基于增量學習的復雜環(huán)境下道路識別算法研究.pdf

1、基于機器視覺的道路識別技術是自主駕駛車輛的核心技術之一。盡管許多學者對道路識別技術進行了深入研究，但仍然存在許多問題，制約著道路識別技術的進一步發(fā)展。究其原因，主要是由于實際道路環(huán)境的復雜性與多樣性，如陰影、光照變化、路面覆蓋物等，從而大大增加了道路識別的難度。另外，為了增強決策函數(shù)的泛化性能，提高道路識別的正確率，加之實際道路環(huán)境的復雜性與多樣性，往往需要提供大量不同的樣本進行訓練學習，通常需要大量的計算資源，從而傳統(tǒng)的批量學習方式已

2、難以適應實際的應用要求。
　　針對上述問題，本文針對復雜環(huán)境下道路識別中的增量學習與道路特征提取進行了深入研究，其主要研究工作如下:
　　(1)在研究雙支持向量機的基礎上，借鑒于傳統(tǒng)支持向量機的增量學習方法，提出了基于雙支持向量機的增量學習算法。將訓練樣本集分為歷史樣本集和新增樣本集，每當增加樣本后訓練樣本集發(fā)生變化，需要更新分類決策函數(shù)。在保證雙支持向量機分類精度的前提下，本文給出了保留歷史樣本集中的重要樣本和選擇新增樣本

3、集中的關鍵樣本的方法，從而建立了有效的動態(tài)訓練樣本集，進行增量學習，降低了算法的計算規(guī)模。選取6個UCI標準數(shù)據集和Road數(shù)據集進行仿真實驗，實驗結果表明本文的增量學習算法能夠有效的提高訓練速度，并能夠有效地識別出道路圖像中的大部分道路區(qū)域。
　　(2)對雙支持向量機進一步研究，將分類問題擴展到回歸問題，提出了基于雙支持向量回歸機的增量學習算法。不同于雙支持向量機建立動態(tài)訓練樣本集思想，該方法能夠充分利用增量學習前的計算信息，大

4、大簡化了增量學習時逆矩陣的求解，降低了模型訓練的復雜度。在人工數(shù)據集、時間序列預測和Road數(shù)據集上的實驗表明，該算法快速有效，并能夠有效地識別出道路圖像中的大部分道路區(qū)域。
　　(3)提出了基于K-means特征的復雜環(huán)境下道路識算法，首先利用SLIC超像素分割算法將道路圖像分割成同質的超像素塊，接著在超像素塊的基礎上提取K-means特征構建訓練樣本集，然后分別使用基于分類和回歸的增量學習算法進行訓練學習，得到決策函數(shù)，最后對