地面物理特性主要包括地面刚度特性和摩擦特性,能够对足式机器人的运动状态产生举足轻重的影响。足式机器人对此类信息的缺乏会导致滑倒、倾覆、足地力冲击大等问题发生。目前,对地面物理特性的接触式估计方法具有较大的滞后性,难以满足足式机器人的运动需求,而非接触式估计方法鲜有报道。视觉具有较大潜力,在使用视觉感知三维地形信息方面有较多成果出现,但在感知物理特性方面存在较大不足。因此,本文对野外环境地面物理特性的视觉估计方法进行了研究,主要研究工作如下:首先,针对图像语义分割研究中野外环境地面数据集不完善的问题,调研了野外环境中不同地面类型的面积占比,选择了典型类型作为本课题数据集的采集对象,利用手持拍摄设备采集了野外环境典型地面类型的高分辨率原始RGB图像。随后对各种地面类型进行了数量统计和处理,实现了各类型之间的平衡,建立了原始RGB图像数据集。按照合理的标注策略,使用LabelMe对原始RGB图像数据集进行了手工密集标注,生成了像素值为对应训练ID的单通道灰度图,建立了真实值图像数据集。构建了由原始RGB图像数据集和真实值图像数据集组成的野外环境地面图像数据集,为后续研究地面物理特性的视觉估计方法奠定了良好基础。其次,针对图像分辨率在深度神经网络中衰减过大带来的信息损失过多问题,提出了对高分辨率图像进行并行提取特征和特征融合的解决方案,弥补了图像在高度和宽度方向的信息损失,保证了对高分辨率图像信息利用的最大化。搭建了从网络浅层到网络深层的长跳远连接,提高了对几何纹理特征的学习能力,改善了对没有特定形状和特定拓扑结构的地面类型的分割效果。在网络后端设计了金字塔池化模块,提高了网络综合感知图像全局信息和局部信息的能力。完成了对野外环境地面数据集中地面类型语义分割网络的设计。然后,针对同一大类内的细分类型物理特性不一致的问题,仿照了生物学原理,使用Sobel算子提取了细分类型图像的表面机械特征,使用高斯模糊提取了细分类型图像的光学特征;拟合并分析了用于表征各上述两种特征的高斯分布函数;实现了对上述两种特征的分段量化,建立了融合语义信息、表面机械特征和光学特征,并用于摩擦等级和刚度等级推断的特征向量数据集;建立了基于CART算法的决策树并对数据集进行了学习,解决了同一大类内的细分类型物理特性不一致的问题,最终实现了对野外地面类型物理特性的推断。最后,利用深度CNN框架Pytorch搭建了地面类型语义分割网络,在图像处理工作站上对其进行了训练和测试,证明了网络的可收敛性以及良好的泛化能力;进行了消融实验,验证了所设计的三个结构都对网络的最终效果产生了积极作用,对比分析了地面类型分割网络与ResNet-101的分割效果,显示出了地面类型分割网络的高准确率;对基于深度学习的野外环境地面物理特性视觉估计方法进行了测试实验,可视化了测试结果,验证了本文所提算法的有效性;针对整体算法提出了量化评估方案并得出了准确度。