非结构化道路境环理解.ppt

非结构化道路图像理解;一.道路图像理解综述;1.道路检测;1.1 基于特征的方法;1.1.1 道路区域检测;图像预处理： 选定感兴趣区域, 消除噪声，边缘增强 边缘抽取： 常用的边缘算子包括Canny、Roberts、 Laplace、Prewitt、Sobel等算子 二值化: 阈值的选取 Hough变换可以得到连续的道路直线;1.2 基于模型的方法;2.连续帧道路检测;3.道路偏离检测;4.道路识别与跟踪;二.非结构化道路图像理解;非结构化环境理解更具挑战性：;非结构化环境地形分类;1.基于颜色特征的地形分类;;Buluswar等人提出使用多变量决策树来学习不同的地形所占据的RGB颜色空间区域。 随后，Manduchi又提出了一种仅用一个典型光源下的地形图像来训练模型的方法。使用典型光源下的每一类颜色统计的知识来预测在新场景下的光照类型。 已有人证明，错误分类不能仅仅依靠颜色特征而被去掉。;2.基于纹理特征的地形分类;;另外，还有其它的基于纹理特征的道路图像理解算法：;3.颜色纹理特征融合;3.1 特征提取;纹理特征： 对特征窗口先进行离散余弦变换。 在每个区域内按下式计算能量值，选择N=4可得到 13维的特征向量，对于一个2N*2N的特征窗口;将颜色特征与纹理特征合并，可得到22维的颜色纹理特征。;一种分类策略;对于9个特征窗口，选择属于类别k (k=1,2,..T)的个数Jk及类条件似然概率Pj，j=1,2,…, Jk。 其中J1 + J2 +…+ Jk =9。 然后计算属于各个类别k的平均类条件概率;;除了GMM+颜色纹理特征算法，还有SVM+颜色纹理特征等方法，也能得到较为满意的结果。;4. 面向可通行区域分类的主动学习算法;Dima首先将主动学习用于可通行区域分类中，筛选最有“兴趣”的10~20幅图像交由专家标记。;初始化L;KSVMactive:;在超平面附近，聚集大量相似程度很高的样本，SVMactive的方法是：按距离超平面最近的样本交由专家标记的方法，效率较低。 KSVMactive采用非监督的K均值聚类选取最有代表性的样本。;聚类中选择的样本需要满足三个条件： 1.样本与SVM超平面距离要近 2.样本间的相似程度要高 3.与已标记样本的相似性程序要低;KSVMactive的原理图;使用三种不同方法的平均分类正确率;三.总结与展望;进一步提高系统的实时性、可靠性、??棒性 从适合结构化道路转向适合各种自然道路 多传感器信息融合 ;谢谢