详情

原文传递基于机器视觉的路面湿滑状况判别研究

论文题名：	基于机器视觉的路面湿滑状况判别研究
关键词：	机器视觉;道路交通;路面状况判别;路面湿滑;神经网络
摘要：	不利天气下湿滑道路极大地影响道路交通安全和运输效率，而获取道路湿滑状况信息是不利天气下道路交通安全预警与控制的基础，因此探索高效的道路湿滑状况判别技术对保障不利天气下道路安全具有重要意义。目前，常用的路面状况判别手段为人工或运用路面传感器检测。由于人工检测主观性强、劳动量大以及路面传感器使用维护不便利、价格高，运用图像模式识别技术进行湿滑路面判别已成为不利天气下道路交通安全保障技术研究热点。路面湿滑状况种类繁多，路面湿滑状况图像内容复杂，路面不具有明显的形状和颜色特征，样本数目的限制等一系列因素，导致分类准确性与泛化能力低。因此，如何提取并约简路面图像空域与频域图像特征，如何利用有限的样本设计高效、泛化性好的路况图像识别分类器是当前研究的核心问题。针对上述存在的问题，本文提出路面湿滑状况判别实验系统方案，并通过图像分析和特征选择并优化特征向量，同时运用目前分类性能较优的支持向量机和神经网络思想设计分类器。本文通过实验过程和结果对分类器的稳定性、分类效率、分类准确性以及泛化能力进行评估，分析分类器的优劣及其性能改善方法，为下一步研究如何选取并改善分类器从而为道路湿滑状况判别的实用化提供理论基础。路面湿滑状况判别分为两步，即特征选择和分类器设计。特征选择是路面湿滑状况判别的基础。首先对路况图像样本进行预处理，包括图像灰度化、图像去噪、图像几何校正和图像分割；其次用基于内容的特征提取方法选择路况图像样本的灰度特征、结构特征和纹理特征，并通过离线方式用Tabu搜索和主成分分析法（PCA）提取有效特征并降维，同时运用基于类内类间距离的可分性判据选取最有效的低维特征。路况图像样本特征分析表明：灰度方差值、2阶hu不变矩、灰度共生矩阵特征、功率谱特征和Gabor纹理特征组成的特征矢量是最优特征解。分类器设计是路面湿滑状况判别的核心。鉴于路况复杂很难穷尽路面图像，且路面图像分类也是一种非线性的模式识别问题，本文运用支持向量机和神经网络进行分类器设计研究。由于支持向量机分类器在小样本、非线性及高维模式识别问题上表现出许多特别的优势，实验中通过One—Agains—All（OAO）、One—Agains-One（OAA）和Binary-classSVM（BSVM）算法分别用线性内核函数、多项式内核函数、径向基函数内核函数、Sigmoid内核函数对8种不同湿滑状况的路面进行分类研究。同时考虑到径向基神经网络（RBFNN）学习速度快，网络函数的逼近能力较强，而径向基概率神经网络（PNN）收敛于一个贝叶斯分类器，泛化性能好，因此实验中选取RBF和PNN作为神经网络分类器。湿滑道路图像判别实验结果表明：在多特征输入多类输出的分类器设计中（本实验是2个主成分特征输入，8类结果输出），运用以上两种分类器进行湿滑路面判别正确率在70％～80％。SVM的分类正确率在70％～75％左右，并且很大程度上样本的质量和数量决定了SVM的性能，其核函数对分类性能的影响较弱。PNN的整体性能较优，其泛化性能力和分类准确率占有较大优势，分类正确率为75％～80％。而RBF网络虽然训练误差小，但是其分类准确性和泛化能力均不如PNN，分类正确率为65％～70％。样本质量、数量以及特征选择对路况识别至关重要；合理设计非线性分类器并优化其训练算法和决策函数是非常有必要的。本文最后指出下一步研究应着重从特征选择优化上改进特征向量，探索以机器视觉为主导的多传感器的路面湿滑判别技术，并研究具有反馈学习的多分类器的集成融合技术。
作者：	万剑
专业：	智能交通工程
导师：	初秀民
授予学位：	硕士
授予学位单位：	武汉理工大学
学位年度：	2009
正文语种：	中文