越野行车环境中的地表分类方法研究(2)
1.1 越野行车环境中地表覆盖物分类问题综述 自主式地面车辆 ALV（Autonomous Land Vehicle）也称智能车，是室外轮式机器人在交通领域的重要应用。它使用车载的视觉，激光雷达，超声测距仪，全球定位系统等传感器来感知环境，并以此为基础控制车辆的方向和速度，从而使车辆能够安全可靠的在路面行驶，完成人们的既定任务。因此可靠的路面环境感知技术是 ALV 的基础。 图 1.Google研发的无人驾驶汽车 智能车的路面环境一般分为结构化和非结构化两类。结构化道路，例如高速公路，拥有规范的地面辅助标识，因此环境感知比较简单。而非结构化道路，例如越野环境下的乡村道路，没有统一的辅助定位标记，而且受雨水，光照，周围植物影响较大。因此对非结构化道路，尤其是越野环境下道路的感知成为了ALV研究领域的极大挑战。 环境感知的目的在于准确识别周围环境中的物体属性，因此对越野道路环境的感知，其实是对当前道路周边的地表覆盖物进行准确的分类。 对于越野环境下地表覆盖物分类问题的研究随着ALV的发展而越要越受到研究人员的关注。现有的解决方案从设备上分可以分为三类：基于距离传感器的方法、基于图像传感器的方法和结合距离传感器和图像传感器的方法。在以上三种方法中，基于视觉图像的方法因其成本低廉，历史积累深厚，因此成为了地形分类研究的主流。而作为图像分类的基础，对地表覆盖物的图像特征进行抽取和选择成为了地形分类问题的首要手段。
.自主车的传感器系统 目前对图像特征的提取方法可以分为颜色、形状、纹理三类。 颜色特征是图像的最基本特征，它往往和图像中所包含的内容或场景相关。另外，相对于形状和纹理，颜色特征对图像本身的尺寸、方向、视角、平移、旋转等的依赖性较小，具有较强的鲁棒性。对颜色信息的特征提取方法主要有颜色直方图、颜色矢量直方图、颜色矩、颜色熵等。值得一提的是，由于基于设备的 RGB三色模型与人类的生理感知相差较大，不具有连续性，源]自{优尔·~论\文}网·www.youerw.com/ 一般针对于颜色的操作都在 HSV 和其他颜色空间中进行。 形状特征是基于内容的图像分类中关注的重点。人们对一幅图像中物体的识别在一定程度上是基于图像中目标的形状。就目前来看，对图像形状的描述方法主要有基于状态矩阵、平坦度和凹凸度、信息熵、链码以及基于矩的轮廓等等。由于地形分类中的样本多为切割而成的小块图像，其损失了物体全貌的形状信息，因此在地形分类中一般不研究地形图像的形状特征。 纹理是一种不依赖于颜色和亮度的视觉特征，体现了物体表面的内在特性，因此是图像分类问题重点研究的领域。在这方面，比较经典的算法有 Haralick 等人提出的灰度共生矩阵(Grey Level Co-occurrence Matrices,GLCM)，该矩阵根据图像中各像素之间的角度方位和距离关系构建，可以表示纹理的稀疏度、对比度、复杂度以及纹理力度等特性。除此之外，Ojala T 等人提出的局部二进制模式(Local Binary用以上特征抽取方法得到地形图像的特征构建特征空间，然后基于此特征空间设计分类器进行分类，从而准确识别出越野环境中的地形类别，就是越野行车环境中地表覆盖物分类问题的最终目的。
上一篇：B5H5的结构和性能研究