辅助驾驶中基于单幅图像的复杂道路场景分类方法研究

摘要

对道路场景图像进行有效的语义解析和分类，有助于提高辅助驾驶系统的鲁棒性，并且能够保证在获取足够语义信息的前提下，减少系统存储量，降低计算复杂度。本文针对辅助驾驶中基于单幅的复杂道路场景图像分类的方法进行了深入的研究，具体研究内容包括以下几方面：
　　首先，构建融合特征图像描述方法。本文提出了一种基于多特征融合复杂道路场景分类方法，其核心思想是多特征融合加权融合并级联分类。该方法提取图像全局特征、梯度直方图特征和改进的颜色直方图特征，并对特征进行主成分分析融合，得到低维融合子空间特征。最终将特征提取结果送入分类器中进行训练和预测。
　　其次，卷积神经网络特征优化。本文提出一种基于深度学习中卷积神经网络预训练的道路场景分类方法。首先针对样本图像构建响应的深层网络模型并进行训练，得到适用于道路场景图像特征提取的深度学习模型，然后将样本图像送入模型中进行层层映射，得到图像语义的深层特征描述，最后结合支持向量机等高性能分类器，对特征提取结果进行分类。
　　最后，构建道路图像场景数据库。针对目前道路场景分类图像库中道路类型种类数及其在智能交通中的应用性，构建了包含雪地、乡村、街景、高速公路、荒漠和隧道6类常见的道路场景数据库，并在此基础上进行实验。大量的实验及对比结果表明，多特征融合复杂道路场景分类方法平均正确率可达91％;基于深度学习预训练的多特征融合复杂道路场景分类方法平均正确率可达91.27%，相对于经典的道路场景分类方法在正确率、算法鲁棒性方面都有一定提高，印证了本文所提出算法的有效性。

目录

封面

声明

中文摘要

英文摘要

目录

第1章 绪 论

1.1 研究背景及意义

1.2 国内外研究现状

1.3 研究内容

1.4 论文的主要工作和组织结构

第2章 复杂道路场景分类的相关理论

2.1 图像特征

2.2 PCA特征降维

2.3 支持向量机SVM

2.4 本章小结

第3章 基于多特征融合的复杂道路场景分类

3.1 方法描述

3.2 特征值提取

3.3 特征值融合与降维

3.4训练与分类

3.5 本章小结

第4章 基于CNN预训练的道路场景分类方法

4.1引言

4.2基于CNN的道路场景分类

4.3训练原理

4.4 CNN特征提取预训练流程

4.5本章小结

第5章 实验结果与分析

5.1 实验环境设置

5.2 实验数据库

5.3多特征融合的场景分类结果与分析

5.4基于CNN预训练的场景分类实验结果与分析

5.5 本章小结

结论

参考文献

攻读硕士学位期间承担的科研任务与主要成果

致谢