行归一化处理；
[0059]
(3-2)将鲸鱼个体的最优位置，即最优的正则化参数和核函数宽度设置到lssvm模型中，初始化并训练lssvm模型；
[0060]
(3-3)采用训练后的lssvm模型进行预测，获得输出数据，对输出数据进行反归一化，得到实际数据，最后进行误差分析。
[0061]
本发明的有益效果在于：
[0062]
1、本发明融合图像信息与ga-woa-lssvm模型的障碍物尺寸预测方法，采用ga-woa优化lssvm模型的正则化参数和核函数宽度，解决了鲸鱼优化算法(woa)容易陷入局部最优解的问题，能获得全局最优的正则化参数和核函数宽度。
[0063]
2、本发明能够量化地感知环境，简化测量过程，降低测量成本，并提高了移动机器人应用的广度和深度；通过模型对比分析，ga-woa-lssvm模型模型具有理想的预测精度，能够满足工程实际需求，为移动机器人的普及和工程化应用提供了新的解决方案。
附图说明
[0064]
图1为本发明的系统结构图。
[0065]
图2为本发明的的障碍物图像信息获取结果图。
[0066]
图3为本发明基于ga-woa-lssvm模型构建的流程图。
[0067]
图4为本发明基于ga-woa-lssvm模型的障碍物尺寸预测结果图。
具体实施方式
[0068]
下面结合附图和实施例对本发明作进一步的说明。
[0069]
如图1所示，一种融合图像信息和改进lssvm的障碍物尺寸预测方法，包括以下步骤：
[0070]
步骤一：搭建障碍物图像信息获取平台，采用机器视觉算法获取障碍物像素尺寸信息。
[0071]
如图1中(a)所示，障碍物图像信息获取平台包括用于采集周围环境信息的摄像机、用于采集障碍物到摄像机距离的测距传感器、以及用于控制的计算机，摄像机、测距传感器分别连接计算机。
[0072]
采用机器视觉算法获取障碍物像素尺寸信息的具体过程为：
[0073]
(1-1)图像预处理：通过摄像机获取障碍物的原图，如图2中(a)所示；采用仿射变换对原图像进行平移和旋转角度修正，纠正相机拍摄过程存在的角度偏差；将图像中障碍物区域创建roi，将感兴趣的部分裁剪出来进行处理，减少计算量，提高效率。对roi区域进行中值滤波操作，解决光照不均的问题运用梯度下降法，解决由扩散引起的图像模糊问题，增强边界轮廓，得到三通道彩色图像，如图2中(b)所示。
[0074]
(1-2)图像分割：将所得的三通道彩色图像转换为三个单通道灰度图像，并将三个单通道图像从rgb空间转化成hsv空间，获得对比明显的灰度图像，将saturation-image空
间的图像按像素灰度的幅度进行分割，然后进行二值化处理，将目标从图像中分割出来，结果如图2中(c)所示。
[0075]
(1-3)图像形态学处理：运用形态学中的开运算和闭运算操作，处理分割出的目标图像中出现的杂点、空洞以及空隙，优化目标区域，结果如图2中(d)所示。
[0076]
(1-4)边缘检测：采用sobel算子利用在边缘点处达到极值这一现象对目标区域进行边缘检测，结果如图2中(e)所示，最终拟合障碍物轮廓，如图2中(f)所示。
[0077]
(1-5)获得障碍物的像素尺寸。
[0078]
步骤二：运用遗传算法结合鲸鱼优化算法优化最小二乘支持向量机的正则化参数和核函数宽度。
[0079]
正则化参数γ与核函数宽度参数σ2的选取决定着lssvm模型的预测精度。正则化参数γ对超出误差样本的惩罚误差进行控制，γ越小，对误差包容性越大，学习复杂度越低，反之对误差包容性越小，学习复杂度越高。核函数宽度参数σ2是与样本空间范围密切相关，σ2过小容易产生欠拟合现象，反之将产生过拟合，降低模型的性能。因此，lssvm的解取决于正则化参数γ与核函数宽度参数σ2，γ和σ2的选取直接影响其学习和泛化能力。本文将采用遗传算法结合鲸鱼优化算法对γ和σ2进行优化。
[0080]
具体过程为：
[0081]
(2-1)确定最小二乘支持向量机lssvm模型的输入输出参数：以障碍物的最大像素宽度w、最大像素高度h以及障碍物到摄像机的距离l作为lssvm模型的输入参数，以障碍物最大实际宽度w和障碍物最大实际高度h为lssvm模型的输出参数。
[0082]
(2-2)数据归一化处理：对输入和输出数据进行归一化处理，使每个指标的数据范围在[-1,1]之间。
[0083]
(2-3)设置参数；设置的参数包括遗传算法(ga)的交叉概率pc为0.7和变异概率pm为0.3；鲸鱼优化算法(woa)的变量数dim为4、最大迭代次数maxiter为30、鲸鱼种群数量n为20、变量上限u
max
为[103,103,102,102]和变量下限u
min
为[10-2
,10-2
,10-2
,10-2
]；最小二乘支持向量机中主要设置算法类型为回归预测类型，核函数为径向基函数；
[0084]
鲸鱼算法中座头鲸的位置q用如下公式表示：
[0085][0086]
其中q
n,dim
表示q中第n行第dim列的值；根据步骤(2-3)设置的参数，根据下式计算鲸鱼的第1个随机种群位置q1，并将迭代次数t设置为1；
[0087]
q1(i,j)＝rand(i,j)
×
[u
max
(i)-u
min
(i)] u
min(i)[0088]
q1(i,j)表示q1中第i行与第j列的值，u
