基于机器学习的路面对象识别关键技术研究

论文摘要

随着汽车的普及,交通事故已经成为现代社会的第一公害。特别是在国内,交通事故引起的人员伤亡和财产损失的数目更是触目惊心。尤为引人关注的是,在世界范围由于人为因素造成的交通事故占85%左右。而在我国,交通事故更是95%左右都是人为因素造成。为此,利用各种传感器(如视觉传感器和雷达传感器)技术,提高对路面对象的辨识能力,给驾驶人以更多的安全警示及辅助,从而提高车辆的主动安全性,是智能交通系统(Intelligent Transportation System, ITS)领域发展的重要方向。视觉传感器由于成本低、提供的视野信息范围大,因而基于视觉传感器的路面对象识别是ITS领域近些年的研究热点之一。目前,基于视觉的路面对象识别方法大部分都遵循两步法步骤：假设产生和假设验证。假设产生用于得到感兴趣区域(ROI, Region of Interest),假设验证用于对ROI进行对象(车辆和摩托车)存在性验证。机器学习方法是用于假设验证的主要方法之一。由于基于机器学习的假设验证方法比其他假设验证方法具有更大的潜力和更好的应用价值,使得其成为基于视觉的道路对象识别中的研究热点。当前,研究人员提出了许多基于机器学习的道路对象识别方法,本文在对当前机器学习方法在道路对象识别中所存在的以及需要进一步研究的问题进行深入分析的基础上,对机器学习中的特征提取及特征降维、支持向量机(SVM, Support Vector Machine)分类器的参数选择、AdaBoost算法、样本自动化准备及样本不平衡的分类问题进行了系统、深入的研究。首先,针对当前灰度空间基于有符号的Haar小波系数提取的特征用于分类识别时存在着对光照敏感以及抗噪能力弱的问题,提出了一种基于HSV颜色空间的Haar小波特征方法,该方法基于无符号Haar系数来提取对象特征。试验结果表明,该方法不仅提高了算法的识别性能,而且泛化性更好。针对当前的特征提取方法计算量大、耗时长的问题,提出一种类Haar特征提取方法,该方法与当前典型的特征提取方法相比,不仅识别性能好,而且计算速度快。针对当前特征提取算法获取的特征向量其维数过高的问题,提出一种特征降维方法,该方法一方面能降低特征向量的特征维数,从而减少了分类识别时的计算量；另一方面可以去除所提取特征中的冗余信息及噪声信息,提高其在目标物分类识别时的泛化性。其次,针对支持向量机交叉验证选参方法耗时过长的问题,提出了一种改进的支持向量机交叉验证选参方法。该方法不仅能够明显缩短支持向量机的参数选择时间,而且利用所选择的参数训练得到的支持向量机的识别性能接近于传统的交叉验证法得到的支持向量机的识别性能。第三,针对AdaBoost算法存在的分类器准备时间过长的问题,提出了一种改进的AdaBoost弱分类器构造方法,该方法显著减少了分类器的训练准备时间,同时,在弱分类器构造过程中所提出的自适应阈值设置方法较好地克服传统阈值设置方法未能反映训练样本的分布规律的问题。由于AdaBoost算法的分类器训练准备过程本身非常耗时,尤其训练样本规模比较大时。基于此,提出一种增量学习方法,该方法在提高算法的分类性能的同时能够有效提高算法的学习效率。第四,针对当前样本准备对人的依赖性过强的问题,提出一种样本自动化准备方法,该方法能较好地解决样本准备过程中所存在的费时费力以及主观性过强的问题；针对道路对象识别中存在的样本比例严重失衡从而导致分类器识别结果倾向于多类样本的问题,提出一种基于多支持向量机的样本不平衡分类问题解决方法,该方法采用间隔抽样方式来重构训练样本。该方法不仅能有效解决以往方法存在的丢失分类信息过多或因样本量成倍扩大导致训练准备时间增加或因采用随机取样进行分堆所存在不能较好地维持训练样本的分布规律的问题。最后,将所取得的研究成果应用于基于单目视觉的后方对象识别系统中,从不同时间、不同天气条件以及不同背景下的试验结果可以看出：早晨黄昏以及白天恶劣天气(雨、雪、雾)场景下的车辆测试结果验证了本文所取得的研究成果的有效性；白天(晴天、阴天)场景下的车辆及摩托车测试结果验证了本文所取得的研究成果的有效性和可行性。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 研究背景
• 1.2 研究现状
• 1.2.1 国外研究状况
• 1.2.2 国内研究现状
• 1.3 对象检测难点及方法分类
• 1.3.1 识别难点
• 1.3.2 识别方法分类
• 1.4 问题的提出及课题的意义
• 1.5 本文研究目标和主要研究内容
• 1.6 论文结构及章节安排
• 第2章 路面对象识别中的机器学习方法
• 2.1 机器学习发展历程
• 2.1.1 通用学习系统研究阶段
• 2.1.2 符号概念获取阶段
• 2.1.3 知识自动获取研究阶段
• 2.1.4 多学习机制形成阶段
• 2.2 机器学习概述
• 2.3 机器学习中关键技术介绍
• 2.3.1 典型的特征描述方法
• 2.3.2 典型的分类器
• 2.4 机器学习在路面对象识别中的应用现状及分析
• 2.4.1 应用现状
• 2.4.2 应用现状分析
• 2.5 本章小结
• 第3章 特征提取及特征降维方法研究
• 3.1 问题概述
• 3.2 改进的Haar小波特征提取方法
• 3.2.1 二维图像的小波分解
• 3.2.2 HSV颜色模型
• 3.2.3 特征提取算法
• 3.3 类Haar特征提取
• 3.3.1 类Haar特征构造
• 3.3.2 类Haar特征计算
• 3.3.3 构建类Haar特征值集
• 3.4 特征降维方法
• 3.4.1 F-score概念
• 3.4.2 特征降维算法构造
• 3.5 实验结果及分析
• 3.6 本章小结
• 第4章 支持向量机参数选择方法研究
• 4.1 支持向量机概述
• 4.2 现有支持向量机参数选择方法
• 4.2.1 双线性法
• 4.2.2 梯度下降法
• 4.2.3 交叉验证法
• 4.3 改进的交叉验证选参方法
• 4.4 实验结果及分析
• 4.5 本章小结
• 第5章 AdaBoost分类器研究
• 5.1 集成机器学习
• 5.1.1 弱分类器
• 5.1.2 集成方法
• 5.2 AdaBoost算法的问题概述
• 5.3 改进的AdaBoost算法
• 5.3.1 改进的弱分类器生成算法
• 5.3.2 AdaBoost算法的增量学习方法
• 5.4 实验结果及分析
• 5.5 本章小结
• 第6章 样本自动化准备方法及样本不平衡分类问题研究
• 6.1 问题概述
• 6.2 样本自动化准备方法研究
• 6.2.1 粗精度样本准备阶段
• 6.2.2 细精度样本准备阶段
• 6.3 样本不平衡分类问题研究
• 6.4 实验结果及分析
• 6.5 本章小结
• 第7章 对象识别技术在路面对象识别系统中的应用
• 7.1 路面对象识别系统的结构
• 7.2 对象检测模块
• 7.2.1 检测算法结构
• 7.2.2 算法的输入与输出
• 7.3 算法评估
• 7.3.1 评估图像
• 7.3.2 评估方法
• 7.3.3 评估结果
• 7.4 本章小结
• 第8章 结论
• 8.1 本文的主要研究成果
• 8.2 未来研究方向
• 参考文献
• 致谢
• 作者简介
• 攻读学位期间发表的论文及科研工作