CN105426858A - 一种基于视觉和振动信息融合的地面类型辨识方法 - Google Patents

Abstract

一种基于视觉和振动信息融合的地面类型辨识方法，涉及地面类型分类技术领域。本发明为了解决现有的地面类型辨识方法存在分类误差较大、预测准确率低的问题。技术要点：获得样本训练集；未知类型地面识别过程；信息融合过程：振动信号样本训练集中每个振动信号样本与图像信号样本训练集中对应的图像信号样本进行融合，确定最优的N值，使图像信号放大N倍后与对应的振动信号融合后得到最高的辨识算法准确率；根据获得最优的N值，将振动识别结果与对应的图像识别结果进行融合，得到融合后的识别结果，将融合后的识别结果经过处理后作为地面类型辨识结果。本发明方法可有效提高辨识准确率，尤其当传感器分辨模型差异较大时功效更为显著。

Description

一种基于视觉和振动信息融合的地面类型辨识方法

技术领域

本发明涉及一种地面类型辨识方法，涉及地面类型分类技术领域。

背景技术

多数关于机器人探测环境方面的研究只侧重于翻越障碍、路线规划以及位置估计等几何相关的问题，而至于环境地形地貌对机器人的影响方面领域至今仍鲜有问津。几何因素诚然是限制移动机器人快速性和稳定性的主要因素，工作环境的地形地貌对机器人运行速度和稳定性也有巨大影响。基于视觉信号的地面类型分类辨识研究，以及与其他传感器结合判断地表情况，可以为机器人自主控制精确性提供依据，其对机器人自主规划和探险等任务具有非常现实的意义。对未来机器人自主探险以及救援任务甚至外星探险的自主探测任务同样具有重要意义。

地面类型分类识别目的又在于可确定出一些影响地面承载载荷能力的关键参数，即找到穿越某特定地形时关系到移动机器人行驶性能与安全性的地形特性，其与地面种类密切相关。在非平坦地形运行时，机器人自身的安全性和灵活性是得以稳定运行的重要条件。其环境感知系统用一系列传感器反馈得到的信号作为地面类型识别的信息源，对采集的信号进行一定方法的处理，从而获得准确的地貌特征。以其为基础，机器人可以通过自主轨迹规划制定包括最佳行走速度和最大转弯速度等最优行走方式，以这种方法实现不同地面行驶时的稳定性，确保行驶安全。

地面类型分类研究主要方向为利用颜色特征或者纹理特征在视频或者图像中进行分类，视频采集的信号优势在于可以预知运行方向上即将遇到的地貌和地形，可以有一定的时间裕量做运动形式的调整，相比于振动信号对环境的感知在研究上更加直观。然而其相较于振动信号感知则误差率较高。如有落叶的沥青路通过图像处理的信号则不能准确反映地面情况，从此造成分类误差，进而影响轨迹和运动方式的规划。

发明内容

本发明的目的是提供一种基于视觉和振动信息融合的地面类型辨识方法，以解决现有的地面类型辨识方法存在分类误差较大、预测准确率低的问题。

本发明为解决上述技术问题采取的技术方案是：

一种基于视觉和振动信息融合的地面类型辨识方法，所述方法的实现过程为：

步骤一、获得样本训练集：对在特定类型地面上行驶的车辆采集振动信号I_z和图像信号I_v，以用于地面类型辨识；对振动信号、图像信号分别进行特征提取，获得振动信号样本训练集和图像信号样本训练集；

步骤二、未知类型地面识别过程：对在未知类型地面上行驶的车辆采集振动信号和图像信号，将其分别与振动信号样本训练集和图像信号样本训练集进行比对，进行振动分类识别、图像分类识别，获得振动识别结果和图像识别结果；

步骤三、信息融合过程：

将步骤一中的振动信号样本训练集中每个振动信号样本与图像信号样本训练集中对应的图像信号样本进行融合，确定最优的N值，使图像信号放大N倍后与对应的振动信号融合后得到最高的辨识算法准确率；

