本文關(guān)鍵詞：基于機器學習的道路區(qū)域識別方法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：道路區(qū)域識別是實現(xiàn)自動駕駛、自主導航等應用系統(tǒng)的支撐技術(shù)之一,涉及機器視覺、模式識別、人工智能等許多學科領(lǐng)域,研究具有重要的學術(shù)意義和實用價值。近年來,基于視覺信息的道路區(qū)域識別技術(shù)因其設(shè)備簡單、成本低廉等優(yōu)點獲得廣泛關(guān)注。但由于道路場景的復雜多樣性,以及視覺系統(tǒng)對于光照變化適應性差等固有弱點,現(xiàn)階段基于視覺的道路區(qū)域檢測方法存在場景適應性不強,光照魯棒性差等問題。本文研究圍繞基于視覺信息的道路區(qū)域檢測方法展開,將深度學習方法應用到道路場景的特征提取環(huán)節(jié),并結(jié)合引入了人工魚群算法進行參數(shù)優(yōu)化的監(jiān)督學習框架來實現(xiàn)道路區(qū)域的檢測。本文的研究嘗試了以下創(chuàng)新思路：1、引入深度學習方法中的DBN模型進行圖像小窗口特征提取,區(qū)別于顏色、紋理等特征提取方法,此方法能夠在一定程度上避免特征選取的盲目性,提高算法穩(wěn)定輸出可靠結(jié)果的能力。2、提出基于SVM后驗概率和Graph Cuts的道路區(qū)域識別方法。方法運用圖割的思想實現(xiàn)道路區(qū)域的提取過程,能夠在充分利用分類器輸出的后驗概率信息的基礎(chǔ)上,提高輸出結(jié)果的穩(wěn)定性。在研究了訓練數(shù)據(jù)在線更新策略的基礎(chǔ)上,將本文提出的方法在多個由連續(xù)幀組成的數(shù)據(jù)集上進行了實驗,結(jié)果表明算法具有良好的通用性和魯棒性,能夠在多種復雜的場景下得到令人滿意的結(jié)果。
【關(guān)鍵詞】：道路區(qū)域識別 深度學習 SVM Graph Cuts 在線更新 魯棒性
【學位授予單位】：浙江大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP391.41;TP181
【目錄】：

• 摘要5-6
• Abstract6-9
• 第一章 緒論9-19
• 1.1 研究背景和意義9-10
• 1.2 國內(nèi)外研究現(xiàn)狀10-16
• 1.2.1 基于視覺的道路區(qū)域檢測系統(tǒng)10-14
• 1.2.2 使用多種傳感器的道路區(qū)域檢測14-16
• 1.3 本文思路及創(chuàng)新16-18
• 1.4 章節(jié)安排18-19
• 第二章 道路場景的特征提取19-35
• 2.1 顏色和紋理特征19-23
• 2.2 深度學習特征23-31
• 2.2.1 限制玻爾茲曼機24-29
• 2.2.2 深度信念網(wǎng)絡(luò)29-30
• 2.2.3 使用DBN網(wǎng)絡(luò)提取DL特征30-31
• 2.3 CLBP與DL特征的比較31-34
• 2.4 本章小結(jié)34-35
• 第三章 訓練與分類35-63
• 3.1 支持向量機35-40
• 3.1.1 SVM的實現(xiàn)方法35-37
• 3.1.2 核函數(shù)與正則化37-40
• 3.2 參數(shù)優(yōu)化的必要性與優(yōu)化方法40-46
• 3.2.1 參數(shù)C和γ的理解40-43
• 3.2.2 人工魚群算法43-46
• 3.3 基于SVM和參數(shù)尋優(yōu)的道路區(qū)域識別46-56
• 3.3.1 基于小窗口的道路區(qū)域/其他區(qū)域分類47-48
• 3.3.2 道路區(qū)域濾波48-50
• 3.3.3 驗證實驗50-56
• 3.4 基于分類后驗概率和Graph Cuts的道路區(qū)域提取56-62
• 3.4.1 SVM的后驗概率56-57
• 3.4.2 Graph Cuts的基本思想57-59
• 3.4.3 可行性分析59-62
• 3.5 本章小結(jié)62-63
• 第四章 在線更新策略與實驗分析63-82
• 4.1 更新的必要性與方法探究63-66
• 4.2 道路分布的假設(shè)模型66-71
• 4.3 實驗和分析71-81
• 4.3.1 數(shù)據(jù)集71-73
• 4.3.2 算法的評價標準73-74
• 4.3.3 效果評定實驗74-81
• 4.4 本章小結(jié)81-82
• 第五章 總結(jié)與展望82-84
• 5.1 總結(jié)82-83
• 5.2 展望83-84
• 參考文獻84-88
• 致謝88-89
• 作者簡歷89

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前3條

1 吳剛;唐振民;程勇;朱峰;魏利華;;灰度共生矩陣紋理特征的運動目標跟蹤方法[J];南京理工大學學報(自然科學版);2010年04期

2 劉志強;溫華;;基于單目視覺的車輛碰撞預警系統(tǒng)[J];計算機應用;2007年08期

3 李曉磊,路飛,田國會,錢積新;組合優(yōu)化問題的人工魚群算法應用[J];山東大學學報(工學版);2004年05期

中國碩士學位論文全文數(shù)據(jù)庫 前2條

1 陳斐;改進的人工魚群算法分析與研究[D];西安電子科技大學;2012年

2 廖傳錦;基于多線程模式的汽車智能輔助駕駛系統(tǒng)研究[D];重慶大學;2002年

  本文關(guān)鍵詞：基于機器學習的道路區(qū)域識別方法研究，，由筆耕文化傳播整理發(fā)布。

本文編號：290897