基于超像素分割的實(shí)時(shí)野外場景理解

高玉潼, 原 玥

(1. 東北大學(xué) 計(jì)算機(jī)科學(xué)與工程學(xué)院, 遼寧 沈陽 110169; 2. 沈陽大學(xué) 信息工程學(xué)院, 遼寧 沈陽 110044)

場景理解是計(jì)算機(jī)視覺領(lǐng)域的研究熱點(diǎn)和難點(diǎn).根據(jù)處理場景的不同可將其分為室內(nèi)場景與室外場景.近年來,隨著無人駕駛技術(shù)的不斷發(fā)展,室外場景的理解變得尤為重要.通過對室外場景的語義分割,實(shí)現(xiàn)無人車的道路導(dǎo)航、行人避讓以及車輛跟蹤等功能.

對于室外場景的語義分割,近年來,諸多學(xué)者提出了多種方法.通常采用的方法是首先使用顏色、紋理等特征將整幅圖像進(jìn)行分割;隨后對分割后的區(qū)域進(jìn)行合并或相應(yīng)的濾波處理;最后利用機(jī)器學(xué)習(xí)的方法將每個(gè)區(qū)域賦予語義標(biāo)記,并將同類區(qū)域進(jìn)行融合.在進(jìn)行場景分割的過程中,顏色信息對于天空、草地、土地等類別具有很好的區(qū)分效果,通常使用HSV、LAB等顏色空間構(gòu)建顏色直方圖,但對于顏色相近或雜亂的場景效果較差.與此同時(shí),Gabor、LBP、梯度共生矩陣等紋理信息可用于區(qū)分不同紋理的區(qū)域.W.Yang等人[1]提出一個(gè)兩階段分類器來進(jìn)行場景分割.首先使用邏輯回歸將圖像表面特征和空間特征結(jié)合起來,然后將局部、區(qū)域和全局特征放入條件隨機(jī)場模型中產(chǎn)生最后的分割結(jié)果.文獻(xiàn)[2]基于灰度圖像的最小誤差概率,采用貝葉斯決策理論來實(shí)現(xiàn)圖像的分割.其中假設(shè)圖像的灰度值滿足高斯混合模型的概率分布,并采用EM算法進(jìn)行參數(shù)估計(jì).文獻(xiàn)[3]利用顏色信息和Gabor特征進(jìn)行K均值初分割,然后采用圖割的方法獲得最后的分割.

通過對直線電機(jī)在線監(jiān)測系統(tǒng)的組成進(jìn)行分析，得到影響數(shù)據(jù)質(zhì)量的因素為：①由傳感器本身的測量不確定性造成的差異；②由傳感器周邊的強(qiáng)電磁干擾造成的數(shù)據(jù)差異；③由車體震動造成的氣隙值與震動位移值之間的疊加；④由輪軌關(guān)系導(dǎo)致的檢測值波動；⑤由綜合因素造成的測量毛刺。

在對每個(gè)分割區(qū)域進(jìn)行類別標(biāo)記時(shí),通常采用機(jī)器學(xué)習(xí)方法來實(shí)現(xiàn).傳統(tǒng)的方法常采用支持向量機(jī)(SVM)或AdaBoost等傳統(tǒng)的機(jī)器學(xué)習(xí)方法.在文獻(xiàn)[4]中提出使用顏色、紋理等特征結(jié)合支持向量機(jī)來對室外場景進(jìn)行分類,并通過實(shí)驗(yàn)證明算法對于大規(guī)模圖像數(shù)據(jù)庫有較好的分類精度.D.Gokalp等人[5]采用單類分類器和聚類等手段將圖像劃分成多個(gè)區(qū)域,并從其中提取特征描述,結(jié)合貝葉斯分類器來實(shí)現(xiàn)室外場景的分類.