根据步骤三获得最优的N值，将步骤二中的振动识别结果与对应的图像识别结果进行融合，得到融合后的识别结果，将融合后的识别结果经过处理后作为地面类型辨识结果。

在步骤三中，最优的N值的获得过程为：

将振动信号的提取得到的128维特征，将图像信号提取的特征向量长度为14维，图像信号与振动信号特征尺度相差较多为平衡二者之间的训练权重，需要对两种特征重新进行归一化处理，得到统一的142维特征；

将采集得到的视觉信号特征同比放大不同倍数进行不同尺度的特征层级别融合，用交叉验证的办法对融合结果的准确率进行检验，以视觉信号特征放大倍数为横坐标、融合后交叉检验准确率为纵坐标，获得二维折线图，找到准确率最高点对应的放大倍数，即完成N值的确定。放大倍数N值取为19或20。

根据步骤三获得最优的N值，将步骤二中的振动识别结果与对应的图像识别结果进行融合，得到融合后的识别结果的具体过程为：

利用I_z和I_v的两种信号分类结果对地面类型进行探测，基于贝叶斯公式理论搭建融合模型，融合模型搭建之前需要进行测量I_z和I_v的两种传感器对单一地面类型的辨识实验以对各自信号分辨准确率进行统计；

设测试地面类型数为k，测试的某特定地面标签为m＝m₁,m₂,...,m_k，传感器输出的分辨结果标签为n＝n₁,n₂,...,n_k；经过实验可以得到两种传感器将m辨识为n的概率，记为

P_z(n|m)或P_v(n|m)，其中P_z为振动信号辨识概率，P_v为视觉信号辨识概率；

简化各测试地面的先验概率P(m)，假设各测试地面为等概率出现即P(m)＝1/k；

根据全概率公式：

$P\left(A\right)=\underset{i=1}{\overset{k}{\Σ}}P\left(A\right|B_i)P\left(B_i\right)---\left(4-1\right)$

可计算出传感器判断输出为某地面的概率P(n)，再根据贝叶斯公式：

$P\left(A\right|B)=\frac{P\left(B\right|A)P\left(A\right)}{P\left(B\right)}---(4-2)$

即可求出该传感器以辨识算法输出结果为已知条件，其测试地面类型的可能性概率P(m|n)；

两种信号I_z和I_v各生成含有k²个概率值的列表，求出的P_z(m|n)或P_v(m|n)分布不同且相互独立；

当振动信号辨识输出为n₁，视觉信号辨识输出为n₂时，由于二者的相互独立性，测试地面为m的联合条件概率P(m|n₁,n₂)正相关于P_z(m|n₁)P_v(m|n₂)；以此为依据建立起概率数据表，在相同输出条件下找到概率最大的测试地面，即为两信号输出的融合结果。

本发明基于单目视觉信号的预处理、特征提取并进行机器学习训练，建立起视觉信号信息与地面类型之间的分类模型；以其为基础，将实时采集的视觉信号输入到分类模型中，实时输出预测的地面类型；将视觉信号与振动信号进行融合，使预测准确率提高。

结合复杂地面类型的视觉信号特点对采集的图像进行处理。以数字图像处理为技术基础针对前视相机采集的图像实现包括颜色特征和纹理特征的提取，并对不同特征提取方法对地面类型的表征能力进行分析。针对选定地目标地面区域，建立视觉特征和地面类型之间的映射关系。建立基于支持向量机的地面类型实时分类辨识模型，和基于样本数据统计的模型匹配算法对地面类型进行分类辨识，建立起完整的自适应实时地面类型在线分类辨识方法。

结合视觉信号与振动信号对地面类型分类辨识的优缺点，分析两种信号融合的可行性，实现视觉信号特征与振动信号特征融合，以及视觉信号辨识结果与振动信号辨识结果融合等方法，并分析几种融合方法的有效性，建立基于视觉和振动信号融合的地面类型辨识方法。

