CN103645480B - 基于激光雷达和图像数据融合的地形地貌特征构建方法 - Google Patents

Abstract

本发明公开了基于激光雷达和图像数据融合的地形地貌特征构建方法，属于自动控制领域。该方法具体为：一、获取当前时刻地面无人移动平台周围环境的3D激光点云和全景图像；二、将3D激光点云和全景图像进行匹配，获得匹配图像：步骤三、根据各激光点对应的不同分布特征，对3D激光点云进行划分，并根据各分布特征的动态聚类算法进行聚类，获得多个区域类；四、根据地面无人移动平台的行驶能力，在多个区域类中找到可通行区域类；五、使用稠密SIFT算法获得可通行区域类的地貌识别向量；六、采用分类器按照地貌识别向量对可通行区域类进行地貌分类。本发明适用于地面无人移动平台的可通行地形地貌特征构建。

Description

基于激光雷达和图像数据融合的地形地貌特征构建方法

技术领域

本发明属于自动控制领域，具体涉及一种利用地面无人移动平台搭载的3D激光雷达和摄像头图像信息建立地理环境地图的方法。

背景技术

无人地面移动平台UGP是一种集环境感知、动态决策与规划、行为控制与执行等多种功能于一体的综合系统，其在未来军事，智能交通，侦查救灾领域具有广泛的应用前景。而UGP的机动性与智能化程度取决于它的自主导航能力，而准确、快速的自主导航功能则是建立在精确的地理环境的地图信息基础上的。

研究先进的地理环境地图构建方法有助于增强地面无人移动平台的智能化，扩宽其现代化应用。

现有的基于车载激光雷达和摄像头图像信息的地面无人移动平台的地理环境地图构建方法包括如下：

（1）3D激光点云的处理：该方法是通过激光雷达采集3D点云数据，然后在柱坐标系下一定距离范围内对3D点云数据进行可通行性分析。由于3D激光雷达点云数据具有近密远疏的特性，则在进行可通行性分析时，远处稀疏点容易被忽略；而且如果仅采用点云数据的几何特征，遇到非结构环境，其障碍物具有不规则性，则会加大点云数据的处理难度，从而导致在提取地形特征方面出现较大误差。

（2）基于图像信息进行地貌识别：该种方法是最符合人类对环境理解的一种方法。其中图像信息包括多种，例如：目前在目标跟随和目标识别中，通常采用尺度不变特征变换SIFT和梯度方向直方图HOGs来描述图像变化，若采用SIFT和HOGs来进行整幅图像的特征描述，则具有一定的难度。另外颜色直方图、纹理模型、区域分割、GIST描述符、词袋模型以及空间的金字塔等也可以用来表述图像的全局特征。而上述先进的算法和特征提取方法均是通过对图像进行分割来达到理解的效果，但是2D空间中通常采用透视投影，所获得的对象和背景的相似度高，图像分割效果不理想，对相应特征的提取有影响，最终则会影响到对图像信息的理解。

（3）3D激光点云数据与摄像头图像信息的匹配与融合：该方法是将摄像头与激光雷达坐标进行匹配，获得匹配后的结果并合并，该方法能够将激光雷达的获得的距离信息与图像中的颜色信息合并，以达到对环境更好的理解。然而由于匹配与融合的特征较少，无法发挥3D激光雷达的几何信息特征和图像多种特征的优势，无法保证匹配的准确度。

