基于增量學(xué)習(xí)的復(fù)雜環(huán)境下道路識(shí)別算法研究.pdf

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)