

版權(quán)說(shuō)明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、基于機(jī)器視覺(jué)的道路識(shí)別技術(shù)是自主駕駛車輛的核心技術(shù)之一。盡管許多學(xué)者對(duì)道路識(shí)別技術(shù)進(jìn)行了深入研究,但仍然存在許多問(wèn)題,制約著道路識(shí)別技術(shù)的進(jìn)一步發(fā)展。究其原因,主要是由于實(shí)際道路環(huán)境的復(fù)雜性與多樣性,如陰影、光照變化、路面覆蓋物等,從而大大增加了道路識(shí)別的難度。另外,為了增強(qiáng)決策函數(shù)的泛化性能,提高道路識(shí)別的正確率,加之實(shí)際道路環(huán)境的復(fù)雜性與多樣性,往往需要提供大量不同的樣本進(jìn)行訓(xùn)練學(xué)習(xí),通常需要大量的計(jì)算資源,從而傳統(tǒng)的批量學(xué)習(xí)方式已
2、難以適應(yīng)實(shí)際的應(yīng)用要求。
針對(duì)上述問(wèn)題,本文針對(duì)復(fù)雜環(huán)境下道路識(shí)別中的增量學(xué)習(xí)與道路特征提取進(jìn)行了深入研究,其主要研究工作如下:
(1)在研究雙支持向量機(jī)的基礎(chǔ)上,借鑒于傳統(tǒng)支持向量機(jī)的增量學(xué)習(xí)方法,提出了基于雙支持向量機(jī)的增量學(xué)習(xí)算法。將訓(xùn)練樣本集分為歷史樣本集和新增樣本集,每當(dāng)增加樣本后訓(xùn)練樣本集發(fā)生變化,需要更新分類決策函數(shù)。在保證雙支持向量機(jī)分類精度的前提下,本文給出了保留歷史樣本集中的重要樣本和選擇新增樣本
3、集中的關(guān)鍵樣本的方法,從而建立了有效的動(dòng)態(tài)訓(xùn)練樣本集,進(jìn)行增量學(xué)習(xí),降低了算法的計(jì)算規(guī)模。選取6個(gè)UCI標(biāo)準(zhǔn)數(shù)據(jù)集和Road數(shù)據(jù)集進(jìn)行仿真實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果表明本文的增量學(xué)習(xí)算法能夠有效的提高訓(xùn)練速度,并能夠有效地識(shí)別出道路圖像中的大部分道路區(qū)域。
(2)對(duì)雙支持向量機(jī)進(jìn)一步研究,將分類問(wèn)題擴(kuò)展到回歸問(wèn)題,提出了基于雙支持向量回歸機(jī)的增量學(xué)習(xí)算法。不同于雙支持向量機(jī)建立動(dòng)態(tài)訓(xùn)練樣本集思想,該方法能夠充分利用增量學(xué)習(xí)前的計(jì)算信息,大
4、大簡(jiǎn)化了增量學(xué)習(xí)時(shí)逆矩陣的求解,降低了模型訓(xùn)練的復(fù)雜度。在人工數(shù)據(jù)集、時(shí)間序列預(yù)測(cè)和Road數(shù)據(jù)集上的實(shí)驗(yàn)表明,該算法快速有效,并能夠有效地識(shí)別出道路圖像中的大部分道路區(qū)域。
(3)提出了基于K-means特征的復(fù)雜環(huán)境下道路識(shí)算法,首先利用SLIC超像素分割算法將道路圖像分割成同質(zhì)的超像素塊,接著在超像素塊的基礎(chǔ)上提取K-means特征構(gòu)建訓(xùn)練樣本集,然后分別使用基于分類和回歸的增量學(xué)習(xí)算法進(jìn)行訓(xùn)練學(xué)習(xí),得到?jīng)Q策函數(shù),最后對(duì)
溫馨提示
- 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于SVM的人臉識(shí)別增量學(xué)習(xí)算法研究.pdf
- 復(fù)雜環(huán)境下的道路檢測(cè)算法研究.pdf
- 復(fù)雜網(wǎng)絡(luò)社區(qū)檢測(cè)的種群增量學(xué)習(xí)算法研究.pdf
- 基于成分分析增量學(xué)習(xí)算法的人臉識(shí)別研究.pdf
- 復(fù)雜場(chǎng)景下基于深度學(xué)習(xí)的物體檢測(cè)與識(shí)別算法研究.pdf
- 復(fù)雜環(huán)境下的單樣本人臉識(shí)別算法研究.pdf
- 復(fù)雜交通環(huán)境下智能車輛道路識(shí)別技術(shù)研究.pdf
- 復(fù)雜環(huán)境下的車牌識(shí)別研究.pdf
- 復(fù)雜環(huán)境下的視頻目標(biāo)識(shí)別與跟蹤算法研究.pdf
- 增量機(jī)器學(xué)習(xí)算法研究——基于模糊神經(jīng)網(wǎng)絡(luò)的增量學(xué)習(xí).pdf
- 基于智能交互的物體識(shí)別增量學(xué)習(xí)研究.pdf
- 基于視覺(jué)的復(fù)雜環(huán)境下道路檢測(cè).pdf
- 復(fù)雜背景下的車牌識(shí)別算法研究.pdf
- 復(fù)雜環(huán)境下基于視頻的車輛跟蹤算法研究.pdf
- 基于決策邏輯的增量學(xué)習(xí)算法研究.pdf
- 基于增量記憶視覺(jué)注意模型的復(fù)雜目標(biāo)識(shí)別研究.pdf
- 基于復(fù)雜環(huán)境的車牌識(shí)別研究.pdf
- 復(fù)雜背景下的手勢(shì)識(shí)別算法研究.pdf
- 復(fù)雜條件下的虹膜識(shí)別算法的研究.pdf
- 復(fù)雜環(huán)境中的車牌檢測(cè)與識(shí)別算法研究.pdf
評(píng)論
0/150
提交評(píng)論