综上所述，基于现有的方法在进行地图构建时，无法保证地面无人移动平台对环境理解的准确度，同时复杂的算法以及巨大的计算量无法满足现代化的要求。

发明内容

有鉴于此，本发明提出了一种地面无人移动平台的地理环境地图构建方法，该方法能够保证所构建的全局地图的准确性，同时能够降低计算的复杂程度，使计算量减少。

为达到上述目的，本发明的技术方案为：一种基于激光雷达和图像数据融合的地形地貌特征构建方法，具体包括如下步骤：

步骤一、获取当前时刻地面无人移动平台周围环境的3D激光点云和全景图像；

所获得3D激光点云为平台周围环境的特征点集，包括各特征点的三维坐标值以及反射率；

步骤二、对3D激光点云和全景图像进行匹配，获得匹配图像：

步骤三、对于3D激光点云中各激光点，选取其对应的不同分布特征，对3D激光点云进行划分，并根据各分布特征的动态聚类算法进行聚类，获得多个区域类；

其中，所选取分布特征包括：激光点所在面法向量、反射率以及该点映射到图像上的颜色特征；

步骤四、根据地面无人移动平台的行驶能力，对多个区域类的地形进行判断，获得可通行区域类；

步骤五、使用稠密SIFT算法获得可通行区域类的地貌识别向量；

步骤六、采用分类器按照地貌识别向量对可通行区域类进行地貌分类，最终获得地面无人移动平台周围可通行区域的地貌。

优选地，上述步骤三具体分为如下步骤：

步骤301、建立3D激光点云坐标系oxyz：该坐标系以激光雷达为原点，以水平面作为xoy平面，以垂直于xoy平面的方向作为z轴方向；

将3D激光点云中各激光点的在oxyz坐标系下的坐标转化为以激光雷达为原点的球坐标系下的表示其中，r为激光点距原点的距离，θ和分别为激光点所在的纬度和经度；

对于所获得的3D激光点云进行如下处理：

在经度方向上，按照0.5度的步长将大致均匀分布在360度的激光点划分进720个经度组；

在纬度方向上，按照0.45度的步长将大致均匀分布在180度的激光点划分进400个纬度组；

对于3D激光点云中每个激光点，找到其在经度方向上同属于一个经度组的相邻激光点作拟合直线，再找到其在纬度方向上同属于一个纬度组的相邻激光点作拟合直线，两拟合直线的单位向量叉乘获得该激光点的面法向量；

步骤302、在经度组中，将激光点依据z轴坐标差异和其在经度方向上拟合直线的斜率差异划分成子类，在进行子类划分时：若两激光点z方向坐标差异超过一定阈值，或者拟合直线的斜率差异达到一定程度，则两点划分入不同的子类；

针对划分出每个子类，统计其如下子类特征的特征值：法向量、中心点坐标、颜色和反射率；

其中各子类特征值的计算方法如下：

子类法向量：子类中每个点的面法向量进行相加并归一化，得到该子类的所在平面的法向量；

子类中心点坐标：获取每个子类中心点的经度、纬度和距激光雷达原点的距离，作为中心点坐标；

子类颜色：获取每个激光点在全景图像上对应的0到255的rgb三维颜色向量；将0至255均匀划分为8段，在一个子类中，统计各维颜色向量的8段中激光点出现的频率，进行直方图统计，获得该子类的24维颜色向量；

子类反射率：通过3D激光雷达获得每个激光点的反射率，该反射率是一个0-255的整数，将0-255均匀划分为8个区域，在每一个子类中，统计反射率的8个区域中激光点出现的概率，进行直方图统计，获得该子类的8维反射率向量；

步骤303、计算每个子类与相邻子类之间各特征值的相似度，选取相似度最大的子类进行合并，获得簇，计算簇内的类间凝聚度，若凝聚度超过一定阈值，则取消合并；

步骤304、经过步骤303之后，激光点的聚类包括簇与子类两种，计算每一簇和每一子类的物理空间大小，将物理空间最大的簇或子类作为区域类，将除区域类以外的剩余的簇或子类返回步骤303进行聚类，直到剩余的簇或子类个数小于一定数值，最终获得多个区域类。

优选地，步骤四中，采用如下方法对区域类进行地形判断：

根据地面无人移动平台的行驶能力，建立地形分类模糊表；

地形分类模糊表将地形中所有区域分为可通行和不可通行两大类，其中可通行中分为平路，上坡，下坡；不可通行分为凸障碍和凹障碍，共五小类，地形分类模糊表以每一区域类的径向坡度和起始点为依据进行模糊分类，分类的结果即为地形判断的结果。

优选地，步骤五具体分为如下步骤：

步骤501、依据稠密SIFT算法，将匹配图像划分呈固定大小的像素块，每个像素块得到D维SIFT描述子；

步骤502、计算每一维SIFT描述子权重：

上述步骤501中划分的每个像素块覆盖多个区域类，设一像素块覆盖j个区域类C₁、...、C_j，其中区域类C_i中被该像素块覆盖的激光点的个数为n_i，1≤i≤j，整个像素块的激光点个数为N，C_i中的所有激光点个数为M，则D维SIFT描述子在区域类C_i中的所有纹理特征中所占的权重为