隨著深度學(xué)習(xí)技術(shù)在計(jì)算機(jī)視覺領(lǐng)域取得巨大的成功[6],深度學(xué)習(xí)已被廣泛應(yīng)用在物體識別、場景理解、人臉識別等視覺領(lǐng)域,并取得了傳統(tǒng)計(jì)算機(jī)視覺無法獲得的準(zhǔn)確率.在場景理解領(lǐng)域,通常采用深度學(xué)習(xí)網(wǎng)絡(luò)對場景圖像進(jìn)行特征提取,同時(shí)結(jié)合其他技術(shù)完成場景語義分割功能.文獻(xiàn)[7]利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取,同時(shí)利用超像素分割與CRF對像素語義進(jìn)行分類標(biāo)記.文俊[8]提出采用MeanShift先對場景圖像進(jìn)行預(yù)分割,然后再將預(yù)分割后的區(qū)域送入神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行分類.

為平衡場景分類算法的時(shí)間開銷和分類精度,本文首先采用快速超像素分割來進(jìn)行預(yù)處理,然后結(jié)合了顏色、紋理和梯度信息構(gòu)成了特征描述符,最后采用多類Real AdaBoost算法對場景進(jìn)行快速、準(zhǔn)確的分類.

1 超像素分割

超像素[9-10]是一類具有相似度量的像素集合.它為計(jì)算局部圖像特征提供了方便,大幅降低了后續(xù)圖像處理的復(fù)雜性,被廣泛應(yīng)用于深度估計(jì)、圖像分割和物體定位等方面.但是很多超像素的計(jì)算方法復(fù)雜度高、實(shí)時(shí)性差、分割精度差,以至其不適用于實(shí)際的視覺應(yīng)用中.本文采用R. Achanta[11]提出的簡單線性迭代聚類方法(SLIC)用于實(shí)時(shí)場景分類系統(tǒng)中.

由于每個(gè)像素的5維特征向量擁有兩種不同的含義,因此在不進(jìn)行歸一化的情況下,不能簡單地使用歐氏距離進(jìn)行聚類.為了平衡在聚類過程中的像素空間距離和像素顏色,對像素空間距離進(jìn)行適當(dāng)?shù)募訖?quán),其公式如下:

其中:Ds是度量值;m是輸入?yún)?shù),用來調(diào)節(jié)超像素的緊致度;m的值越大,空間相似性權(quán)重越大,聚類越緊密,在本文中采用m=10作為參數(shù);lk、ak、bk表示第k個(gè)超像素的聚類中心點(diǎn)像素的lab值,li、ai、bi表示在其周圍2S×2S正方形內(nèi)的采樣像素點(diǎn)i的lab值;xk、yk表示第k個(gè)超像素的聚類中心點(diǎn)像素的圖像坐標(biāo)值,xi、yi表示在其周圍2S×2S正方形內(nèi)的采樣像素點(diǎn)i的圖像坐標(biāo)值;dlab表示第k個(gè)超像素聚類中心與其周圍2S×2S正方形內(nèi)的像素點(diǎn)的lab值的度量值,即lab顏色空間的距離;dxy表示第k個(gè)超像素聚類中心與其周圍2S×2S正方形內(nèi)的像素點(diǎn)的圖像坐標(biāo)值的度量值,即歐氏距離.

現(xiàn)場錄井過程中可綜合運(yùn)用氣測解釋方法，經(jīng)實(shí)踐證實(shí)3H輕質(zhì)烷烴比值法［4］（包括烴特征值（CH）、烴平衡值（BH）和烴濕度值（WH））可有效識別是否進(jìn)入油氣層及是否鉆出油氣層或鉆遇低滲層。將WH、BH和CH 值對數(shù)曲線和隨鉆錄井剖面放置于同一張圖表中，根據(jù)3條曲線的對應(yīng)關(guān)系和趨勢可判斷是否鉆入或鉆出油氣層。

