面向非結(jié)構(gòu)環(huán)境圖像理解的算法研究.pdf

1、地面智能機器人是一種能夠利用自身所攜帶的傳感器裝置對各種地面環(huán)境進行理解和判斷，并在此基礎(chǔ)上進行規(guī)劃和決策，從而實現(xiàn)連續(xù)自主或半自主行駛的機器人。隨著軍用、民用和宇宙探索等領(lǐng)域巨大需求的推動，地面智能機器人技術(shù)正在經(jīng)歷著日新月異的發(fā)展。對地面環(huán)境的理解是地面智能機器人自主導(dǎo)航控制系統(tǒng)的核心技術(shù)。相對于室內(nèi)、高速公路等結(jié)構(gòu)化環(huán)境理解，室外的草地、土地以及沙地等非結(jié)構(gòu)化環(huán)境理解更具有挑戰(zhàn)性，因為在室外環(huán)境下存在的光照、景物、天氣以及地面不規(guī)

2、則性等復(fù)雜多變的因素，使環(huán)境理解算法更為復(fù)雜困難。本文針對地面智能機器人非結(jié)構(gòu)環(huán)境理解中迫切需要解決的若干關(guān)鍵問題展開工作，并取得了一定的研究成果，具體內(nèi)容如下：
　　 針對因光照變化等因素造成地形分類性能下降的問題，提出了一種快速有效的地形分類算法。該算法是利用顏色特征并結(jié)合紋理特征來提取地形特征，同時采用高斯混合模型(Gaussian Mixture Models，GMM)對不同類型和光照條件下的地形特征數(shù)據(jù)進行建模，從而能

3、對呈現(xiàn)多種表現(xiàn)的地形特征進行很好統(tǒng)計。對于GMM組成模型數(shù)目則采用貝葉斯信息準則加以確定，以提高GMM的分類性能。另外還提出了利用GMM概率信息來決定當前特征窗口地形類別的分類策略，解決了在不同地形區(qū)域邊界上分類性能差的問題。實驗結(jié)果表明，利用上述算法能夠?qū)崿F(xiàn)在較為復(fù)雜的非結(jié)構(gòu)環(huán)境中進行地形分類。
　　 常規(guī)的基于脊波變換的尺度和旋轉(zhuǎn)不變性特征，僅是在每個頻率子波段中獨立提取的，沒有考慮不同頻率子波段之間的相互關(guān)系，并且已有的算

4、法也很少應(yīng)用到真實場景的分類中。為了能夠提取到性能更好并能滿足真實場景分類需要的特征，提出了兩種改進算法。第一種算法是在已有特征的基礎(chǔ)上，采用構(gòu)建直方圖的方法來提取各頻率子波段之間的關(guān)系特征。該特征沒有進行尺度不變性處理，所以僅是一種旋轉(zhuǎn)不變性特征。第二種算法是針對彩色圖像，在已有特征的基礎(chǔ)上，利用對數(shù)函數(shù)對Radon變換系數(shù)矩陣進行尺度不變性處理，并采用線性回歸模型提取在不同的顏色組成平面下所有頻率子波段之間的關(guān)系特征。由實驗可知，上

5、述兩種算法的性能都較好，尤其是后者在真實的場景分類中表現(xiàn)優(yōu)良。
　　 針對常規(guī)的SVM(Support Vector Machines)主動學習算法在面向環(huán)境感知的可通行性區(qū)域分類應(yīng)用中所遇到的問題和局限性，采用動態(tài)聚類過程來選取最有代表性樣本、根據(jù)專家標記與當前SVM分類結(jié)果的差值來調(diào)整SVM超平面位置兩種策略對其進行了改進，提出了一種新的主動學習算法--KSVMactive算法。針對可通行性區(qū)域分類中因樣本量過大而造成的標記

6、困難以及樣本分布不均衡等問題，提出了一種基于AUC(Area Under the Receiver Operating Characteristic)優(yōu)化的非線性主動學習算法。該算法是將分類后的樣本利用基于AUC優(yōu)化的樣本選擇函數(shù)進行得分計算，然后根據(jù)分值大小選出最有信息量樣本，這能夠較好地解決因使用損失函數(shù)和誤差最小化原則在處理兩類樣本分布不平衡時所可能產(chǎn)生次優(yōu)解問題。使用所提出的兩種主動學習算法，可以有效地減少樣本標記的工作量，且分

7、類結(jié)果與手動方式相差不大。
　　 在可通行性區(qū)域分類中所使用的分類器大多數(shù)是基于誤差最小化原則來訓(xùn)練的，當樣本分布不平衡或者分類錯誤代價不相等時，這種類型的分類器便可能產(chǎn)生次優(yōu)解。為了得到性能更好的分類器，提出了兩種用于分類器訓(xùn)練的AUC優(yōu)化算法。第一種算法是利用動態(tài)聚類選擇最有代表性樣本交由專家進行標記，并放入訓(xùn)練集中，然后在已得到的訓(xùn)練集上，采用一種新的AUC最大化方法對線性分類器進行訓(xùn)練，該算法能較好地解決因樣本量過大而造