基于主动学习SVM的智能车辆障碍物检测

摘要

现有的多数智能车辆主要靠人工调节感知系统，这使得它们难以适应新的任务和环境。监督学习算法可以自动调节复杂感知系统的可变参数，提供了一个切实可行的解决这类问题的途径，因此在机器人感知领域得到了广泛关注。 针对智能车辆领域的障碍物检测问题，本文采用支持向量机方法，它是基于分类问题而提出的一种机器学习方法，在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势，而且其推广能力明显优于一些传统的学习方法。 在智能车辆系统的分类问题中，使用监督学习算法必须提供标记数据进行训练学习，而大规模的户外机器人系统在实际应用中，需要学习大量的标记样本，因此标注这些数据是一个必须的工作。由于评价、标注样本的类别需要花费很多的时间，这使得在机器人感知问题中直接应用机器学习的算法是不切实际的。 针对这种情况，本文在对传统支持向量机算法进行研究的基础上引入了主动学习方法。主动学习可以主动选择最有利于提高分类器性能的样本进一步设计分类器，从而有效减少所需训练样本的数量，标注样本所需的代价也随之减少。 本文用来自现实世界的数据做了大量的试验，试验结果表明采用基于主动学习的支持向量机算法，能够在保证分类精度的情况下有效减少训练样本的数量，从而增强了智能车辆系统的自适性。

目录

文摘

英文文摘

声明

1绪论

1.1研究背景

1.1.1智能车辆的研究进展

1.1.2智能车辆的关键技术

1.1.3障碍物检测方法

1.2机器学习技术在智能车辆系统中的应用

1.2.1引入机器学习技术的优势和存在的问题

1.2.2机器学习技术主要研究的问题

1.3本文的主要研究内容

1.4本文的结构安排

2环境感知图像的特征提取

2.1概述

2.2颜色特征

2.2.1颜色模型的选择

2.2.2颜色矩

2.3纹理特征

2.3.1彩色图像转灰度图像

2.3.2快速傅立叶变换

2.3.3基于频率的纹理特征提取

2.4数据的处理

2.5本章小结

3基于传统支持向量机的障碍物检测

3.1统计学习理论

3.2支持向量机的基本原理

3.2.1线性可分

3.2.2线性不可分

3.2.3非线性空间

3.2.4核函数

3.3支持向量机训练算法的实现

3.3.1最优化理论

3.3.2序贯最小优化算法

3.3.3决策函数中的常数项

3.4基于传统支持向量机的障碍物检测实验

3.4.1实验描述

3.4.2参数选择实验

3.4.3实验结果与分析

3.5本章小结

4基于主动学习SVM的障碍物检测

4.1主动学习简介

4.2基于后验概率的SVM

4.2.1概率模型的确定

4.2.2基于最大熵估计的模型参数的确定

4.3基于SVM概率模型的主动学习方法

4.4基于主动学习SVM的障碍物检测实验

4.4.1实验描述

4.4.2实验结果与分析

4.5本章小结

5结论

致谢

参考文献