構(gòu)建全程網(wǎng)格化監(jiān)管、食品藥品可追溯、技術(shù)支撐、社會共治“四個(gè)體系”。昆明市局率先在全省構(gòu)建了市縣食品藥品稽查體系，以政府購買服務(wù)方式，配備工作人員4600多名，形成市縣鄉(xiāng)三級監(jiān)管機(jī)構(gòu)、市縣鄉(xiāng)村四級監(jiān)管網(wǎng)絡(luò)。建立了生產(chǎn)管理、入市備案、進(jìn)銷記錄等制度，加強(qiáng)初始管控，構(gòu)建系統(tǒng)的溯源鏈條。此外，還建立了以市級檢驗(yàn)機(jī)構(gòu)為核心、縣級檢驗(yàn)機(jī)構(gòu)為支撐、鄉(xiāng)和市場快檢室為基礎(chǔ)的檢測體系。開展立體式宣傳，連續(xù)13年組織家庭小藥箱清理暨用藥安全宣傳月活動。

算法1給出了整個(gè)SLIC的算法流程.在放置聚類中心時(shí),為了避免將聚類中心放置在圖像邊界處或噪點(diǎn)處,按照式(4)將聚類中心調(diào)整到最小梯度處.圖1展示了當(dāng)k取不同值時(shí)超像素分割的效果.

其中:I(x,y)是像素坐標(biāo)(x,y)處的lab向量;‖·‖是L2范數(shù),因此式(4)同時(shí)考慮了顏色和像素強(qiáng)度信息.

圖1 超像素分割Fig.1 Superpixel segmentation(a)—k=100; (b)—k=200; (c)—k=500.

算法1 超像素分割算法

S作為圖像像素間隔,初始化聚類中心

Ck=[lk,ak,bk,xk,yk]T.

在n×n鄰域內(nèi)調(diào)整聚類中心到最低梯度位置.

repeat

for每個(gè)聚類中心Ckdo

根據(jù)式(1)～式(3),在2S×2S鄰域內(nèi)為聚類中心分配最好的匹配點(diǎn)

end for

綜上所述,應(yīng)用集束化護(hù)理措施,能夠顯著降低呼吸機(jī)相關(guān)性肺炎患者的機(jī)械通氣時(shí)間、呼吸機(jī)相性肺炎發(fā)生率,并有助于提高護(hù)理質(zhì)量與患者滿意度,值得臨床廣泛推行。

半個(gè)學(xué)年過去了，我是越戰(zhàn)越勇，名次上升很快，甚至數(shù)學(xué)還以滿分和張紹凡并駕齊驅(qū)。她看我的眼神變得不一樣了，有驚奇還有疑惑。

untilE≤threshold

如圖5所示，設(shè)置初始阻抗參數(shù)為z=0.2進(jìn)行髖關(guān)節(jié)和膝關(guān)節(jié)實(shí)驗(yàn)，第1周期，被測者不施加主動力，按照既定軌跡恒速運(yùn)動；第2周期開始，被測者施加主動力，機(jī)器人采集主動作用力；第3周期開始，根據(jù)前1周期主動作用力大小計(jì)算新的康復(fù)訓(xùn)練速度。從圖5中可以看出力2大于力1，其相應(yīng)的速度也越大，所以當(dāng)阻抗參數(shù)相同時(shí)，主動力越大，速度調(diào)整量也越大。

綜上所述，低壓配電系統(tǒng)作為電源向用電負(fù)荷傳輸電能的必要途徑，它不僅影響人們的正常生活，同時(shí)還會造成責(zé)任事故，危及人體生命，損害國家利益。因此，不僅要對低壓配電系統(tǒng)程序和環(huán)節(jié)進(jìn)行全面了解，還要正視建筑電氣設(shè)計(jì)中低壓配電系統(tǒng)安全合理選擇的問題，再保證電源穩(wěn)定持續(xù)的前提下，通過合理方式調(diào)整配電形式，減少不必要的配電投資，已達(dá)到穩(wěn)定持續(xù)供電的低壓配電系統(tǒng)。