本发明的有益效果是：

视觉信号与振动信号两种信号对地面类型的辨识均有长足的发展，各自又具备不同的优势，因此将二者进行信息融合的研究是具有必然性的。本发明针对多种地面类型进行自适应学习方面研究，并且对视觉信号与振动信号进行融合方法探究，对于地面分类辨识研究均具有重要意义，表现在以下几个方面：

1)应用数字图像处理技术和机器学习等方法，建立起视觉信号与地面类型之间的对应分类模型，分析影响地面类型分类辨识准确率的影响因素，并针对鲁棒性和敏感性之间的平衡以及实时性和准确性之间的平衡进行分析，为移动机器人自主自适应行进提供理论依据。

2)分析履带机器人车体履带产生振动、前行触角产生振动以及本身的结构，并加以对比，为地面分类识别提供依据。搭建地面与振动信号之间的分类模型，分析不同速度、不同采集方式的影响，并对鲁棒性和敏感性加以分析，为机器人自主探险提供理论依据。

3)对视觉信号与振动信号进行融合方法的探究，并针对二者特性加以对比分析，为地面分类辨识提供依据。

附图说明

图1是传统单一传感器的地面类型识别流程图；图2为单目相机辨识地面位置的安装方式示意图；图3是本发明方法的不同层次的融合方式示意图；图4是特征层级别融合示意图；图5是不同尺度融合交叉检验准确率的二维折线图；图6是特征层融合分辨情况柱状图；图7是决策层融合示意图；图8是各地面类型在不同分类方法下的条件概率柱状图；图9是决策层融合准确率柱状图。

具体实施方式

为了便于理解本发明，给合图1至9给出具体实施方式，对本发明进行更为详尽的阐述：

下面给出传统单一传感器的地面类型识别流程：

在基于视觉的图像信号特征提取技术基础上，将对特定地面类型对应的视觉特征进行提取生成训练样本。为增强所提取特征的稳定性与代表性，避免噪声特征带来偏差，学习和训练过程特征向量的提取原则为选用每一帧图像内目标地面类型区域内随机100个非边缘附近可表征对应地面类型像素点的特征平均值。通过对样本的训练和计算建立起映射模型以实现机器人运行中的地面类型实时分类，其流程如图1。为样本特征添加对应地面类型标签，以人工方式建立特征与地面类型关系。特征和标签之间的隐藏关系需要通过机器学习算法得到，只有确定了映射关系，才可以对其他图像帧进行分类计算。

根据训练支持向量机模型原理，将各类地面所采集得到的基于视觉特征向量以及其对应的类别标签输入到模型中进行最优化求解。各类地面类型样本容量需保持一致，以避免建立的模型产生分类辨识偏差。

在各个目标地面类型上采集对应的特征向量样本。以HSV颜色通道为例，选择柏油路，瓷砖路，草地，沙地，石板路五种地面类型的在HSV三维向量上取值分布。每一类特定的目标地面特征各维取值服从正态分布，即特定目标地面的特征在14维坐标系中汇聚为一个高维高斯椭球体。

实时实验时将探测到的特征进行平均化处理得到即时的目标地面特征，将该特征与特征模型库内各个模型进行匹配，当采集处理到的特征处于模型库对应高斯椭球内时，则证明匹配成功，即得到了实时探测的地面类型。

在匹配过程中，可能出现探测特征符合两种或多种特征模型，柏油路和沙地的取值相似度较高。本课题采用比较各个类别与采集到特征向量二范数球心距方法，最小距离在远小于其他模型距离时，则该地面类型模型匹配成功。若距离大小均相似，则返回下帧图像进行重新探测并重新匹配。

另一种情况为特征与已建立的特征模型均不匹配且球心距均很大，证明探测到的目标地面为新类型地面，经过多次不匹配确定后，为其建立起新的地面类型模型，并按新建顺序序号为其命名，后处理时可为其进行人工命名处理，通过这种方式可以实现对未知地面类型的学习。

