(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210498292.0 (22)申请日 2022.05.09 (71)申请人 北京航空航天大 学 地址 100089 北京市海淀区学院路37号 (72)发明人 翁惠焱　杨春葳　谭广　王梓宇　 刘晓文　 (74)专利代理 机构 北京超凡宏宇专利代理事务 所(特殊普通 合伙) 11463 专利代理师 张萍 (51)Int.Cl. G06V 20/10(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/774(2022.01)G06V 10/80(2022.01) G06V 10/82(2022.01) (54)发明名称 一种基于多特征融合的地形识别方法 (57)摘要 本申请提供了一种基于多特征融合的地形 识别方法， 涉及机器人技术领域， 包括： 获取当前 时刻的地形图像； 计算当前时刻的地形图像的特 征向量； 所述特征向量至少包括： 特征点数量、 图 像平均颜色、 高程空间梯度方差、 高程极差和高 程时间梯度方差； 计算四个地形类别的标准中心 特征向量； 计算当前时刻的地形图像的特征向量 与每个地形类别的标准中心特征向量的距离； 将 四个距离的最小值对应的地形类别作为当前时 刻的地形图像的地形类别； 所述地形类别为草 地、 柏油路、 乱石路和斜坡。 本申请提高了野外地 形的识别准确率与可靠性。 权利要求书3页 说明书9页 附图2页 CN 114758246 A 2022.07.15 CN 114758246 A 1.一种基于多特 征融合的地形识别方法， 其特 征在于， 包括： 获取当前时刻的地形图像； 计算当前时刻的地形图像的特征向量； 所述特征向量至少包括： 特征点数量、 图像平均 颜色、 高程空间梯度方差、 高程极差和高程时间梯度方差； 计算四个地形类别的标准中心特征向量； 计算当前时刻的地形图像的特征向量与每个 地形类别的标准中心特征向量的距离； 将四个距离的最小值对应的地形类别作为当前时刻 的地形图像的地形类别； 所述 地形类别为 草地、 柏油路、 乱石路和斜坡。 2.根据权利要求1所述的基于多特征融合的地形识别方法， 其特征在于， 所述特征点数 量的计算 步骤包括： 对于当前时刻的地形图像的各像素， 通过Bresen ‑ham圆筛选得到多个特 征点； 对于每个特征点， 如果在所述特征点的5 ×5像素区域内存在多个其它特征点， 则保留 权值最大的角点， 删除其 余的特征点， 由此 得到最终的多个特 征点； 获取最终的多个特 征点的数量， 作为当前时刻的地形图像的特 征点数量。 3.根据权利要求2所述的基于多特征融合的地形识别方法， 其特征在于， 对于当前时刻 的地形图像的各像素， 通过Bresen ‑ham圆筛选得到多个特 征点； 包括： 获取当前时刻的地形图像的行 数M1和列数M2； 将当前时刻的地形图像的第4行至第M1‑3行， 第4列至第M2‑3列作为特征点检测区域； 将特征点检测区域的任一点作为中心点C， 选取以中心点C为圆心半径为3个像素的 Bresen‑ham圆， Bresen‑ham圆经过 16个像素， 将中心点C正上方的像素编号为1， 按照逆时针 的顺序依次对其它15个 像素编号， 编号 为2到16； 获取编号为1,5,9和13的四个像素点的灰度值， 分别计算这四个像素点的灰度值和中 心点C的灰度值的差的绝对值， 当至少有三个差的绝对值大于第一阈值， 则判断中心点C为 特征点， 否则， 判断下式是否成立： ∑|Gp→c‑Gc|>S 式中， Gc为中心点C的灰度值， Gp→c表示Bresen ‑ham圆上的任一像素的灰度值， S为第二 阈值； 若成立， 则判断中心点C为特 征点。 4.根据权利要求1所述的基于多特征融合的地形识别方法， 其特征在于， 所述图像平均 颜色的计算 步骤包括： 获取当前时刻的地形图像的RGB像素值， 分别计算 三个颜色 分量的平均值： 权　利　要　求　书 1/3 页 2 CN 114758246 A 2其中， Rij、 Gij、 Bij分别是第i行j列的像素点的红、 绿、 蓝颜色通道值； M1为当前时刻的地 形图像的行 数， M2为当前时刻的地形图像的列数； 由此得到当前时刻的地形图像的平均色彩向量Co lor： 5.根据权利要求1所述的基于多特征融合的地形识别方法， 其特征在于， 所述方法还包 括： 将当前时刻的地形图像按照3 ×3的像素栅格进行划分， 得到N个 像素栅格。 6.根据权利要求5所述的基于多特征融合的地形识别方法， 其特征在于， 所述高程空间 梯度方差的计算 步骤包括： 计算第n个 像素栅格的地形空间梯度gn： 其中， hn,l为第n个像素栅格 的第l个点的高程； l＝0,1,2 …8； L是沿机器人前进方向的 单位长度； 1≤n≤N； 计算当前时刻的地形图像的高程空间梯度方差σ1： 7.根据权利要求5所述的基于多特征融合的地形识别方法， 其特征在于， 所述高程极差 的计算步骤包括： 计算第n个 像素栅格的高程极差mn： l1＝0,1,2…8， l2＝0,1,2…8， l1≠l2； 计算当前时刻的地形图像的高程极差m： m＝max(m1,…mN)。 8.根据权利要求5所述的基于多特征融合的地形识别方法， 其特征在于， 所述高程 时间 梯度方差的计算 步骤包括： 计算第n个 像素栅格的高程时间梯度fn： 其中， Δh为当前时刻的第n个像素栅格的9个点的高程的平均值， 与上一时刻的第n个 像素栅格的9个点的高程的平均值的差； Δt为当前时刻与上一时刻的差； 计算当前时刻的地形图像的高程时间梯度方差σ2： 9.根据权利要求1所述的基于多特征融合的地形识别方法， 其特征在于， 计算 四个地形 类别的标准中心特 征向量； 包括： 针对四个地形类别， 分别采集预设数量的样本图像；权　利　要　求　书 2/3 页 3 CN 114758246 A 3