2 特征提取

2.1 HSV顏色特征

在野外場景中,主要涉及的目標(biāo)對象有草地、樹木、天空和土路.在一般情況下,使用顏色特征可以很直觀地將其區(qū)分,因此本文采用HSV(hue, saturation, value)顏色模型為基礎(chǔ)來實(shí)現(xiàn)顏色特征提取.HSV是由A. R. Smith[12]在1978年根據(jù)顏色的直觀特性創(chuàng)建的一種顏色空間,也稱六角錐體模型(圖2).其中H分量為色調(diào),表示RGB三種顏色的變化;S分量為飽和度,表示某種顏色的飽和程度,V分量為亮度,表示圖像的明暗強(qiáng)度.

計(jì)算新的聚類中心和殘差E{使用前一次聚類中心和當(dāng)前重新計(jì)算的聚類中心的L1距離計(jì)算殘差}

圖2 HSV顏色模型Fig.2 HSV color model

由于超像素分割近似地將同類的場景劃分在相同的區(qū)域內(nèi),因此使用HSV顏色模型對每個(gè)超像素區(qū)域進(jìn)行顏色特征提取.本文涉及的場景中的每一類,其局部區(qū)域顏色均較為平滑,并且紋理信息周期性較強(qiáng),因此可以采用顏色通道的均值和方差作為其顏色特征,形成6維顏色特征如式(5)所示.

(5)

給定訓(xùn)練集S={(x1,y1),…,(xm,ym)},xi∈χ,yi∈{-1,1},弱分類器假設(shè)集H,弱分類器個(gè)數(shù)為T,初始化樣本權(quán)值

2.2 LBP特征

a3. 對于?x∈Xj,定義h(x)為

圖3 LBP特征計(jì)算示意圖Fig.3 LBP feature computing schematic

遍歷超像素塊上的每個(gè)像素并計(jì)算其LBP特征,由于場景中目標(biāo)類別的紋理具有一定的周期性,因此通過計(jì)算超像素塊內(nèi)的LBP特征的均值和方差可以得到其二維紋理特征.

(6)

2.3 EOH特征

EOH(edge oriented histogram)[15]特征是通過在圖像局部區(qū)域內(nèi)建立邊緣或梯度方向直方圖來對局部區(qū)域進(jìn)行特征描述.相比較于LBP特征,EOH特征更重視較大范圍的邊緣信息,其構(gòu)建過程如圖4所示.

圖4 EOH特征計(jì)算示意圖Fig.4 EOH feature computing schematic

EOH特征計(jì)算圖像區(qū)域中每個(gè)像素點(diǎn)的梯度大小和梯度方向,得到一張?zhí)荻葓D,然后按照梯度方向?qū)⒔y(tǒng)計(jì)直方圖分成9維,將具有相同方向的梯度大小累積起來,就能得到最終的統(tǒng)計(jì)直方圖.本文采用Sobel算子進(jìn)行梯度計(jì)算.

像素點(diǎn)(x,y)的邊緣強(qiáng)度定義如式(7)所示:

(7)

其中,Gx(x,y)和Gy(x,y)分別為x和y方向上的梯度.然后設(shè)定一個(gè)閾值T來去除噪聲,

(8)

像素點(diǎn)(x,y)的邊緣方向定義為

(9)

然后,將邊緣方向θ(0°,180°)等分為K(本文取K=9)個(gè)區(qū)間,在像素點(diǎn)(x,y)處的第K個(gè)區(qū)間的值為

(10)

(11)

ε是一個(gè)很小的值,為了使分母不出現(xiàn)為0的情況.算法中可以取ε=10-6.

最后在一個(gè)超像素區(qū)域內(nèi),通過統(tǒng)計(jì)其顏色、紋理和梯度信息,形成了17維的特征描述符見式(12).使用該特征描述向量來表述每一個(gè)局部區(qū)域,再通過機(jī)器學(xué)習(xí)方法即可獲得場景的分類器.e1,…,e9表示EOH特征的9個(gè)特征分量.

