非结构化道路导航图像的特征提取与分类

摘要

在移动机器人的相关技术研究中，导航技术是其核心技术之一，其中视觉导航需要检测行驶环境，从而确定移动机器人的可行驶道路区域。非结构化道路识别是移动机器人视觉导航中的重要组成部分。在野外环境中，非结构化道路占有很大比例，所以对非结构化道路图像进行分析有着重要的意义。 本文主要研究机器人视觉导航中非结构化道路图像特征提取与分类问题。针对非结构化道路图像的特点，本文中选用符合人类视觉感知的HSV空间进行颜色分析，并采用比较适合自然纹理分析的灰度共生矩阵和Gabor滤波器方法进行非结构化道路纹理特征统计量提取。对于野外的非结构化道路环境，采用来源于两类分类问题的支持向量机方法进行非结构化道路区域分割。然后，针对提取出来的道路区域，利用改进的k-近邻方法进行不同路面的分类，使机器人能更好的感知非结构化道路环境信息，更平稳、安全、快速的行驶。

目录

文摘

英文文摘

声明

1绪论

1.1研究背景

1.2移动机器人国内外研究现状

1.3移动机器人视觉导航技术

1.4非结构化道路识别问题

1.5本文主要研究内容

2非结构化道路图像颜色特征提取

2.1颜色空间变换

2.1.1 RGB空间模型

2.1.2 HSV空间模型

2.1.3 RGB空间到HSV空间的变换

2.2非结构化道路图像颜色特征提取

2.2.1非结构化道路环境颜色信息分析

2.2.2在HSV空间中分析计算非结构化道路图像的颜色特征

2.3本章小结

3非结构化道路图像纹理特征提取

3.1纹理分析方法

3.1.1灰度共生矩阵

3.1.2 Gabor滤波器

3.2非结构化道路纹理特征提取

3.2.1非结构化道路环境纹理信息分析

3.2.2利用灰度共生矩阵进行非结构化道路图像纹理特征值计算

3.2.3基于Gabor滤波器的纹理特征值计算

3.3本章小结

4基于支持向量机的非结构化道路区域提取

4.1支持向量机理论

4.1.1最优分类面

4.1.2广义最优分类面

4.1.3高维空间的最优分类面

4.2基于支持向量机的非结构化道路区域提取

4.2.1用于非结构化道路区域提取的特征向量

4.2.2基于支持向量机的非结构化道路区域提取与分析

4.2.3实验分析

4.3本章小结

5基于改进k-近邻方法的非结构化道路路面分类

5.1 k-近邻和改进的k-近邻方法

5.1.1 k-近邻法

5.1.2改进的k-近邻法

5.2非结构化道路路面特征向量生成

5.3基于改进k-近邻算法的非结构化道路路面分类与分析

5.3.1非结构化道路路面分类决策规则描述

5.3.2基于改进的k-近邻法的非结构化道路路面分类

5.3.3实验分析

5.4本章小结

6总结与展望

致 谢

参考文献