对本发明提出的两种信号的融合进行可行性分析如下：

混合传感器的地面类型识别硬件选择安装与识别，采用视觉传感器为单目相机选用SONYAF216XDSP相机，其主要参数为216倍变焦，高速串行接口(<38.4kb/s)，供电电压12V。相机在履带式移动机器人的前部横置，以实现俯仰角度的可调整性。

采集系统采用加速度计CrossbowNAV420传感器，它能够实时提供X、Y、Z轴的加速度，速度等信息，抗电磁干扰，能够在恶劣的环境下工作。采用COM端口提供实时数据。振动信号的振源为履带与地面接触处的击打部位。为了提取最佳的振动信号，并与ADAMS仿真结果相对比，振动传感器安装在履带机器人一侧，并尽可能靠近履带机器人的履带部位。

对于两种信号的输出值，取值均为各地面类型标签。为方便信息融合以及数据统计等工作，将二者对各地面类型取值在程序编撰上完成了统一，并且实现对控制程序各信号的特征提取模块中特征整体存储功能的添加。综上所述，两种信号的融合在理论上是可行的。

对于实际实验，如图2所示，单目相机辨识地面位置为光轴所在直线与地面的交点A处，加速度传感器辨识的地面位置则为加速度计的正下方B处，二者之间有固定的位移差S，由于距离S为永久性的存在，故实际实时实验中，两传感器单位时间内采集的信息与分辨结果均有时间上的差异，如何消除时间差异成为两种信号融合可否的关键。

根据实验室原有的技术基础，振动信号的采集要求为恒定的某一速度，以此为前提，两传感器探测位置的时间差异因固定位移差S和恒定速度v决定而成为固定的时间常数。距离S经过对相机的俯角调整固定后，测量为120cm，当以恒定速度0.24m/s进行实验时，计算出B点运行到A处的时间为5s。

在控制程序中各自的特征提取模块里特征的存储信息中为所提取的特征添加时间信息，如此便可实现两种特征之间消除时间常数之后的寻址匹配，即得出结论两种信号的融合是完全可行的。

由于分类辨识的框架一致，均为“特征提取—机器学习—分类辨识”，因此在各自对应的环节均可以进行融合处理。通过不同信息的组合，可实现不同的传感器融合模式。其中包括：视觉信号提取的特征与振动信号提取的特征之间进行融合，即两传感器的特征层融合；视觉信号的辨识结果与振动信号的辨识结果之间进行融合，即两传感器的决策层融合。本发明实现的融合方式如图3所示：基于视觉和振动信息融合的地面类型辨识方法，其特征在于所述方法的实现过程为：

步骤一、获得样本训练集：对在特定类型地面上行驶的车辆采集振动信号I_z和图像信号I_v，以用于地面类型辨识；对振动信号、图像信号分别进行特征提取，获得振动信号样本训练集和图像信号样本训练集；

步骤二、未知类型地面识别过程：对在未知类型地面上行驶的车辆采集振动信号和图像信号，将其分别与振动信号样本训练集和图像信号样本训练集进行比对，进行振动分类识别、图像分类识别，获得振动识别结果和图像识别结果；

步骤三、信息融合过程：

将步骤一中的振动信号样本训练集中每个振动信号样本与图像信号样本训练集中对应的图像信号样本进行融合，确定最优的N值，使图像信号放大N倍后与对应的振动信号融合后得到最高的辨识算法准确率；

根据步骤三获得最优的N值，将步骤二中的振动识别结果与对应的图像识别结果进行融合，得到融合后的识别结果，将融合后的识别结果经过处理后作为地面类型辨识结果。

在步骤三中，最优的N值的获得过程为：

将振动信号的提取得到的128维特征，将图像信号提取的特征向量长度为14维，图像信号与振动信号特征尺度相差较多为平衡二者之间的训练权重，需要对两种特征重新进行归一化处理，得到统一的142维特征；