步骤503、采用词袋模型BagofWords，使用K-means算法聚类出所有SIFT描述子的p个中心点，作为视觉字典，其中p>D；

对于区域类C_i，将每一个SIFT描述子对应视觉字典的概率值乘以其在该区域类C_i中的权重，所得的值组合获得该区域类C_i的地貌识别向量；

上述地貌识别向量表征该区域类对应图像的纹理信息，其维数和视觉字典的维数相同。

优选地，步骤六中，使用分类器按照地貌识别向量对可通行区域类进行地貌分类的过程具体为：选取一部分地貌识别向量作为训练集，另一部分作为测试集，将训练集中地貌识别向量作为分类器的输入，训练获得地貌分类模型；将测试集中的地貌识别向量输入分类器，利用地貌分类模型将输入的地貌识别向量划分到其对应的地貌特征类中。

有益效果：

本发明在进行点云信息与图像信息的融合过程中所使用的点云划分算法和SIFT描述子权重统计算法能够充分利用两类数据各自优势，相比于传统的3D激光点云数据与摄像头图像信息的匹配融合方法，本方法能够最大程度地发挥3D激光雷达的集合信息特征和图像多种特征的优势，保证了匹配融合的准确度，同时本方法最大程度地降低了计算的复杂程度。

附图说明

图1为本方法的流程；

图2为多类特征动态聚类算法原理图；

图3为将点云划分为经度组与纬度组的示意图。

具体实施方式

下面结合附图并举实施例，对本发明进行详细描述。

本发明提供了一种地面无人移动平台的地理环境地图构建方法，该方法如图1所示：

步骤一、获取当前时刻地面无人移动平台周围环境的3D激光点云和全景图像，其中可以使用车载3D激光雷达来获取3D激光点云，使用全景摄像头获取全景图像。

上述3D激光点云为平台周围环境的特征点集，包括各特征点的三维坐标值以及反射率。

本实施例中的全景摄像头包括5个方向摄像头，采集获得5张图像，将该5张图像进行匹配合并得到的360的全景图像。

步骤二、对3D激光点云和全景图像进行处理并进行匹配；

建立3D激光点云坐标系oxyz：该坐标系以激光雷达为原点，以水平面作为xoy平面，以垂直于xoy平面作为z轴方向；根据现有算法，将激光点的的(x,y,z)坐标经过旋转平移变换到图像的像素坐标系下。使得3D激光点云中每个激光点都在图像上找到对应的点。

步骤三、对于3D激光点云中各激光点，选取其对应的不同分布特征，对点云进行划分，并根据各分布特征的动态聚类算法进行聚类。

其中，所选取分布特征包括：激光点所在面法向量、反射率以及该点映射到图像上的颜色特征。

本步骤的动态聚类算法具体如图2所示：

步骤301、建立3D激光点云坐标系oxyz：该坐标系以激光雷达为原点，以水平面作为xoy平面，以垂直于xoy平面作为z轴方向；

将3D激光点云中各激光点的在oxyz坐标系下的坐标转化为以激光雷达为原点的球坐标系下的表示其中，r为激光点距原点的距离，θ和分别为激光点所在的纬度和经度。

对于所获得的3D激光点云进行如下处理：

在经度θ方向上，按照0.5度的步长将大致均匀分布在360度的激光点划分进720个经度组；

在纬度θ方向上，按照0.45度的步长将大致均匀分布在180度的激光点划分进400个纬度组。

具体经度组与纬度组的分组如图3所示。

对于3D激光点云中每个激光点，找到其在经度方向上同属于一个经度组的相邻激光点作拟合直线，再找到其在纬度方向上同属于一个纬度组的相邻激光点作拟合直线，两拟合直线的单位向量叉乘获得该激光点的面法向量。

步骤302、在经度组中，将激光点依据z轴坐标差异和其在经度方向上拟合直线的斜率差异划分成子类，在进行子类划分时：若两激光点z方向坐标差异超过一定阈值，或者拟合直线的斜率差异达到一定程度，则两点划分入不同的子类。