3 模式分類

3.1 Real AdaBoost分類算法

本文采用Real AdaBoost[16-17]作為學(xué)習(xí)算法來訓(xùn)練圖像特征,以獲得快速有效的場景分類器.AdaBoost算法最早由Freund和Schapire[18]提出,可以自動選取適合的弱分類器組合成強(qiáng)分類器以提升分類能力.因此其分類預(yù)測結(jié)果由每個(gè)弱分類器按權(quán)值投票產(chǎn)生,其過程如圖5所示,每個(gè)弱分類器N對應(yīng)一個(gè)權(quán)值WN,權(quán)值越大分類能力越強(qiáng).Real AdaBoost分類器是對經(jīng)典的AdaBoost分類器的改進(jìn)與提升,經(jīng)典的AdaBoost分類器也叫離散AdaBoost分類器,其每個(gè)弱分類器僅輸出離散的數(shù)值,分類能力較弱.而Real AdaBoost的每個(gè)弱分類器都輸出一個(gè)連續(xù)的實(shí)值,該數(shù)值表示類別的概率估計(jì).Real AdaBoost算法的訓(xùn)練偽代碼如算法2所示.

連通屬于相同聚類中心的像素.

由于近年來建筑物的建設(shè)數(shù)量逐漸增加，其帶來的環(huán)境污染、能源浪費(fèi)等現(xiàn)象也越發(fā)嚴(yán)重。故而在利用BIM技術(shù)對建筑物進(jìn)行節(jié)能設(shè)計(jì)研究的過程中，主要通過對建筑節(jié)能設(shè)計(jì)現(xiàn)狀進(jìn)行簡單闡述，進(jìn)而對BIM技術(shù)與建筑節(jié)能設(shè)計(jì)以及基于BIM技術(shù)的建筑節(jié)能設(shè)計(jì)具體應(yīng)用進(jìn)行詳細(xì)的研究與分析。本文旨在為BIM技術(shù)的建筑節(jié)能設(shè)計(jì)應(yīng)用研究提供幾點(diǎn)參考性建議，并為BIM技術(shù)在建筑節(jié)能設(shè)計(jì)方面的應(yīng)用優(yōu)化提供積極的促進(jìn)作用。

圖5 AdaBoost分類器結(jié)構(gòu)Fig.5 Structure of AdaBoost classifier

算法2 Real AdaBoost算法

D1(i)=1/m,i=1,…,m.

fort=1,…,T

a. forH中的每個(gè)hdo

a1. 將χ劃分成若干互斥的集合X1,…,Xn;

最后強(qiáng)分類器

a2. 統(tǒng)計(jì)Xj中-1和+1類別的累積樣本權(quán)重

其中l(wèi)=±1;

教材是教師教學(xué)的幫手，也是規(guī)范教學(xué)和傳承教育內(nèi)容的保證。禮儀課程的教材種類繁多，但很少有教材完全符合教學(xué)需求，只是部分對教學(xué)有價(jià)值，如何汲取有價(jià)值的部分，使其固化為適合本校學(xué)生的教材，這對所有禮儀教師都是挑戰(zhàn)。因此，性質(zhì)相同、教學(xué)體系相似的院校的旅游禮儀教師可合作共同編制禮儀教材，根據(jù)本校學(xué)生的實(shí)際情況，將理論與實(shí)踐內(nèi)容以文字的形式展現(xiàn)，但必須遵循以下幾個(gè)原則：結(jié)合院校的性質(zhì)，教材內(nèi)容符合學(xué)生的可接受性；摒棄學(xué)科中心主義的思想，建立新的教材內(nèi)容體系框架；反映時(shí)代特征，體現(xiàn)職業(yè)適用性價(jià)值；體現(xiàn)教材的教育性價(jià)值，使學(xué)生多方面獲益[9]。在此基礎(chǔ)上，規(guī)范、完善理論及形體實(shí)踐教學(xué)內(nèi)容。