将采集得到的视觉信号特征同比放大不同倍数进行不同尺度的特征层级别融合，用交叉验证的办法对融合结果的准确率进行检验，以视觉信号特征放大倍数为横坐标、融合后交叉检验准确率为纵坐标，获得二维折线图，找到准确率最高点对应的放大倍数，即完成N值的确定。放大倍数N值取为19或20。

在步骤三中，根据步骤三获得最优的N值，将步骤二中的振动识别结果与对应的图像识别结果进行融合，得到融合后的识别结果的具体过程为：

利用I_z和I_v的两种信号分类结果对地面类型进行探测，基于贝叶斯公式理论搭建融合模型，融合模型搭建之前需要进行测量I_z和I_v的两种传感器对单一地面类型的辨识实验以对各自信号分辨准确率进行统计；

设测试地面类型数为k，测试的某特定地面标签为m＝m₁,m₂,...,m_k，传感器输出的分辨结果标签为n＝n₁,n₂,...,n_k；经过实验可以得到两种传感器将m辨识为n的概率，记为

P_z(n|m)或P_v(n|m)，其中P_z为振动信号辨识概率，P_v为视觉信号辨识概率；

简化各测试地面的先验概率P(m)，假设各测试地面为等概率出现即P(m)＝1/k；

根据全概率公式：

$P\left(A\right)=\underset{i=1}{\overset{k}{\&Sigma;}}P\left(A\right|B_i)P\left(B_i\right)---\left(4-1\right)$

可计算出传感器判断输出为某地面的概率P(n)，再根据贝叶斯公式：

$P\left(A\right|B)=\frac{P\left(B\right|A)P\left(A\right)}{P\left(B\right)}---(4-2)$

即可求出该传感器以辨识算法输出结果为已知条件，其测试地面类型的可能性概率P(m|n)；

两种信号I_z和I_v各生成含有k²个概率值的列表，求出的P_z(m|n)或P_v(m|n)分布不同且相互独立；

当振动信号辨识输出为n₁，视觉信号辨识输出为n₂时，由于二者的相互独立性，测试地面为m的联合条件概率P(m|n₁,n₂)正相关于P_z(m|n₁)P_v(m|n₂)；以此为依据建立起概率数据表，在相同输出条件下找到概率最大的测试地面，即为两信号输出的融合结果。

视觉特征与振动特征层级别融合：

将两种信号对各自信息源上采集信息所提取的特征X_z和X_v进行特征层级别的融合。特征层融合示意图如图4所示。振动信号的提取需要在一秒种内获得加速度传感器所感知的连续100个采集的加速度值并对其处理得到的128维特征，为了统一两种信号采集信息特征的频率，通过VS2008编程环境，对实验控制程序系统的采集模块进行调整，在消除两传感器传感时间差的前提下，将采集频率调整为1.5s/次，处理得到的特征作为融合样本。

单帧图像信号提取的特征向量长度为14维，与振动信号的128维特征尺度相差较多，且基于振动信号特征提取的归一化处理在前有技术中处于缺省状态。为平衡二者之间的训练权重，需要对两种特征重新进行归一化处理，得到统一的142维特征。依据第三章内容对新的特征进行支持向量机模型训练，因此特征层级别的融合仅适用于基于支持向量机辨识算法的视觉信号与振动信号融合。

为寻找最适合的归一化尺度，本课题将采集得到的视觉信号特征同比放大不同倍数进行不同尺度的特征层级别融合，用交叉验证的办法对融合结果的准确率进行检验。对特征层级别融合方法采集得到的特征样本进行训练，基于视觉信号辨识算法交叉检验准确率为77.592％，振动信号辨识算法准确率交叉检验相对较低，为62.8763％。不同尺度融合之后交叉验证准确率如图5所示。

