基于深度视觉特征和支持向量机的地表纹理识别算法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN106599848A(43)申请公布日2017.04.26(21)申请号201611163755.9(22)申请日2016.12.16(71)申请人南京理工大学地址210094江苏省南京市孝陵卫200号(72)发明人沈业兰超李雪飞(74)专利代理机构南京理工大学专利中心32203代理人朱宝庆(51)Int.Cl.G06K9/00(2006.01)G06K9/62(2006.01)G06N3/08(2006.01)权利要求书2页说明书6页附图4页(54)发明名称基于深度视觉特征和支持向量机的地表纹理识别算法(57)摘要本发明提供一种基于深度视觉特征和支持向量机的地表纹理识别算法，包括以下步骤：步骤1，获取不同种非结构化道路的图片，并将每类图片的一部分存入训练集另一部分存入测试集，训练集和测试集构成地表纹理数据库；步骤2，采用AlexNet卷积神经网络模型，获取地表纹理数据库所有图像的深度视觉特征并保存；步骤3，在建立的地表纹理数据库中，对不同种非结构化道路分别定义标签，采用支持向量机算法分析训练集的深度视觉特征得到判决函数，分析测试集的深度视觉特征得到测试集的预测标签和分类准确率；步骤4，判断准确率是否高于设定值，若高于设定值则保留地表纹理数据库；否则，从新获取不同种非结构化道路的图片。CN106599848ACN106599848A权利要求书1/2页1.一种基于深度视觉特征和支持向量机的地表纹理识别算法，其特征在于，包括以下步骤：步骤1，获取不同种非结构化道路的图片，并将每类图片的一部分存入训练集另一部分存入测试集，训练集和测试集构成地表纹理数据库；步骤2，采用AlexNet卷积神经网络模型，获取地表纹理数据库所有图像的深度视觉特征并保存；步骤3，在建立的地表纹理数据库中，对不同种非结构化道路分别定义标签，采用支持向量机算法分析训练集的深度视觉特征得到判决函数，分析测试集的深度视觉特征得到测试集的预测标签和分类准确率；步骤4，判断准确率是否高于设定值，若高于设定值则保留地表纹理数据库；否则，从新获取不同种非结构化道路的图片。2.根据权利要求1所述的方法，其特征在于，步骤2中，每一张图像经过5个卷积层和2个全连接层输出深度视觉特征向量。3.根据权利要求1所述的的方法，其特征在于，步骤4所述的支持向量机算法具体为：步骤4.1.1，建立n维的数据空间中的一个超平面，其表达式为ωTx+b＝0ω为n维向量，b为常数；步骤4.1.2，构造分类函数使得超平面有效地将两类数据分开，分类函数为：f(x)＝ωTx+b步骤4.1.3，确定最大间隔分类器的目标，表达式为：步骤4.1.4，将最大化问题转化为最小化问题，目标转化为：步骤4.1.5，利用Lagrange对偶性引入Lagrange对偶变量α，给每一个约束条件加上一个Lagrange乘子，将约束条件融入到目标函数中，问题归结为：s.t.0≤αi≤C,i＝1,2,…,n步骤4.1.6，在两个不等式作为约束条件下求解极值，存在唯一最优解则方程的解为：2CN106599848A权利要求书2/2页步骤4.1.7，最终得到的最优超平面方程为：4.根据权利要求1所述的方法，其特征在于，所述步骤4中采用支持向量机算法分析训练集的深度视觉特征得到判决函数，具体过程为：步骤4.2.1，在建立的地表纹理数据库中，对不同种非结构化道路分配不同标签；步骤4.2.2，利用libsvm-weights-3.20中的svmtrain函数对训练集的深度视觉特征进行训练，得到训练好的模型；步骤4.2.3，用libsvm-weights-3.20中的svmpredict函数分析测试集的深度视觉特征得到测试集的预测标签和分类准确率。3CN106599848A说明书1/6页基于深度视觉特征和支持向量机的地表纹理识别算法技术领域[0001]本发明涉及一种模式识别技术，特别是一种基于深度视觉特征和支持向量机的地表纹理识别算法。背景技术[0002]智能车辆技术是一个新兴的学科，融合了计算机、现代传感、信息融合、通讯、人工智能及自动控制等技术，广泛应用于军事、民用领域。在民事领域中，它为驾驶者带来便利的同时，可以有效地避免突发状况的发生，减少交通事故的发生。该技术的第一层技术是智能感知/预警系统，利用各种传感器信息来获得对车辆自身、车辆行驶的周围环境及驾驶员本身的站台感知，必要时发出预警消息，是辅助驾驶系统和车辆自动驾驶系统这后两层技术的基础。[0003]由于智能车不仅在户外的越野环境中行驶时，必须先对地表进行识别，分析道路的变化，然后进行不同的操作从而实现车辆的自主导航。道路大体可以分为结构化道路与非结构化道路，针对道路结构的不同，地表分类的研究也有所不同。在特