基于單目視覺的場(chǎng)景理解算法研究.pdf

1、隨著都市生活節(jié)奏的加快，汽車已成為人們生活的一部分，與此同時(shí)，交通事故發(fā)生的頻率也隨之上升，成為全球范圍內(nèi)普遍擔(dān)心的問題.安全輔助駕駛系統(tǒng)可以解決交通安全問題，道路場(chǎng)景理解是安全輔助駕駛重要組成部分，成為各國(guó)研究的重點(diǎn).在分析總結(jié)國(guó)內(nèi)外各種場(chǎng)景理解檢測(cè)方法的基礎(chǔ)上，本文提出新的場(chǎng)景理解檢測(cè)算法.
　　本文研究道路場(chǎng)景算法.對(duì)道路場(chǎng)景圖像進(jìn)行語義分割，將道路場(chǎng)景分為三類:天空、道路和障礙物.為了更準(zhǔn)確、快速標(biāo)注出場(chǎng)景圖像的類別，利用

2、極限學(xué)習(xí)機(jī)分類器(Extreme Learning Machine，ELM)對(duì)場(chǎng)景區(qū)域進(jìn)行識(shí)別標(biāo)注.首先，對(duì)場(chǎng)景區(qū)域提取HOG(Histogram of Oriented Gradient，HOG)特征，利用BW方法降維，再用ELM分類器進(jìn)行分類識(shí)別，離線訓(xùn)練三個(gè)ELM分類器（天空、路地、障礙物）;然后，識(shí)別出對(duì)應(yīng)場(chǎng)景的類別.雖然利用該方法對(duì)場(chǎng)景進(jìn)行了語義標(biāo)注分割，但是檢測(cè)結(jié)果并不是令人滿意，為此本文將圖像中其他信息考慮到新的模型中，并

3、將分類器訓(xùn)練的結(jié)果作為初始類別標(biāo)記結(jié)果，應(yīng)用條件隨機(jī)場(chǎng)(Conditional Random Fields，CRFs)模型進(jìn)行圖像分割標(biāo)注.
　　基于條件隨機(jī)場(chǎng)的圖像分割技術(shù)是近年來計(jì)算機(jī)視覺領(lǐng)域的研究熱點(diǎn).該方法的核心思想在于構(gòu)造一個(gè)具有觀察數(shù)據(jù)的概率圖模型(Probabilistic Graphical Model，PGM)，給出一個(gè)對(duì)應(yīng)該圖結(jié)構(gòu)的勢(shì)函數(shù)，根據(jù)條件隨機(jī)場(chǎng)的學(xué)習(xí)與推斷方法，來得到使得概率最大的語義標(biāo)簽，作為最終的

4、標(biāo)記結(jié)果.該模型的新穎之處在于它將像素點(diǎn)的梯度特征、位置特征、對(duì)于車載視頻的前幀后幀關(guān)系以及邊緣信息考慮在模型中.并且將其作為最大團(tuán)(clique)上的勢(shì)函數(shù)(Potential function)進(jìn)行模型的建立.采用擬牛頓迭代法(Broyden Fletcher Goldfarb Shanno，BFGS)和環(huán)狀置信傳播(Loopy Belief Propagation，LBP)對(duì)模型分別進(jìn)行訓(xùn)練和推斷.本文算法在公開數(shù)據(jù)集MSRC(M