面向非结构环境图像理解的算法研究-模式识别与智能系统专业毕业论文.docxVIP

Ph．D．DissertationResearch Ph．D．Dissertation Research on Image Interpretation Algorithms for Unstructured Scene Guang Han Supervised by Py西Chun-xia Zh ao Nanj ing University of ScienceTechnology June，2010 | || ，te-- ll 』aa 声 声 明 本学位论文是我在导师的指导下取得的研究成果，尽我所知，在 本学位论文中，除了加以标注和致谢的部分外，不包含其他人已经发 表或公布过的研究成果，也不包含我为获得任何教育机构的学位或学 历而使用过的材料。与我一同工作的同事对本学位论文做出的贡献均 已在论文中作了明确的说明。 研究生签名： 矽I口年J0月纽El 学位论文使用授权声明 南京理工大学有权保存本学位论文的电子和纸质文档，可以借阅 或上网公布本学位论文的部分或全部内容，可以向有关部门或机构送 交并授权其保存、借阅或上网公布本学位论文的部分或全部内容。对 于保密论文，按保密的有关规定和程序处理。 研究生签名： 磐塾 一 如扣年j。月恤El 博卜论史 博卜论史 面向非结构环境图像理解的算法研究 摘 要 地面智能机器人是一种能够利用自身所携带的传感器装置对各种地面环境进行 理解和判断，并在此基础上进行规划和决策，从而实现连续自主或半自主行驶的机器 人。随着军用、民用和宇宙探索等领域巨大需求的推动，地面智能机器人技术正在经 历着日新月异的发展。对地面环境的理解是地面智能机器人自主导航控制系统的核心 技术。相对于室内、高速公路等结构化环境理解，室外的草地、土地以及沙地等非结 构化环境理解更具有挑战性，因为在室外环境下存在的光照、景物、天气以及地面不 规则性等复杂多变的冈素，使环境理解算法更为复杂困难。本文针对地面智能机器人 非结构环境理解中迫切需要解决的若干关键问题展开工作，并取得了一定的研究成 果，具体内容如下： 针对因光照变化等因素造成地形分类性能下降的问题，提出了一种快速有效的地 形分类算法。该算法是利用颜色特征并结合纹理特征来提取地形特征，同时采用高斯 混合模型(Gaussian Mixture Models，GMM)对不同类型和光照条件下的地形特征数据 进行建模，从而能对呈现多种表现的地形特征进行很好统计。对于GMM组成模型数 目则采用贝叶斯信息准则加以确定，以提高GMM的分类性能。另外还提出了利用 GMM概率信息来决定当前特征窗口地形类别的分类策略，解决了在不同地形区域边 界上分类性能差的问题。实验结果表明，利用上述算法能够实现在较为复杂的非结构 环境中进行地形分类。 常规的基于脊波变换的尺度和旋转不变性特征，仅是在每个频率子波段中独立提 取的，没有考虑不同频率子波段之间的相互关系，并且已有的算法也很少应用到真实 场景的分类中。为了能够提取到性能更好并能满足真实场景分类需要的特征，提出了 两种改进算法。第一种算法是在已有特征的基础上，采用构建直方图的方法来提取各 频率子波段之间的关系特征。该特征没有进行尺度不变性处理，所以仅是一种旋转不 变性特征。第二种算法是针对彩色图像，在已有特征的基础上，利用对数函数对Radon 变换系数矩阵进行尺度不变性处理，并采用线性回归模型提取在不同的颜色组成平面 下所有频率子波段之间的关系特征。由实验可知，上述两种算法的性能都较好，尤其 是后者在真实的场景分类中表现优良。 针对常规的SVM(Support Vector Machines)主动学习算法在面向环境感知的可通 行性区域分类应用中所遇到的问题和局限性，采用动态聚类过程来选取最有代表性样 本、根据专家标记与当前SVM分类结果的差值来调整SVM超平面位置两种策略对 其进行了改进，提出了一种新的主动学习算法一KSVMactive算法。针对可通行性 区域分类中因样本量过大而造成的标记困难以及样本分布不均衡等问题，提出了一种 摘 摘 要 博}’论史 基于AUC(Area Under the Receiver Operating Characteristic)优化的非线性主动学习算 法。该算法是将分类后的样本利用基于AUC优化的样本选择函数进行得分计算，然 后根据分值大小选出最有信息量样本，这能够较好地解决因使用损失函数和误差最小 化原则在处理两类样本分布不平衡时所町能产生次优解问题。使用所提出的两种主动 学习算法，可以有效地减