关于复杂环境下的道路识别算法——基于K-means特征的研究论文.pdf

简介：
本文探讨了在复杂环境下利用K-means聚类算法进行道路识别的有效性与应用前景，通过特征研究优化道路检测技术。 基于视觉的智能车辆导航技术通过感知和理解各种道路环境来确定可行驶区域。为解决实际道路复杂多样的问题，提出了一种适应复杂环境的道路识别算法。首先利用SLIC超像素分割算法对原始图像进行处理，生成性质一致、尺寸均匀的小块；接着用K-means聚类方法提取这些小块中的特征数据，并将它们组成训练集；然后针对经典双支持向量机（TSVM）在长时间训练和逆矩阵求解上的问题进行了改进。使用上述训练集合来调整后的双支持向量机进行模型的培训；最后，利用该机器对道路与非道路区域做出分类识别。 实验结果显示，在四组不同场景下，此方法相较于基于滑动窗口及颜色、Gabor纹理特征的方法更有效地处理了阴影、水迹和障碍物等复杂环境下的图像。前三组的道路识别错误率低于0.1%，而第四组的错误率为0.15%以下；与传统的SVM相比，改进后的TSVM在训练时间上更具优势。 因此，在复杂的道路环境中，该算法具有较低的误识率，并表现出良好的性能，为智能车辆感知和理解提供了新的途径。