【技术实现步骤摘要】
本专利技术涉及视觉导航，具体来说，涉及一种基于摄像头的防爆智能视觉导航方法及系统。
技术介绍
1、智能视觉导航是一种利用视觉感知技术来识别和理解环境，从而实现自主导航和路径规划的技术。它主要依赖于摄像头作为传感器，结合图像处理和机器学习算法，来捕捉并分析环境数据，实现对周围环境的准确识别和地理定位。智能视觉导航通过集成先进的图像识别技术与智能算法，极大地提升了自动化系统的环境适应能力和决策智能，是现代自动化和人工智能领域的关键技术之一。
2、基于摄像头的防爆智能视觉导航方法在危险环境中的应用是极其重要的，尤其在化学工厂、石油精炼厂等场所，这些地方充斥着易燃易爆物质，传统的导航设备或方法可能不足以应对其中的复杂和潜在危险。使用特定的防爆摄像头不仅可以承受这些环境的严苛条件，还可以提供必要的安全保障。
3、现有技术中，例如中国专利201910276428.1公开了一种用于防爆仓库的无源视觉导航无人叉车系统和导航方法，其包括防爆摄像头、防爆控制器、感应器、报警器、机械防撞装置，实现防爆仓库内无源视觉导航无人化操作，避免危害人体健康。但是上述方法还存在以下不足：其对叉车实时的信标信息与储存的相对应的信标信息处理分析，来确定叉车实时位置。但是在动态的环境中，障碍物之间的相互作用可能频繁变化，如在高流动性的仓库中。如果无法快速更新和响应这些变化，其决策的有效性将受限。
4、针对相关技术中的问题，目前尚未提出有效的解决方案。
技术实现思路
1、针对相关技术中的
2、为此，本专利技术采用的具体技术方案如下：
3、根据本专利技术的一个方面，提供了一种基于摄像头的防爆智能视觉导航方法，该基于摄像头的防爆智能视觉导航方法包括以下步骤：
4、s1、基于防爆摄像头获取环境图像，且识别出障碍物，并获取障碍物的特征数据。
5、s2、基于障碍物的特征数据，对障碍物进行位置重叠的相似性计算及向量间的余弦相似度计算，并进行相似性融合，得到融合相似性矩阵。
6、s3、获取历史导航日志数据，并使用时间序列分析法获取导航需求的周期性和趋势性，得到导航需求变化曲线，且使用事件检测算法识别环境变化的显著点，得到环境变化曲线。
7、s4、将导航需求变化曲线及环境变化曲线的统计特征结合得到综合数据集，并基于综合数据集、融合相似性矩阵及标签数据，应用预测模型得到障碍物的匹配度得分。
8、s5、将匹配度高的障碍物作为导航路径的一部分，且规划从起点至终点，经过所有选定高匹配度障碍物的导航路径。
9、进一步的，基于障碍物的特征数据，对障碍物进行位置重叠的相似性计算及向量间的余弦相似度计算，并进行相似性融合，得到融合相似性矩阵包括以下步骤：
10、s21、基于障碍物的位置和尺寸信息，将每个障碍物表示为几何形状；
11、s22、获取两个障碍物之间的重叠区域，并计算交集面积；
12、s23、计算两个障碍物所有空间的最小几何形状的面积，得到并集面积；
13、s24、通过交集面积与并集面积的比值计算，得到杰卡德指数；
14、s25、将障碍物的特征数据构建向量，并使用向量的各个维度值进行乘积累加，得到障碍物的点积结果，且通过计算向量各分量平方和的平方根，得到障碍物的计算模；
15、s26、将两个向量的点积除以各自向量的模长，得到余弦相似性；
16、s27、对每一对障碍物，将杰卡德指数和余弦相似性得分进行融合，并构建融合相似性矩阵。
17、进一步的，获取历史导航日志数据，并使用时间序列分析法获取导航需求的周期性和趋势性，得到导航需求变化曲线，且使用事件检测算法识别环境变化的显著点，得到环境变化曲线包括以下步骤：
18、s31、收集历史导航日志数据，并对历史导航日志数据进行清洗；
19、s32、应用时间序列分析方法识别数据中的周期性模式；
20、s33、使用趋势分析技术识别长期趋势；
21、s34、利用时间序列图展示导航需求变化曲线；
22、s35、基于贝叶斯模型和环境监测数据获取环境变化的显著点，得到环境变化曲线。
23、进一步的，基于贝叶斯模型和环境监测数据获取环境变化的显著点，得到环境变化曲线包括以下步骤：
24、s351、获取环境监测数据，并进行数据清洗和数据编码；
25、s352、定义高斯核函数，并设置带宽参数，用于计算两个数据点之间的相似度；
26、s353、对所有环境监测点的数据使用高斯核函数迭代计算，得到相似度矩阵；
27、s354、建立基于先验知识和新获得数据的贝叶斯模型，并根据新数据和贝叶斯推断的结果，动态更新相似度矩阵；
28、s355、对更新后的相似度矩阵进行谱聚类分析，得到数据分组结果；
29、s356、使用分组结果识别环境变化的显著点，且基于识别的显著点和相关的环境事件，绘制表示障碍物变化频率和模式的环境变化曲线。
30、进一步的，高斯核函数的公式为：
31、
32、式中，k(x，y)表示两个数据点x和y之间的相似度值；
