[发明专利]天体表面障碍物识别方法和装置

说明书

本发明涉及深空探测技术领域，提供一种天体表面障碍物识别方法和装置，包括：对深空探测巡视器获得的原始图像集进行障碍物标注，得到标注样本集；将标注样本集中的每张图像均进行特征融合，得到融合后的标注样本集；构建卷积神经网络，将融合后的标注样本集输入卷积神经网络，得到损失函数最小的训练模型；将深空探测巡视器获得的待识别图像进行特征融合，并将融合后的待识别图像输入到训练模型中，得到障碍物的分割识别结果。本发明克服了地外天体巡视器训练数据量不足的问题，实现了通过单幅图像就能够探测地外天体的障碍物，准确度高。

技术领域

本发明涉及深空探测技术领域，尤其涉及一种天体表面障碍物识别方法和装置。

背景技术

地外天体表面的巡视器探测是未来深空探测的重要组成部分。由于地外天体与地球往往距离遥远，通讯延迟大，无法只依靠地面的遥控完成探测任务，需要巡视器自身具备相当大的自主探测能力。对于巡视器而言，在地外天体表面未知环境中运动，具有很大的不确定性，需要对其周围环境进行自主感知并识别出对其运动具有危险性的障碍物(如岩石、深坑等)，从而制定安全的行使路线，顺利完成表面探测任务。

目前，人类已成功发射着陆的巡视器有月球车和火星车，它们主要利用立体视觉传感器探测识别障碍物。2004年1月3日和25日分别着陆的勇气号与机遇号火星车，主要工作模式采用遥操作和半自主的控制方式，利用立体视觉来绘制三维地图，用于探测障碍物以及导航；2012年8月成功着陆火星表面的好奇心号火星车，也是采用立体视觉作为障碍物规避、路径规划、导航定位的主要技术；2013年12月我国的嫦娥三号搭载的“玉兔号”巡视器，采用遥操作工作模式，也是利用立体视觉技术实现月面未知环境的三维重建，实现了基于立体视觉的局部自主避障方法。

然而，一方面，由于巡视器的基线长度有限，传统的三维重建精度低，对障碍物的探测精度不高，当前立体相机提供的有效障碍检测范围一般只在十米之内，因此中长距离情况下三维重建精度问题可能导致避障和路径规划失败；另一方面，为了得到稠密的三维重建图，需要对所有图像像素点进行匹配，立体匹配计算量大，同时在匹配搜索时需要较大的视差搜索范围，进一步增加了计算量。

发明内容

基于此，本发明实施例提供一种天体表面障碍物识别方法和装置，以解决现有技术中地外天体巡视器障碍物识别方法精度低且计算量大的问题。

本发明实施例的第一方面，提供一种天体表面障碍物识别方法，包括：

对深空探测巡视器获得的原始图像集进行障碍物标注，得到标注样本集；

将所述标注样本集中的每张图像均进行特征融合，得到融合后的所述标注样本集；

构建卷积神经网络，将融合后的所述标注样本集输入所述卷积神经网络，得到损失函数最小的训练模型；

将深空探测巡视器获得的待识别图像进行特征融合，并将融合后的所述待识别图像输入到所述训练模型中，得到障碍物的分割识别结果。

可选的，对每张待融合图像进行所述特征融合的方法，包括：

通过第一面积的圆形邻域的像素采样方法计算所述待融合图像的圆形LBP特征图，得到对应图像的第一窗口LBP特征图；

通过第二面积的圆形邻域的像素采样方法计算所述待融合图像的圆形LBP特征图，得到对应图像的第二窗口LBP特征图；

将所述待融合图像、第一窗口LBP特征图和第二窗口LBP特征图分别作为RGB通道的各通道图，得到所述待融合图像特征融合后的图像。

可选的，所述构建卷积神经网络，将融合后的所述标注样本集输入所述卷积神经网络，得到损失函数最小的训练模型，包括：

基于DeepLabv3+网络构建卷积神经网络，将融合后的所述标注样本集输入所述卷积神经网络，得到损失函数最小的训练模型。