[發(fā)明專利]基于深度殘差紋理網(wǎng)絡(luò)的地形識別方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 201910130247.8
• 申請日: 2019-02-21
• 公開（公告）號: CN109871806A
• 公開（公告）日: 2019-06-11
• 發(fā)明（設(shè)計）人: 馬昕;宋鵬;宋銳;榮學(xué)文;田國會;李貽斌
• 申請（專利權(quán)）人: 山東大學(xué)
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/52;G06K9/62;G06N3/04;G06N3/08;G06T7/41
• 代理公司: 濟南圣達知識產(chǎn)權(quán)代理有限公司 37221
• 代理人: 董雪

本發(fā)明公開了一種基于深度殘差紋理網(wǎng)絡(luò)的地形識別方法及系統(tǒng)，包括：提出了深度殘差紋理網(wǎng)絡(luò)，在殘差卷積網(wǎng)絡(luò)中搭建一個紋理細節(jié)層，并且形成端到端的學(xué)習(xí)網(wǎng)絡(luò)，使得DrtNet不僅可以提取地形圖像的空間幾何特征，還可以提取地形圖像的紋理細節(jié)特征，成功地將傳統(tǒng)描述子與卷積神經(jīng)網(wǎng)絡(luò)結(jié)合到一起，從而使得DrtNet具有更好的分類效果。實驗結(jié)果證明，DrtNet在創(chuàng)建的SDU_Terrain dataset上的識別率和性能超過傳統(tǒng)的方法和目前流行的CNNs，此外DrtNet在其他兩個材料/紋理數(shù)據(jù)集上也取得不錯的效果。

技術(shù)領(lǐng)域

本發(fā)明屬于地形識別技術(shù)領(lǐng)域，具體涉及一種基于深度殘差紋理網(wǎng)絡(luò)的地形識別方法及系統(tǒng)。

背景技術(shù)

本部分的陳述僅僅是提供了與本發(fā)明相關(guān)的背景技術(shù)信息，必然構(gòu)成在先技術(shù)。

地形識別是戶外機器人導(dǎo)航中應(yīng)用的計算機視覺研究的重要領(lǐng)域。在室外環(huán)境中，不同的地形對機器人的移動性有很大的影響，機器人需要對當前地形的摩擦力和土壤深陷度做出準確的判斷，從而調(diào)整機器人的姿態(tài)和速度滿足當前的地形要求。

在CNN模型出現(xiàn)之前，傳統(tǒng)的地形識別的解決方法是一般是通過提取地形圖像的顏色，紋理等基本的視覺特征來進行分類。在野外的環(huán)境，顏色這一特征受光線影響比較大，所以提出基于顏色的光照估計與補償?shù)确椒▉頊p少光照的影響。同時一些紋理特征越來越受到重視，比如局部二元特征LBP,局部三元特征LTP。但是顏色和紋理特征的魯棒性都不強，還是容易受環(huán)境因素的影響。隨著SURF這一具有不錯的魯棒性的特征被提出，對SURF特征被不斷的進行改進，在地形識別得到很好的應(yīng)用。但是，發(fā)明人發(fā)現(xiàn)，傳統(tǒng)方法跟現(xiàn)在的深度學(xué)習(xí)網(wǎng)絡(luò)相比存在一些不足，第一隨著數(shù)據(jù)集的越來越復(fù)雜，使得傳統(tǒng)方法的識別率不夠優(yōu)秀；第二傳統(tǒng)方法的泛化性比較差；第三傳統(tǒng)的方法是分步進行的，沒有形成端到端的網(wǎng)絡(luò)。

最近卷積神經(jīng)網(wǎng)絡(luò)(CNN)在物體識別方面取得了成功，并且CNN架構(gòu)平衡了相對空間信息(卷積層)的保存和空間信息(池化層)的聚合。然而地形識別不同于普通的物體識別，例如場景理解，人臉識別，以及空間順序?qū)τ诜诸愔陵P(guān)重要的應(yīng)用。因為除了空間信息的存在，紋理信息對于地形識別也是非常重要的。

2012年，Hinton和他的學(xué)生Alex Krizhevsky等人提出了深度卷積神經(jīng)網(wǎng)絡(luò)AlexNet，它取得了ILSVRC 2012視野競賽的冠軍，并且ImageNet競爭中的識別率遠遠高于傳統(tǒng)方法，從傳統(tǒng)的70％提高到80％以上。從那之后，各種CNNs模型被提出，比如VGG,GoogleNet,ResNet等等，使得CNNs被應(yīng)用到各個領(lǐng)域中。

在地形識別中，直接使用CNNs進行端到端的學(xué)習(xí)，效果不如普通的物體識別。主要是因為CNN提取的是圖像的空間幾何特征，而且CNN中卷積層后都會加一個池化層，目的是保留主要特征的基礎(chǔ)上對圖像進行降維處理，但是損失了圖像很多的細節(jié)信息。這種處理方法在普通的物體識別中取得顯著效果，但是在地形識別中這種處理方法并不是很恰當，因為在地形識別中不僅存在空間幾何特征，還存在不同于其他物體識別的紋理特征。所以CNN由于池化層的存在損失掉了大量的細節(jié)信息，不能很好的將地形圖像中紋理特征表達出來。而且紋理特征是比較勻稱的，比如碎石，草地，泥地，地形的特征遍布整個圖像，而不是只存在于圖像的某一部分。由此可以知道紋理細節(jié)特征在地形識別中現(xiàn)的尤為重要，但是在普通的CNN中并沒有很好的體現(xiàn)出來。

因此，近些年來，在地形識別方面雖然進行了很多研究，但目前仍然存在一些問題，主要表現(xiàn)在以下兩個方面:

(1)部分研究人員仍然在用傳統(tǒng)的方法不斷尋找各種描述子來提取地形識別中的紋理特征，但是卻忽略了地形識別中的空間幾何特征。

(2)如果直接將CNNs應(yīng)用到地形識別中，但CNN主要提取圖像的空間幾何特征，并不能很好把地形圖像的紋理特征表現(xiàn)出來。