33、σ表示带宽参数。
34、进一步的，对更新后的相似度矩阵进行谱聚类分析，得到数据分组结果包括以下步骤：
35、s3551、基于更新后的相似度矩阵构建无向权重图的邻接矩阵，并从邻接矩阵构建对应的图拉普拉斯矩阵，并进行标准化；
36、s3552、计算标准化图拉普拉斯矩阵的特征向量，用于识别数据的结构和分组。
37、进一步的，将导航需求变化曲线及环境变化曲线的统计特征结合得到综合数据集，并基于综合数据集、融合相似性矩阵及标签数据，应用预测模型得到障碍物的匹配度得分包括以下步骤：
38、s41、将导航需求变化及环境变化的均值和趋势特征值进行合并，得到综合数据集；
39、s42、将融合相似性矩阵整合到综合数据集中，为每个障碍物对添加相应的相似度得分；
40、s43、确定障碍物的匹配度得分标准，并将综合数据集中的每个障碍物分配匹配度得分作为标签；
41、s44、使用综合数据集和匹配度得分来训练随机森林模型，得到预测模型；
42、s45、利用随机森林内置的变量重要性评估功能，获取特征对预测模型的预测匹配度得分的影响程度；
43、s46、应用交叉验证技术测试预测模型，且根据预测模型性能和特征重要性反馈调整预测模型参数和特征选择；
44、s47、使用训练好的预测模型对新的障碍物进行匹配度得分预测，得到障碍物的匹配度得分。
45、进一步的，利用随机森林内置的变量重要性评估功能，获取特征对预测模型的预测匹配度得分的本文档来自技高网...
【技术保护点】
1.一种基于摄像头的防爆智能视觉导航方法，其特征在于，该基于摄像头的防爆智能视觉导航方法包括以下步骤：
2.根据权利要求1所述的一种基于摄像头的防爆智能视觉导航方法，其特征在于，所述基于障碍物的特征数据，对障碍物进行位置重叠的相似性计算及向量间的余弦相似度计算，并进行相似性融合，得到融合相似性矩阵包括以下步骤：
3.根据权利要求2所述的一种基于摄像头的防爆智能视觉导航方法，其特征在于，所述获取历史导航日志数据，并使用时间序列分析法获取导航需求的周期性和趋势性，得到导航需求变化曲线，且使用事件检测算法识别环境变化的显著点，得到环境变化曲线包括以下步骤：
4.根据权利要求3所述的一种基于摄像头的防爆智能视觉导航方法，其特征在于，所述基于贝叶斯模型和环境监测数据获取环境变化的显著点，得到环境变化曲线包括以下步骤：
5.根据权利要求4所述的一种基于摄像头的防爆智能视觉导航方法，其特征在于，所述高斯核函数的公式为：
6.根据权利要求5所述的一种基于摄像头的防爆智能视觉导航方法，其特征在于，所述对更新后的相似度矩阵进行谱聚类分析，得
7.根据权利要求6所述的一种基于摄像头的防爆智能视觉导航方法，其特征在于，所述将导航需求变化曲线及环境变化曲线的统计特征结合得到综合数据集，并基于综合数据集、融合相似性矩阵及标签数据，应用预测模型得到障碍物的匹配度得分包括以下步骤：
8.根据权利要求7所述的一种基于摄像头的防爆智能视觉导航方法，其特征在于，所述利用随机森林内置的变量重要性评估功能，获取特征对预测模型的预测匹配度得分的影响程度包括以下步骤：
9.根据权利要求8所述的一种基于摄像头的防爆智能视觉导航方法，其特征在于，所述确定障碍物的匹配度得分标准时，障碍物的匹配度得分的计算公式为：
10.一种基于摄像头的防爆智能视觉导航系统，用于实现权利要求1-9任一项所述的基于摄像头的防爆智能视觉导航方法，其特征在于，该基于摄像头的防爆智能视觉导航系统包括特征数据获取模块、相似度融合模块、数据提取模块、匹配度获取模块及导航路径确认模块；
...【技术特征摘要】
1.一种基于摄像头的防爆智能视觉导航方法，其特征在于，该基于摄像头的防爆智能视觉导航方法包括以下步骤：
2.根据权利要求1所述的一种基于摄像头的防爆智能视觉导航方法，其特征在于，所述基于障碍物的特征数据，对障碍物进行位置重叠的相似性计算及向量间的余弦相似度计算，并进行相似性融合，得到融合相似性矩阵包括以下步骤：
3.根据权利要求2所述的一种基于摄像头的防爆智能视觉导航方法，其特征在于，所述获取历史导航日志数据，并使用时间序列分析法获取导航需求的周期性和趋势性，得到导航需求变化曲线，且使用事件检测算法识别环境变化的显著点，得到环境变化曲线包括以下步骤：
4.根据权利要求3所述的一种基于摄像头的防爆智能视觉导航方法，其特征在于，所述基于贝叶斯模型和环境监测数据获取环境变化的显著点，得到环境变化曲线包括以下步骤：
5.根据权利要求4所述的一种基于摄像头的防爆智能视觉导航方法，其特征在于，所述高斯核函数的公式为：
6.根据权利要求5所述的一种基于摄像头的防爆智能视觉导航...
【专利技术属性】
技术研发人员：邵维，
申请(专利权)人：启东市恒安防爆通信设备有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。