实验得出，视觉特征融合时放大倍数会影响融合准确率，但并非准确率较高的视觉特征权重越大准确率越高，在12-24倍之间达到融合准确率的饱和值，过于放大融合准确率会下降，甚至跌破击穿较低的振动信号准确率，视觉信号特征被放大至19倍时，融合后交叉检验准确率最高为72.2408％，饱和准确率仍然与单独视觉信号准确率有一定差距。

实验将视觉信号放大20倍与振动信号进行特征层融合。根据实验采集得到的数据进行特征层融合处理，融合前后分辨情况如柱状图6所示：

由图可以得出，除柏油路辨识外，融合准确率均处于视觉准确率和振动准确率之间。由融合失效情况看，融合后被误分类的类型均为柏油路，因此有理由相信虽然融合后的柏油路分辨准确率达到了100％，但是仍有因分辨失效使错误分类恰好为柏油路的可能性。

基于两种信号辨识结果的贝叶斯融合模型

基于辨识结果的融合模型利用得到的分别为I_z和I_v的两种信号分类结果对地面类型进行探测，相当于对传感器的决策层进行融合。本课题基于贝叶斯公式理论对融合模型进行搭建。特征决策层融合示意图如图7所示。

融合模型搭建之前需要进行两种传感器对单一地面类型的辨识实验以对各自信号分辨准确率进行统计。设测试地面类型数为k，测试的某特定地面标签为m＝m₁,m₂,...,m_k，传感器输出的分辨结果标签为n＝n₁,n₂,...,n_k。经过实验可以得到两种传感器将m辨识为n的概率，记为P_z(n|m)或P_v(n|m)，其中P_z为振动信号辨识概率，P_v为视觉信号辨识概率。统计后即可得到已探测所有地面类型的条件概率，如图8所示。

各测试地面的先验概率P(m)因季节变化等分布有所不同，如冬季雪地出现概率增加，而草地出现概率近乎为零，夏季反之。本课题对先验概率做出简化，假设各测试地面为等概率出现即P(m)＝1/k。

根据全概率公式：

$P\left(A\right)=\underset{i=1}{\overset{k}{\&Sigma;}}P\left(A\right|B_i)P\left(B_i\right)---\left(4-1\right)$

可以计算出传感器判断输出为某地面的概率P(n)。再根据贝叶斯公式：

$P\left(A\right|B)=\frac{P\left(B\right|A)P\left(A\right)}{P\left(B\right)}---(4-2)$

即可求出该传感器以辨识算法输出结果为已知条件，其测试地面类型的可能性概率P(m|n)。两种信号各生成含有k²个概率值的列表。由于各传感器特征提取的方式不同，其对各地面类型的分辨准确率也不尽相同，即所求出的P_z(m|n)或P_v(m|n)分布不同且相互独立。

当振动信号辨识输出为n₁，视觉信号辨识输出为n₂时，由于二者的相互独立性，测试地面为m的联合条件概率P(m|n₁,n₂)正相关于P_z(m|n₁)P_v(m|n₂)。以此为依据建立起概率数据表，在相同输出条件下找到概率最大的测试地面，即为两信号输出的融合结果，生成决策表。

理论上，当传感器之间各测试地面准确率的分布差异越大，融合后的准确率上升越多，分布差异小则会将准确率钳制在传感器之间较高的分辨准确率上。以视觉信号支持向量机模型和振动信号支持向量机模型融合为例。决策层融合实验结果准确率如下图9所示：

根据这一理论可以对决策层的融合方法进行拓展，继续向后衍生出更多传感器决策层的融合。当传感器或者分辨算法数目增多到一定程度时，便可以建立起更可靠的地面类型辨识系统。

综上所述，结合理论依据和实验结果。特征层融合对多种传感器之间的准确率差异起到中和作用，但无法对准确率实现进一步提高；决策层融合方法需要大量先验数据统计，但可以有效提高辨识准确率，尤其当传感器分辨模型差异较大时功效更为显著。因此，本课题最终选用决策层融合方法对两种信号的辨识结果进行融合。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (4)

