基于SVM的道路場(chǎng)景分割技術(shù)研究.pdf

1、地面智能機(jī)器人是一種可以脫離人的直接控制在地面實(shí)時(shí)地自主運(yùn)行的機(jī)器人。對(duì)地面智能機(jī)器人的研究關(guān)注的主要問(wèn)題是自主導(dǎo)航，而自主導(dǎo)航的關(guān)鍵技術(shù)是道路場(chǎng)景分割。地面智能機(jī)器人主要是根據(jù)視覺(jué)信息對(duì)其運(yùn)動(dòng)的環(huán)境進(jìn)行理解，通過(guò)視覺(jué)傳感器獲取道路場(chǎng)景圖像，對(duì)道路場(chǎng)景圖像進(jìn)行分割，識(shí)別出道路區(qū)域。在室外非結(jié)構(gòu)化道路環(huán)境中，由于存在天氣變化、光線強(qiáng)弱等復(fù)雜性因素，給獲取的道路圖像分割帶來(lái)了困難，不利于機(jī)器人自主導(dǎo)航。如何提取穩(wěn)定的具有高區(qū)分性的特征描述復(fù)

2、雜多變的環(huán)境，如何對(duì)復(fù)雜的道路場(chǎng)景進(jìn)行高效分割，是對(duì)地面智能機(jī)器人自主導(dǎo)航研究的主要內(nèi)容。
　　本文針對(duì)地面智能機(jī)器人自主導(dǎo)航中的道路場(chǎng)景分割技術(shù)進(jìn)行了深入研究，其主要內(nèi)容如下:
　　(1)研究了道路場(chǎng)景圖像分割原理，支持向量機(jī)原理及其相關(guān)理論，并研究了基于b-BTSVM的道路場(chǎng)景圖像分割方法。
　　(2)研究了基于b-BTSVM和超像素的陰影道路場(chǎng)景分割方法，利用SLICSuperpixel(simplelinear

3、iterativeclusteringsuperpixel)算法和K-means聚類(lèi)算法依據(jù)像素點(diǎn)的灰度特征和位置信息，將場(chǎng)景圖像劃分成大小不等的超像素，超像素范圍內(nèi)的像素點(diǎn)具有同等的光照條件，且具有同質(zhì)性。本文還提出一種適合在超像素范圍內(nèi)提取特征的窗口定位方法。采用對(duì)光照變化不敏感的LBP算法計(jì)算超像素的紋理特征，并同時(shí)結(jié)合對(duì)光照不敏感的HSV顏色空間特征組合成高維特征向量。使用b-BTSVM對(duì)圖像中各類(lèi)目標(biāo)進(jìn)行學(xué)習(xí)，構(gòu)建分類(lèi)決策面。

4、在檢測(cè)階段，用同樣的方法將場(chǎng)景圖像劃分成若干超像素，并提取一致的高維特征，用已有決策面進(jìn)行檢測(cè)，判別超像素所在的場(chǎng)景區(qū)域是否為道路區(qū)域。
　　(3)研究了基于b-BTSVM的在線道路場(chǎng)景分割方法，首先使用K-means聚類(lèi)算法對(duì)第一幅道路圖像做初始化分割，并從其初始分割后的各類(lèi)別區(qū)域中分別選取一定數(shù)量的樣本作為訓(xùn)練集;然后使用b-BTSVM學(xué)習(xí)訓(xùn)練集計(jì)算出分類(lèi)決策面，用于下一幅道路圖像的檢測(cè);最后使用在線學(xué)習(xí)方法更新訓(xùn)練集，重新計(jì)