模式分类与视觉导航中的分层数据处理研究

【摘要】： 与分层数据处理相关的理论(粒度计算、多分辨率分析、多尺度分析)是目前的热点研究领域。通过将所研究问题的论域在不同的粒度(分辨率、尺度)下进行表示,有可能使问题的求解变得更容易、求解的计算复杂性降低、或者不可解的问题变得可解。本文以模式分类和视觉导航为背景,讨论采用分层处理的技术对问题求解的帮助,其研究成果有助于大规模数据的分类和图像内容的分析。 论文首先研究了多粒度表示与求解与模式分类问题的关联,取得了以下三个方面的研究成果:(1)分析了各种风险泛函对求解结果的影响、训练样本的规模同基于结构风险最小化的分类函数求解之间的关联、和模式分类同分层数据处理理论相结合的可能性。这些分析表明通过将训练样本在粗粒度上进行表示以及采用分层次求解策略,可以有效地解决分类问题;(2)提出了一种区域风险最小化的分类器求解策略。该策略采用超球(超立方体)作为基本的训练样本单位训练分类函数,使用中心点和半径来控制分类边界的位置。实验结果表明,这一方法与其它方法相比较,能够有效地利用区域特征减少训练样本的个数并且降低求解的分类函数的复杂性;(3)提出了一种基于特征空间划分的多分辨率分类器求解策略。该策略首先将训练样本所位于的区域在粗分辨率下划分成为超长方体,然后以超长方体为单位求解分类边界,将边界所位于的格子逐步细分,重复这个过程直到所求解的分类器满足精度。论文分析了这种求解策略的泛化能力并给出了能够降低计算复杂性的条件。实验结果表明,当数据集合具有聚类性质时,该策略能减少训练和测试阶段的计算量。 论文其次针对校园和城区环境提出了一种基于商空间合成的道路检测算法。该算法首先基于灰度图像求解道路曲率、三个候选边界位置以及路面色彩的计算区域,然后基于彩色图像提取出路面,最后利用商空间合成的结果将候选边界的计算值与区域提取值进行匹配,求解最可靠的道路边界和路面区域。与基于边缘检测和区域分割的方法对比,本文的算法能够鲁棒地、实时地检测城区和校园环境的道路。