LBP(local binary pattern)特征[13-14]是一種用于描述圖像紋理的局部特征.每個(gè)像素點(diǎn)的LBP值定義在其周圍鄰域內(nèi)(本文取3×3鄰域),以當(dāng)前像素點(diǎn)作為閾值,與鄰域內(nèi)周圍點(diǎn)的像素進(jìn)行比較,若周圍像素大于當(dāng)前像素值,則該像素位置被標(biāo)記為1,否則標(biāo)記為0.因此在當(dāng)前像素點(diǎn)周圍形成了8位的二進(jìn)制數(shù)值,該數(shù)值就是當(dāng)前像素點(diǎn)的LBP值,其計(jì)算過程見圖3.LBP特征反應(yīng)了當(dāng)前局部區(qū)域內(nèi)的梯度信息,不同于HOG等復(fù)雜的局部梯度描述符,LBP特征只保留了符號信息,即梯度的方向信息,而忽略梯度大小信息,加快了算子的計(jì)算速度.

ε是一個(gè)很小的正常數(shù);

a4. 計(jì)算歸一化因子

b.最小化Z來選取ht

c.更新樣本權(quán)值

Dt+1(i)=Dt(i)exp[-yiht(xi)].

我寫此文不是自己有什么育兒高招，這些不是我的成果。我家蠻蠻號稱放養(yǎng)，但顯然我沒有完全清楚放養(yǎng)的真正意思，good manner方面差得遠(yuǎn)。但我希望自己遇到了好的方式好的現(xiàn)象，能思考并能正面地學(xué)習(xí)點(diǎn)啥，也帶給國內(nèi)很積極上進(jìn)的家長們一些參考。國內(nèi)不管是節(jié)目《保姆911》的火爆，還是現(xiàn)在“正面教育”的流行，我發(fā)現(xiàn)了其中很重要的一點(diǎn)：教育孩子，首先是調(diào)整好自己。父母帶頭做到了，孩子才可能跟著做到。

其中b是一個(gè)閾值,默認(rèn)數(shù)值為0.

3.2 多分類Real AdaBoost算法

在本文的分類任務(wù)中,待區(qū)分的類別有3類:綠色植被、天空和土路,因此該分類問題轉(zhuǎn)變?yōu)槎囝悇e分類問題.本文采用一對多的思想來解決多類別分類問題.基于Real AdaBoost二值分類算法,在對某個(gè)類別進(jìn)行模型訓(xùn)練時(shí),將該類別的正例作為正樣本,其他類別的樣本全部作為負(fù)樣本,循環(huán)執(zhí)行即可得到多類別分類模型,其訓(xùn)練的偽代碼如算法3所示.

抓住機(jī)遇，加快發(fā)展。天脊集團(tuán)與珍寶石油公司在首屆中國國際進(jìn)口博覽會成功“牽手”，合作實(shí)施苯胺加工貿(mào)易項(xiàng)目，不僅實(shí)現(xiàn)了強(qiáng)強(qiáng)聯(lián)合、互利雙贏、共同發(fā)展，更重要的是對天脊集團(tuán)創(chuàng)新合作模式、擴(kuò)大天脊品牌、開拓國際市場具有重要現(xiàn)實(shí)意義。

算法3 多類Real AdaBoost算法

觀察并記錄本組患者手術(shù)病理診斷結(jié)果，并觀察患者顱腦MRI的圖像表現(xiàn)，明確腫瘤發(fā)生部位、大小、形態(tài)、信號及強(qiáng)化表現(xiàn)等。

給定訓(xùn)練樣本集合

S={(xi1,yi1),(xi2,yi2),…,(xij,yij)},

類別個(gè)數(shù)為J,i=1,…,N;每一類的樣本個(gè)數(shù)為N;xij表示類別j的第i個(gè)樣本,yij∈{1,…,J}表示類別j的第i個(gè)樣本的類別標(biāo)簽.