1.一种基于视觉和振动信息融合的地面类型辨识方法，其特征在于所述方法的实现过程为：

步骤一、获得样本训练集：对在特定类型地面上行驶的车辆采集振动信号I_z和图像信号I_v，以用于地面类型辨识；对振动信号、图像信号分别进行特征提取，获得振动信号样本训练集和图像信号样本训练集；

步骤二、未知类型地面识别过程：对在未知类型地面上行驶的车辆采集振动信号和图像信号，将其分别与振动信号样本训练集和图像信号样本训练集进行比对，进行振动分类识别、图像分类识别，获得振动识别结果和图像识别结果；

步骤三、信息融合过程：

将步骤一中的振动信号样本训练集中每个振动信号样本与图像信号样本训练集中对应的图像信号样本进行融合，确定最优的N值，使图像信号放大N倍后与对应的振动信号融合后得到最高的辨识算法准确率；

根据步骤三获得最优的N值，将步骤二中的振动识别结果与对应的图像识别结果进行融合，得到融合后的识别结果，将融合后的识别结果经过处理后作为地面类型辨识结果。

2.根据权利要求1所述的一种基于视觉和振动信息融合的地面类型辨识方法，在步骤三中，最优的N值的获得过程为：

将振动信号的提取得到的128维特征，将图像信号提取的特征向量长度为14维，图像信号与振动信号特征尺度相差较多为平衡二者之间的训练权重，需要对两种特征重新进行归一化处理，得到统一的142维特征；

将采集得到的视觉信号特征同比放大不同倍数进行不同尺度的特征层级别融合，用交叉验证的办法对融合结果的准确率进行检验，以视觉信号特征放大倍数为横坐标、融合后交叉检验准确率为纵坐标，获得二维折线图，找到准确率最高点对应的放大倍数，即完成N值的确定。

3.根据权利要求2所述的一种基于视觉和振动信息融合的地面类型辨识方法，放大倍数N值取为19或20。

4.根据权利要求1、2或3所述的一种基于视觉和振动信息融合的地面类型辨识方法，在步骤三中，根据步骤三获得最优的N值，将步骤二中的振动识别结果与对应的图像识别结果进行融合，得到融合后的识别结果的具体过程为：

利用I_z和I_v的两种信号分类结果对地面类型进行探测，基于贝叶斯公式理论搭建融合模型，融合模型搭建之前需要进行测量I_z和I_v的两种传感器对单一地面类型的辨识实验以对各自信号分辨准确率进行统计；

设测试地面类型数为k，测试的某特定地面标签为m＝m₁,m₂,...,m_k，传感器输出的分辨结果标签为n＝n₁,n₂,...,n_k；经过实验可以得到两种传感器将m辨识为n的概率，记为P_z(n|m)

或P_v(n|m)，其中P_z为振动信号辨识概率，P_v为视觉信号辨识概率；

简化各测试地面的先验概率P(m)，假设各测试地面为等概率出现即P(m)＝1/k；

根据全概率公式：

$P\left(A\right)=\underset{i=1}{\overset{k}{\&Sigma;}}P\left(A\right|B_i)P\left(B_i\right)---\left(4-1\right)$

可计算出传感器判断输出为某地面的概率P(n)，再根据贝叶斯公式：

$P\left(A\right|B)=\frac{P\left(B\right|A)P\left(A\right)}{P\left(B\right)}---\left(4-2\right)$

即可求出该传感器以辨识算法输出结果为已知条件，其测试地面类型的可能性概率P(m|n)；

两种信号I_z和I_v各生成含有k²个概率值的列表，求出的P_z(m|n)或P_v(m|n)分布不同且相互独立；

当振动信号辨识输出为n₁，视觉信号辨识输出为n₂时，由于二者的相互独立性，测试地面为m的联合条件概率P(m|n₁,n₂)正相关于P_z(m|n₁)P_v(m|n₂)；以此为依据建立起概率数据表，在相同输出条件下找到概率最大的测试地面，即为两信号输出的融合结果。