max
(i)和u
min
(i)为第i个座头鲸的上限和下限，rand(i,j)为[0,1]区间内的随机数。
[0089]
(2-4)计算适应度值：将lssvm模型预测值的均方误差rms作为适应度值，获取当前鲸鱼种群个体的最优适应度值及其位置。
[0090]
将鲸鱼的位置q(i,1)和q(i,2)替代lssvm模型的正则化参数γ和核函数宽度参数σ2，通过下式将lssvm模型预测值的均方误差mse作为适应度值，获取当前鲸鱼种群个体的
最优适应度值leader_score及其位置leader_pos；
[0091][0092]
式中，y
pred
和y
true
表示预测值和实验值，n为数据样本点；另外，优化问题表述为下式所示：
[0093]
minf(γ,σ2)＝min(mse)。
[0094]
(2-5)包围猎物：在鲸鱼优化算法中，座头鲸识别猎物的位置并将其包围，设定最佳位置是目标猎物，种群中的其余个体向最佳位置更新他们自身的位置。
[0095]
包围猎物阶段采用的数学模型为：
[0096][0097][0098]
其中，表示座头鲸与目标位置的距离，t为当前迭代次数，和为系数向量，为当前最优解的位置向量，为当前座头鲸的位置向量，表示下一次迭代后的位置向量，并且如果有更好的可行解，应立即更新为区间[0,2]内的随机向量，用于调节最优个体距离当前个体的远近程度，当时，影响程度变强，当时，影响程度降低；
[0099]
和的数学模型为：
[0100][0101][0102]
其中，和为区间[0,1]内的随机变量，为线性函数，t为当前迭代次数，maxiter为最大迭代次数，随着t的增加，将从2线性减小至0，如下式所示：
[0103]
。
[0104]
(2-6)气泡攻击：座头鲸在捕食过程中，以螺旋运动方式靠近猎物，同时逐渐收缩包围圈。
[0105]
假设发生收缩包围机制和螺旋模型行为的概率都在50％，那么同时发生两种行为的数学模型为：
[0106][0107]
其中，ψ为常数，l是[-1,1]之间的随机数，p为[0,1]之间的随机数。
[0108]
(2-7)搜索猎物：经过包围捕食和气泡攻击两个阶段之后，座头鲸对包围圈内的猎物进行随机搜索。
[0109]
搜索猎物的数学模型为：
[0110]
[0111][0112]
其中为从个体中随机选定的位置向量；寻找猎物阶段，当时，当前鲸鱼个体执行全局最优解搜索；当时，当前鲸鱼个体向参考鲸鱼处搜寻，进行局部最优解搜索。
[0113]
(2-8)交叉和变异操作：鲸鱼个体在搜索猎物阶段容易陷入局部最优，因此引入遗传算法中的交叉因子和变异因子，使得鲸鱼优化算法获得全局最优解。
[0114]
交叉和变异操作如下式所示：
[0115][0116]
其中，中间量和分别为交叉和变异运算符。
[0117]
(2-9)判断是否满足循环迭代的结束条件：当不满足循环迭代条件，即t《maxiter时，返回步骤(2-4)；当满足循环迭代条件时，即t≥maxiter时，结束循环并返回鲸鱼种群个体的最优适应度值leader_score及其位置leader_pos，从而得到最小二乘支持向量机lssvm最优的正则化参数和核函数宽度。
[0118]
步骤三：以障碍物像素尺寸和障碍物到摄像机的距离为输入参数，以障碍物实际尺寸为输出参数，构建基于遗传算法、鲸鱼优化算法和最小二乘支持向量机的障碍物尺寸预测模型。
[0119]
具体过程为：
[0120]
(3-1)输入测试数据并进行归一化处理；
[0121]
(3-2)将鲸鱼个体的最优位置，即最优的正则化参数和核函数宽度设置到lssvm模型中，初始化并训练lssvm模型；
[0122]
(3-3)采用训练后的lssvm模型进行预测，获得输出数据，对输出数据进行反归一化，得到实际数据，最后进行误差分析。
[0123]
表1给出了一个融合图像信息和改进lssvm的障碍物尺寸预测方法的算例，通过比较ga-woa-lssvm、woa-lssvm、pso-lssvm、lssvm以及bp五种模型的性能。由表1数据显示，ga-woa-lssvm模型性能最优，它的皮尔逊相关系数(r2)为0.995、均方根误(rmse)位0.496、平均绝对百分比误差(mape)为2.7％；其次是woa-lssvm模型，它的r2为0.983、rmse为0.959、mape为5.9％；最低的是bp模型，它的r2为0.889、rmse为2.422、mape为15％。ga-woa-lssvm模型的预测值与实验值的相关性达到了99.5％，预测值与实验值的偏差仅为0.496cm，平均绝对百分比误差仅为2.7％。这些数据表明ga-woa-lssvm模型的性能指标明显优于其他四种。表明ga-woa-lssvm模型具有理想的预测精度。能够满足工程实际需求，为移动机器人的普及和工程化应用提供了新的解决方案。
[0124]
表1
[0125][0126]
根据上述说明书的揭示和描述，本发明所属领域的技术人员还可以对上述实施方式进行变更和修改。因此，本发明并不局限于上面揭示和描述的具体实施方式，对发明的一些修改和变更也应当落入本发明的权利要求的保护范围内。此外，尽管本说明书中使用了一些特定的术语，但这些术语只是为了方便说明，并不对发明构成任何限制。