使用Real AdaBoost為每一類生成一個(gè)分類函數(shù)

其中:k表示第k個(gè)弱分類器;m是弱分類器的個(gè)數(shù).得到多類Real AdaBoost分類器

2組患者在手術(shù)時(shí)間、術(shù)中出血量間無統(tǒng)計(jì)學(xué)差異(P>0.05)；觀察組蘇醒時(shí)間顯著短于對照組(P<0.05)，PONV評分、補(bǔ)救鎮(zhèn)痛率顯著低于對照組(P<0.05)。見表2。

即令F(x,j)達(dá)到最大的類別j即為所求.

4 實(shí)驗(yàn)結(jié)果與分析

本文的野外場景分類算法運(yùn)行在Windows 7 64位筆記本電腦上,配置Intel(R) Core(TM) i5-2450M CPU,主頻2.5GHz,內(nèi)存4.00GB.野外場景圖片數(shù)據(jù)從網(wǎng)絡(luò)上獲取,選取的場景主要為綠色植被、天空和土路構(gòu)成.每個(gè)類別的訓(xùn)練數(shù)據(jù)分別選取各種條件下的40張圖片,并在其上遍歷各種尺度以獲得更大的訓(xùn)練數(shù)據(jù)集,其部分訓(xùn)練圖片如圖6所示.為了更好地適應(yīng)多種實(shí)際場景,本文在選取訓(xùn)練樣本時(shí),更多地包含同一類別場景的多種不同狀態(tài),但盡量保證同一類別場景的高度內(nèi)聚性和不同場景間的低耦合性.

圖6 部分訓(xùn)練數(shù)據(jù)庫樣本Fig.6 Part of the training database sample(a)—綠色植被; (b)—天空; (c)—土路.

圖7給出4個(gè)場景的測試圖像.從實(shí)驗(yàn)結(jié)果來看,在進(jìn)行超像素分割時(shí),算法可以較好地將同一類場景劃分在一個(gè)圖像區(qū)域內(nèi),并且保證不同類別的邊界處具有較好的分割結(jié)果,這對后續(xù)的場景分類提供了有利條件.最后通過多類Real AdaBoost算法對每個(gè)超像素塊進(jìn)行分類處理并將同類超像素塊連接在一起,實(shí)驗(yàn)結(jié)果顯示本文提出的算法可以很好地將3種場景正確分類,并且在容易出錯(cuò)的不同類的邊界處也有很好的表現(xiàn).同時(shí)由于采用了快速的超像素分割算法,使得本文提出的算法具有良好的實(shí)時(shí)處理性能,圖7中4個(gè)場景的處理時(shí)間統(tǒng)計(jì)如表1所示.

圖7 實(shí)驗(yàn)結(jié)果Fig.7 Experiment results(a)—場景1; (b)—場景2; (c)—場景3; (d)—場景4.

表1 計(jì)算時(shí)間統(tǒng)計(jì)Table 1 Computing time statistic

5 結(jié) 語

本文提出了一個(gè)實(shí)時(shí)性較好、分類精度較高的野外場景理解算法.該算法可以有效地應(yīng)用在機(jī)器人野外環(huán)境勘測、車輛輔助駕駛等方面.為了加快處理速度,本文首先采用快速的超像素分割算法,該算法不僅實(shí)時(shí)性好,而且具有較高的分割精度,保證相同類別的目標(biāo)場景被分割在同一個(gè)圖像區(qū)域內(nèi).場景圖像分割結(jié)束后,采用HSV顏色特征、LBP紋理特征和EOH邊緣方向特征構(gòu)成17維特征向量來表述超像素區(qū)域,最后利用多類Real AdaBoost算法訓(xùn)練多類別模型.實(shí)驗(yàn)結(jié)果顯示本文提出的算法具有較高的分類精度,對于不同類邊界地帶處理較好,同時(shí)算法的實(shí)時(shí)性較好,可以將其使用在多種移動平臺上用于科研和民用領(lǐng)域.