针对划分出每个子类，统计各子类的特征值，包括法向量、分布特征即中心点坐标、颜色和反射率。

其中各子类特征的计算方法如下：

子类法向量：子类中每个点的法向量进行相加并归一化，得到该子类的所在平面的法向量，作为法向量特征值。

子类中心点坐标：选取每个子类中心点的经度、纬度和距激光雷达原点的距离，3维向量作为该子类分布特征的特征值。

子类颜色：经过步骤二，3D激光点云中每个激光点都在图像上找到了对应的点，即每个激光点都对应了一定像素的颜色信息，因此获得该激光点的0到255的rgb三维向量。将0至255均匀划分为8段，在一个子类中，统计各维颜色向量的8段中激光点出现的频率，进行直方图统计，获得该子类的24维颜色向量，作为颜色特征值。

每一个子类24维向量的颜色特征，这样比只取3维RGB颜色信息扩展了颜色特征的维度，可以把颜色变化描述的更精细，使得分类更准确。

子类反射率：反射率表征激光点所打到物体的表面材质，每个激光点的反射率是一个0-255的整数，属于激光点的属性，可通过3D激光雷达直接获得。将0-255均匀划分为8个区域，在每一个子类中，统计反射率的8个区域中激光点出现的概率，进行直方图统计，获得该子类的8维反射率向量，，作为反射率特征值。

步骤303、计算每个子类与相邻子类之间各类特征的相似度，选取相似度最大的子类进行合并，获得簇，计算簇内的类间凝聚度，若凝聚度超过一定阈值，则取消合并。

其中相似度的计算方法为：对于每个子类，选取与该子类在经度方向上连通的子类作为待归入的备选子类，可能获得多个备选子类，分别计算该子类与每一备选子类特征值的相对距离，归一化量纲，选择相对距离最小的备选子类与该子类合并，获得一簇。

其中特征值的相对距离即为每一子类与其备选子类特征值的欧氏距离。

其中连通是指两子类在纬度范围内有重合，且在经度方向上相邻。

其中凝聚度的计算方法为：质量好的聚类，簇内各类特征值的分布应该是紧密的；反之，如果簇内属于不同类的特征值分布松散，簇内各子类特征值的相对距离相对较大，则簇的紧密程度较低。因此使用簇内各子类特征值的相对距离作为凝聚度的指标，若簇的凝聚度没有超过阈值则认为该合并合理，若簇的凝聚度超过阈值则取消合并，由此可以实现动态调整最终聚类结果的个数。

该处计算簇内各子类特征值的相对距离同样采用簇内每个子类的特征值距离簇的平均特征值的欧氏距离。

步骤304、经过步骤303之后，激光点的聚类包括簇与子类两种，计算每一簇和每一子类的物理空间大小，使用物理空间作为簇或子类的重要程度的指标，重要程度最高的簇或子类作为划分结果，将最终划分结果从特征值空间中分离出来，并将剩余的簇或子类返回步骤303进行聚类，直到剩余的簇或子类个数小于一定数值，则最终实现一帧点云数据的划分。

本步骤中所使用的多特征的动态聚类算法，只有具有某一特征值相似度最高的两个子类才能有可能进行合并，这保证了聚类结果的相似度；另外，使用相似度评价函数，保证所有特征值的相似度达到一定程度合并才合理，这使得使得合并同时受限于其他特征值，因此该算法具有动态聚类的能力；步骤304按照物理意义提取主要分类结果，使得该算法的分类结果更符合人类认知环境的过程。

本步骤所获得的每个划分结果均对应一定的地理区域，即为区域类

步骤四、根据地面无人移动平台的行驶能力以及区域类的特征值及对每个区域类进行地形判断，获得可通行区域类。

本步骤在具体实施过程中，可以根据地面无人移动平台的行驶能力，建立地形分类模糊表，并使用地形分类模糊表来进行地形判断。

地形分类模糊表将地形中所有区域分为可通行和不可通行两大类，其中可通行中分为平路，上坡，下坡；不可通行分为凸障碍和凹障碍，共五小类。根据每一区域的径向坡度和起始点等几何特征依据该地形分类模糊表可进行模糊分类。

则根据区域类的部分特征值，依据地形分类模糊表对每个划分结果进行地形判断。

步骤五、使用稠密SIFT算法获得匹配图像的D维SIFT描述子，对于每个可通行区域类，计算每一维SIFT描述子的权重，使用每一维SIFT描述子乘以其对应权重，获得该可通行区域类的地貌识别向量。该步骤可以使用如下具体步骤来实现：

