基于纹理特征的地表覆盖分类算法研究

摘要

基于机器视觉的环境感知是模式识别、人工智能领域的研究热点之一，也是智能车研究的必要内容之一，而地表分类是这一内容的重要组成部分。其中对于结构化道路的研究相对比较成熟，原因是由于结构化道路地表的颜色、纹理等特征较为稳定、统一，便于进行针对性的研究。非结构化道路的路表分类由于受外界环境影响较大，例如阳光直射、雨雪对阳光的反射等环境下，路表分类的结果就相应较差。由于智能车辆工作在光照、天气、景物等都复杂多变的室外环境中，所以本文重点研究非结构化道路地表分类问题。本文研究内容主要分为四个部分:
　　(1)研究了地表纹理特征提取方法，重点研究了颜色特征、LBP特征、SIFT特征;并将目前主流的几种纹理特征和颜色特征与一些分类器结合，在纹理数据库中进行试验。
　　(2)研究了SVM在地表分类中的应用，根据随机森林集成学习的思想，研究了KNN-SVM在地表识别中的应用;另外由于SVM核函数的重要性，继而研究了基于混合核函数的SVM在地表识别中的应用。在地表识别分类中采用了两阶段的方法，其中第一阶段使用加入混合核函数的KNN-SVM分类得到是草地还是非草地，实验证明可以得到较高的准确率。
　　(3)研究了随机森林在地表分类中的应用，根据SVM分类最大化分类间隔的思想，研究了集成分类器的分类间隔以及基于分类间隔的随机森林在地表识别中的应用。两阶段法第二阶段将泥土路和砂石路剩余的7个类别进行分类。在这一阶段中，基于分类间隔的随机森林能取得更好的分类效果，时间花费也更少。
　　(4)研究了基于深层学习的地表分类算法，本章主要研究了卷积神经网络，并提出了基于多通道卷积神经网络的非结构化道路路表分析方法。实验表明，由于加入了颜色信息，在我们的数据库上，我们提出的方法相对于传统的卷积神经网络有较大提高。在越野环境场景图像上的地表识别结果显示本章方法相对于传统方法具有更好的适应性。

目录

声明

摘要

1 绪论

1．1 本文研究的背景与意义

1．2 智能汽车国内外研究现状

1．2．1 美国智能车辆发展及现状

1．2．2 欧洲智能车辆发展及现状

1．2．3 亚洲智能车辆发展及现状

1．2．4 我国智能车辆发展及现状

1．3 路表识别研究现状

1．4 与本文相关的前期工作

1．4．1 采集图像数据

1．4．2 标记图像

1．4．3 建立地表纹理数据库

1．5 本文研究的内容和结构安排

2 地表纹理多特征提取方法

2．1 颜色特征

2．2 LBP特征

2．3 SIFT特征

2．3．1 构建尺度空间

2．3．2 尺度空间极值点检测

2．3．3 为特征点分配方向值

2．3．4 生成特征描述子

2．4 实验结果

2．5 本章小结

3 基于SVM的地表分类算法

3．1 SVM算法

3．2 利用集成学习思想提高SVM分类性能的研究(KNN-SVM)

3．2．1 集成学习方法

3．2．2 KNN分类器

3．2．3 KNN-SVM算法

3．3 基于混合核函数的SⅥ垤

3．3．1 核函数

3．3．2 核函数支持向量机

3．3．3 混合核函数

3．3．4 混合核函数参数评价指标

3．4 实验结果

3．5 本章小结

4 基于随机森林的地表分类算法

4．1 决策树

4．1．1 CLS算法

4．1．2 ID3算法

4．1．3 C4．5算法

4．1．4 CART算法

4．2 随机森林

4．2．1 随机森林的随机性

4．2．2 随机森林算法示意图

4．2．3 随机森林的性能指标

4．3 基于分类间隔的随机森林

4．3．1 分类间隔研究简述

4．3．2 基于分类间隔的随机森林

4．4 实验结果

4．5 本章小结

5 基于多通道卷积神经网络的非结构化道路路表分析

5．1 卷积神经网络简介

5．2 基于多通道的卷积神经网络

5．2．1 反向传播算法(BP算法)在多通道卷积神经网络中的应用

5．2．2 多通道卷积神经网络模型

5．2．3 多通道卷积神经网络训练算法

5．3 实验结果

5．3．1 实验参数设定

5．3．2 实验结果

5．4 本章小结

6 总结与展望

致谢

参考文献

攻读硕士学位期间发表的论文和出版著作的情况

攻读硕士学位期间参与的科研项目