基于动态贝叶斯网络障碍物辨识研究.docVIP

基于动态贝叶斯网络障碍物辨识研究 　　摘 要：依据对样本的统计学习和对事物的先验知识，在数据缺失或没有样本数据的情况下依然可以建立有效的分类器。从图像中提取特征，筛选出所需特征，构建贝叶斯网络模型，并计算各节点的条件概率。将所需数据传入建好的网络系统中，通过一系列推理判断得到所需答案。实验结果表明，利用动态贝叶斯网络建立的障碍物辨识系统，能有效实现人和车辆等障碍物的辨识。 　　关键词：动态贝叶斯网络；特征提取；障碍物辨识 　　DOI：10.11907/rjdk.172656 　　中图分类号：TP301 　　文献标识码：A 文章编号：1672-7800（2018）004-0025-03 　　Abstract：This paper employs dynamic Bayesian network for obstacle classification. The network is established based on statistical learning from the sample and prior knowledge. The classifier can tolerate the absence of data or lack of samples. By extracting the features from the image， we select the desired features， construct the Bayesian network model， and calculate the conditional probability of each node. We input the data into the established network and get the answer by relevant reasoning. The experimental results show that the obstacle classification system established by the dynamic Bayesian network can effectively realize the classification of obstacles such as pedestrian， vehicle and others. 　　Key Words：dynamic bayesian network； feature extraction； obstacle classification 　　0 引言 　　障?K物辨识作为智能汽车的核心技术，一直受到业界重视。对汽车前方的行人、车辆等物体进行探测和辨识，可以减少交通事故发生，从而保障行人安全。障碍物探测和辨识领域的研究成果较多：杨欣等[1]提出了一种基于集成学习改进的二叉树支持向量机（BT-SVM）的多类分类方法；朱丹丹等[2]提出了基于朴素贝叶斯原理实现车载多障碍物的分类，实现对行人、车辆、骑自行车/摩托车等障碍物的分类；邵成猛[3]通过对盾构机的千斤顶总推力、刀盘马达总扭矩和推进速度进行BP神经网络构建，实现了无障碍物及混凝土桩、钻孔灌注桩、工法桩等障碍物的分类和预测。目前较为通用的分类器如SVM[4]、AdaBoost[5]等都需要大量的样本支撑，而贝叶斯网络依靠统计学习和先验知识，提高了数据缺失情况下的障碍物分类。 　　1 障碍物辨识系统组成 　　障碍物辨识系统组成如图1所示。 　　系统分3个阶段实现：①收集一定数量的样本并对其进行前期处理，提取所需特征；②确立障碍物、类别和特征之间的关系，建立动态贝叶斯网络结构，再计算各节点的条件概率表，实现网络的参数学习；③输入待测试目标的特征概率，判别出障碍物类型。 　　2 特征提取与选择 　　形状描述有基于几何特征和基于轮廓形状的方法，其中基于轮廓描述方法分为基于轮廓和基于区域两大类[6-7]。这些方法包括矩形度、高度、细长度、球状性、紧致度、Hu矩等形状特征，本文主要采用矩形度、高度、细长度和球状性4个特征。 　　2.1 矩形度 　　矩形度Ra反映了物体在最小外界矩形中的填充程度，表达为： 　　Ra=A0AR（1） 　　式（1）中，A0为轮廓包围的图像面积，AR为轮廓最小外接矩形面积，Ra的大小在0～1之间，矩形度可以用来区分矩形、圆形和不规则形状。 　　2.2 细长度 　　细长度RHW反映了目标的外观特性，其表达式为： 　　RHW=HW（2） 　　式（2）中，H和W分别为轮廓图像最小外接矩形的高和宽，RHW大小在0～∝间变化，细长目标大于1，宽扁目标则小于1，用它可以将细长目标和宽扁目标区分开来。 　　2.3 球状性