步骤501、依据稠密SIFT算法，获得匹配图像的D维描述子，例如：将全景图像划分成固定大小的像素块，以每个像素块中心点为原点划分4*4的子窗口，插值计算每个子窗口中心点的八个方向梯度，因此每个像素块获得4*4*8共128维SIFT描述子，该SIFT描述子体现了像素块的灰度值的梯度。

步骤502、计算每一维SIFT描述子的权重：

上述步骤501中划分的每个像素块覆盖多个区域类，设一像素块覆盖j个可通行区域类C₁、...、C_j，其中可通行区域类C_i中被像素块覆盖的激光点的个数为n_i，1≤i≤j，整个像素块的激光点个数为N，C_i中的所有激光点个数为M，则D维SIFT描述子在可通行区域类C_i中的所有纹理特征中所占的权重为 ${\mathrm{\ω}}_{\mathrm{ij}}=\frac{{n_i}^2}{M*N}.$

步骤503、本文采用词袋模型BagofWords，使用K-means算法聚类出所有SIFT描述子的p个中心点，作为视觉字典，其中p>D，本实施例中选取p=200；再采用显著编码（salientcoding）和池化算法（pooling）统计每一个可通行区域类的局部纹理特征。

对于可通行区域类C_i，在统计过程中，将每一个SIFT描述子对应视觉字典的概率值乘以其对应权重，获得该可通行区域类C_i的地貌识别向量，该地貌识别向量表征该可通行区域类对应图像的纹理信息，其维数和视觉字典的维数相同。

步骤六、采用分类器按照地貌识别向量对可通行区域类进行地貌分类，即将每个可通行区域类划分至其对应的地貌特征类中。

地貌分类的过程具体为：选取一部分地貌识别向量作为训练集，将训练集中地貌识别向量作为分类器的输入，训练获得地貌分类模型。

本实例采用支持向量机分类器（SVM），首先实验数据中的一部分进行人工标注作为训练数据，另一部分作为测试数据。训练数据的地貌识别向量作为SVM的输入，按照人工标注的结果，将每一个训练数据分配到对应的地貌特征类中，依据该方法对SVM的模型参数进行训练，最终获得一个地貌分类模型，该地貌分类模型能够根据输入的测试数据的地貌识别向量以较大概率划分到对应的地貌特征类中。

由此获得地面无人移动平台周围环境的可通行区域的地形地貌。

综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.基于激光雷达和图像数据融合的地形地貌特征构建方法，其特征在于，该方法包括如下步骤：

步骤一、获取当前时刻地面无人移动平台周围环境的3D激光点云和全景图像；

所获得3D激光点云为平台周围环境的特征点集，包括各特征点的三维坐标值以及反射率；

步骤二、对3D激光点云和全景图像进行匹配，获得匹配图像：

步骤三、对于3D激光点云中各激光点，选取其对应的不同分布特征，对3D激光点云进行划分，并根据各分布特征的动态聚类算法进行聚类，获得多个区域类；

其中，所选取分布特征包括：激光点所在面法向量、反射率以及该点映射到图像上的颜色特征；

所述步骤三具体分为如下步骤：

步骤301、建立3D激光点云坐标系oxyz：该坐标系以激光雷达为原点，以水平面作为xoy平面，以垂直于xoy平面的方向作为z轴方向；

将3D激光点云中各激光点的在oxyz坐标系下的坐标转化为以激光雷达为原点的球坐标系下的表示(r,θ,φ)，其中，r为激光点距原点的距离，θ和φ分别为激光点所在的纬度和经度；

对于所获得的3D激光点云进行如下处理：

在经度方向上，按照0.5度的步长将大致均匀分布在360度的激光点划分进720个经度组；

在纬度方向上，按照0.45度的步长将大致均匀分布在180度的激光点划分进400个纬度组；

对于3D激光点云中每个激光点，找到其在经度方向上同属于一个经度组的相邻激光点作拟合直线，再找到其在纬度方向上同属于一个纬度组的相邻激光点作拟合直线，两拟合直线的单位向量叉乘获得该激光点的面法向量；

