基于紋理特征的地表覆蓋分類算法研究.pdf

1、基于機(jī)器視覺的環(huán)境感知是模式識(shí)別、人工智能領(lǐng)域的研究熱點(diǎn)之一，也是智能車研究的必要內(nèi)容之一，而地表分類是這一內(nèi)容的重要組成部分。其中對(duì)于結(jié)構(gòu)化道路的研究相對(duì)比較成熟，原因是由于結(jié)構(gòu)化道路地表的顏色、紋理等特征較為穩(wěn)定、統(tǒng)一，便于進(jìn)行針對(duì)性的研究。非結(jié)構(gòu)化道路的路表分類由于受外界環(huán)境影響較大，例如陽光直射、雨雪對(duì)陽光的反射等環(huán)境下，路表分類的結(jié)果就相應(yīng)較差。由于智能車輛工作在光照、天氣、景物等都復(fù)雜多變的室外環(huán)境中，所以本文重點(diǎn)研究非結(jié)構(gòu)

2、化道路地表分類問題。本文研究內(nèi)容主要分為四個(gè)部分:
　　(1)研究了地表紋理特征提取方法，重點(diǎn)研究了顏色特征、LBP特征、SIFT特征;并將目前主流的幾種紋理特征和顏色特征與一些分類器結(jié)合，在紋理數(shù)據(jù)庫中進(jìn)行試驗(yàn)。
　　(2)研究了SVM在地表分類中的應(yīng)用，根據(jù)隨機(jī)森林集成學(xué)習(xí)的思想，研究了KNN-SVM在地表識(shí)別中的應(yīng)用;另外由于SVM核函數(shù)的重要性，繼而研究了基于混合核函數(shù)的SVM在地表識(shí)別中的應(yīng)用。在地表識(shí)別分類中采用

3、了兩階段的方法，其中第一階段使用加入混合核函數(shù)的KNN-SVM分類得到是草地還是非草地，實(shí)驗(yàn)證明可以得到較高的準(zhǔn)確率。
　　(3)研究了隨機(jī)森林在地表分類中的應(yīng)用，根據(jù)SVM分類最大化分類間隔的思想，研究了集成分類器的分類間隔以及基于分類間隔的隨機(jī)森林在地表識(shí)別中的應(yīng)用。兩階段法第二階段將泥土路和砂石路剩余的7個(gè)類別進(jìn)行分類。在這一階段中，基于分類間隔的隨機(jī)森林能取得更好的分類效果，時(shí)間花費(fèi)也更少。
　　(4)研究了基于深層