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(jī)器人是一種能夠利用自身所攜帶的傳感器裝置對(duì)各種地面環(huán)境進(jìn)行理解和判斷，并在此基礎(chǔ)上進(jìn)行規(guī)劃和決策，從而實(shí)現(xiàn)連續(xù)自主或半自主行駛的機(jī)器人。隨著軍用、民用和宇宙探索等領(lǐng)域巨大需求的推動(dòng)，地面智能機(jī)器人技術(shù)正在經(jīng)歷著日新月異的發(fā)展。對(duì)地面環(huán)境的理解是地面智能機(jī)器人自主導(dǎo)航控制系統(tǒng)的核心技術(shù)。相對(duì)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?yàn)樵谑彝猸h(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(duì)地面智能機(jī)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(wèn)題展開(kāi)工作，并取得了一定的研究成果，具體內(nèi)容如下：
　　 針對(duì)因光照變化等因素造成地形分類性能下降的問(wèn)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(lái)提取地形特征，同時(shí)采用高斯混合模型(Gaussian Mixture Models，GMM)對(duì)不同類型和光照條件下的地形特征數(shù)據(jù)進(jìn)行建模，從而能

3、對(duì)呈現(xiàn)多種表現(xiàn)的地形特征進(jìn)行很好統(tǒng)計(jì)。對(duì)于GMM組成模型數(shù)目則采用貝葉斯信息準(zhǔn)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(lái)決定當(dāng)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(wèn)題。實(shí)驗(yàn)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(jìn)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(gè)頻率子波段中獨(dú)立提取的，沒(méi)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(shí)場(chǎng)景的分類中。為了能夠提取到性能更好并能滿足真實(shí)場(chǎng)景分類需要的特征，提出了兩種改進(jìn)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(lái)提取各頻率子波段之間的關(guān)系特征。該特征沒(méi)有進(jìn)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(duì)彩色圖像，在已有特征的基礎(chǔ)上，利用對(duì)數(shù)函數(shù)對(duì)Radon變換系數(shù)矩陣進(jìn)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(shí)驗(yàn)可知，上

5、述兩種算法的性能都較好，尤其是后者在真實(shí)的場(chǎng)景分類中表現(xiàn)優(yōu)良。
　　 針對(duì)常規(guī)的SVM(Support Vector Machines)主動(dòng)學(xué)習(xí)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(wèn)題和局限性，采用動(dòng)態(tài)聚類過(guò)程來(lái)選取最有代表性樣本、根據(jù)專家標(biāo)記與當(dāng)前SVM分類結(jié)果的差值來(lái)調(diào)整SVM超平面位置兩種策略對(duì)其進(jìn)行了改進(jìn)，提出了一種新的主動(dòng)學(xué)習(xí)算法--KSVMactive算法。針對(duì)可通行性區(qū)域分類中因樣本量過(guò)大而造成的標(biāo)記

6、困難以及樣本分布不均衡等問(wèn)題，提出了一種基于AUC(Area Under the Receiver Operating Characteristic)優(yōu)化的非線性主動(dòng)學(xué)習(xí)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(jìn)行得分計(jì)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(shí)所可能產(chǎn)生次優(yōu)解問(wèn)題。使用所提出的兩種主動(dòng)學(xué)習(xí)算法，可以有效地減少樣本標(biāo)記的工作量，且分

7、類結(jié)果與手動(dòng)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(lái)訓(xùn)練的，當(dāng)樣本分布不平衡或者分類錯(cuò)誤代價(jià)不相等時(shí)，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(dòng)態(tài)聚類選擇最有代表性樣本交由專家進(jìn)行標(biāo)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(duì)線性分類器進(jìn)行訓(xùn)練，該算法能較好地解決因樣本量過(guò)大而造