步骤302、在经度组中，将激光点依据z轴坐标差异和其在经度方向上拟合直线的斜率差异划分成子类，在进行子类划分时：若两激光点z方向坐标差异超过一定阈值，或者拟合直线的斜率差异达到一定程度，则两点划分入不同的子类；

针对划分出每个子类，统计其如下子类特征的特征值：法向量、中心点坐标、颜色和反射率；

其中各子类特征值的计算方法如下：

子类法向量：子类中每个点的面法向量进行相加并归一化，得到该子类的所在平面的法向量；

子类中心点坐标：获取每个子类中心点的经度、纬度和距激光雷达原点的距离，作为中心点坐标；

子类颜色：获取每个激光点在全景图像上对应的0到255的rgb三维颜色向量；将0至255均匀划分为8段，在一个子类中，统计各维颜色向量的8段中激光点出现的频率，进行直方图统计，获得该子类的24维颜色向量；

子类反射率：通过3D激光雷达获得每个激光点的反射率，该反射率是一个0-255的整数，将0-255均匀划分为8个区域，在每一个子类中，统计反射率的8个区域中激光点出现的概率，进行直方图统计，获得该子类的8维反射率向量；

步骤303、计算每个子类与相邻子类之间各特征值的相似度，选取相似度最大的子类进行合并，获得簇，计算簇内的类间凝聚度，若凝聚度超过一定阈值，则取消合并；

步骤304、经过步骤303之后，激光点的聚类包括簇与子类两种，计算每一簇和每一子类的物理空间大小，将物理空间最大的簇或子类作为区域类，将除区域类以外的剩余的簇或子类返回步骤303进行聚类，直到剩余的簇或子类个数小于一定数值，最终获得多个区域类；

步骤四、根据地面无人移动平台的行驶能力，对多个区域类的地形进行判断，获得可通行区域类；

步骤五、使用稠密SIFT算法获得可通行区域类的地貌识别向量；

步骤六、采用分类器按照地貌识别向量对可通行区域类进行地貌分类，最终获得地面无人移动平台周围可通行区域的地貌。

2.如权利要求1所述的基于激光雷达和图像数据融合的地形地貌特征构建方法，其特征在于，所述步骤四中，采用如下方法对区域类进行地形判断：

根据地面无人移动平台的行驶能力，建立地形分类模糊表；

地形分类模糊表将地形中所有区域分为可通行和不可通行两大类，其中可通行中分为平路，上坡，下坡；不可通行分为凸障碍和凹障碍，共五小类，地形分类模糊表以每一区域类的径向坡度和起始点为依据进行模糊分类，分类的结果即为地形判断的结果。

3.如权利要求1所述的基于激光雷达和图像数据融合的地形地貌特征构建方法，其特征在于，所述步骤五具体分为如下步骤：

步骤501、依据稠密SIFT算法，将匹配图像划分呈固定大小的像素块，每个像素块得到D维SIFT描述子；

步骤502、计算每一维SIFT描述子权重：

所述步骤501中划分的每个像素块覆盖多个区域类，设一像素块覆盖j个区域类C₁、...、C_j，其中区域类C_i中被该像素块覆盖的激光点的个数为n_i，1≤i≤j，整个像素块的激光点个数为N，C_i中的所有激光点个数为M，则D维SIFT描述子在区域类C_i中的所有纹理特征中所占的权重为

步骤503、采用词袋模型BagofWords，使用K-means算法聚类出所有SIFT描述子的p个中心点，作为视觉字典，其中p>D；

对于区域类C_i，将每一个SIFT描述子对应视觉字典的概率值乘以其在该区域类C_i中的权重，所得的值组合获得该区域类C_i的地貌识别向量；

所述地貌识别向量表征该区域类对应图像的纹理信息，其维数和视觉字典的维数相同。

4.如权利要求1所述的基于激光雷达和图像数据融合的地形地貌特征构建方法，其特征在于，所述步骤六中，使用分类器按照地貌识别向量对可通行区域类进行地貌分类的过程具体为：选取一部分地貌识别向量作为训练集，另一部分作为测试集，将训练集中地貌识别向量作为分类器的输入，训练获得地貌分类模型；将测试集中的地貌识别向量输入分类器，利用地貌分类模型将输入的地貌识别向量划分到其对应的地貌特征类中。