获取道路相关信息的方式主要包括视觉、激光、雷达、超声波等方法，其中激光和超声波的原理抗干扰能力较差，雷达存在路面发射率不一样的问题。视觉信号全面地包含道路中的信息和特征，特别是对于结构化道路，场景较为简易，目标突出，通过采用适当的图像处理算法可以有效地检测出目标，同时处理成本相对较低。因此，利用机器视觉进行汽车自动驾驶是目前智能汽车的最合适的方案[2]。本文研究的道路检测方法就是基于视觉图像的。
本文对于这个课题的研究也是为了能够有效地检测出图像中的道路区域，从而为智能车的自动导航服务。
1.2 国内外发展现状
 1.3 本文的工作及贡献
本文最终提出了一种引入先验信息的基于PCANet模型的道路场景目标识别方法，所做的主要工作和贡献如下：
1)    给出了一种基于PCANet的场景目标识别方法。
为了提供一种有效的道路场景识别方法，收集了大量道路和非路区域的样本用于识别模型的训练，并详细研究了PCANet模型算法，使用C++编程实现了其具体算法，该算法包括模型的训练和利用训练好的模型进行识别两个部分，最后对提出的道路识别方法进行了定性和定量的评价。
2)    给出了一种基于道路位置先验的虚警剔除方法。
为了去除道路识别结果中的虚警，本文给出了一种基于道路位置先验的虚警剔除方法。该方法需要选择道路形状相近的模板，本文设计和实现了图像块数量固定和变动的两种模板选择算法，并通过实验对其效果进行了分析。
3)    给出了一种基于道路区域一致性的漏检率降低方法。
为了利用道路区域的一致性降低检测结果中的漏检率，本文给出了一种使用广度搜索算法检测区域连通性从而来判断区域一致性的漏检率降低方法。
1.4 本文的结构安排
本文的结构安排如下：
第一章主要介绍了课题相关背景、研究意义、国内外发展现状和本文所做的工作。
第二章详细介绍了PCANet模型对数据的处理过程及其算法复杂度，并简单介绍了SVM及其使用方法。
第三章对基于PCANet模型的道路场景目标识别方法的初步处理结果进行了分析，为了解决处理结果中存在的虚警和漏检问题，设计了一种基于道路位置先验的虚警去除方法，并利用道路区域的一致性降低漏检率。
第四章对实验环境和实验数据进行了介绍，并着重分析了实验结果。
2 基于PCANet模型的道路场景目标识别
本章包括利用PCANet模型提取图像特征和使用提取出来的图像特征对支持向量机进行训练。接下来将介绍作为特征提取器的PCANet模型和作为特征训练器的支持向量机。
2.1 PCANet模型
2.1.1 PCANet模型介绍
PCANet是最近提出的一个简单的深度学习网络，可以用于图像分类而且效果很好[13]。该网络提取道路图像特征的主要步骤是：首先利用PCA（主成分分析）来获得模型的多级滤波器（multistage filter banks），然后用滤波器去过滤原图像，接着用二进制哈希（binary hashing） 和分块直方图（block histograms）分别做索引和合并，最后得到输入图片的特征向量，利用这些特征向量可以训练SVM，训练好的SVM可以用来进行图像分类。 基于PCANet模型的道路场景目标识别(2):http://www.youerw.com/jisuanji/lunwen_27503.html