基于不确定性知识的实时道路场景理解

由于室外机器人的工作环境非常复杂，因此机器人的视觉导航必须具有足够的智能和鲁棒性，为此，提出了一种基于不确定性知识的实时道路理解算法，该算法通过不确定性知识推理来融合多种信息和知识，以满足在复杂道路环境下的鲁棒性要求，它即使在有强烈阴影、水迹等干扰下也能给出比较好的结果；通过图象边缘信息的提取可以得到精确的道路边界，以满足视觉导航的精确性要求；同时在算法设计时，兼顾了实时性要求；使得算法得以实时实现，该算法已在实际的机器人上进行了测试，并得到了很好的结果。     

基于区域的图像信息隐藏算法

提出一种空间域信息隐藏算法。该算法结合了LSB和MSB的优点，将灰度值划分成一个个等长度区间，在每个区间都嵌入信息。信息嵌入是通过修改灰度值，而灰度值的变化是在区间范围内的，由于区间的范围较小，从而能够保证引起的图像失真是不可觉察的。同时考虑人类视觉系统的相关特性，选择出可用像素位置来嵌入信息，放弃不可用像素位置，进一步提高不可觉察性这一技术指标。实验结果表明，该算法隐藏容量较大，有较好的鲁棒性且易于实现。     

基于区域的图像信息隐藏算法

提出一种空间域信息隐藏算法。该算法结合了LSB和MSB的优点,将灰度值划分成一个个等长度区间,在每个区间都嵌入信息。信息嵌入是通过修改灰度值,而灰度值的变化是在区间范围内的,由于区间的范围较小,从而能够保证引起的图像失真是不可觉察的。同时考虑人类视觉系统的相关特性,选择出可用像素位置来嵌入信息,放弃不可用像素位置,进一步提高不可觉察性这一技术指标。实验结果表明,该算法隐藏容量较大,有较好的鲁棒性且易于实现。     

基于单目视觉的结构化道路检测算法研究

为了全面了解基于单目视觉的结构化道路检测方法的现状,给出近些年来一些典型的道路检测算法,并进行分类,包括基于灰度特征和彩色特征的检测算法、基于模型的识别算法,最后对该领域的难点和趋势给出简要的论述。     

基于单目视觉的结构化道路检测算法研究

为了全面了解基于单目视觉的结构化道路检测方法的现状,给出近些年来一些典型的道路检测算法,并进行分类,包括基于灰度特征和彩色特征的检测算法、基于模型的识别算法,最后对该领域的难点和趋势给出简要的论述。     

一种基于视觉的道路检测算法

计算机视觉导航使移动机器人可以工作于复杂环境中,而道路检测是其中的关键环节。针对道路的多样性和环境因素的影响,提出了一种稳健的道路检测算法。依据道路特征把图像分为3组区域：路、非路和不确定区域,然后对难以判断的不确定区域使用假设检验的策略,依据道路的形状、路宽和面积信息综合判断,把不确定区域合并到路或者非路区域,从而快速准确地检测出道路。该算法已经在移动机器人-ATRV上测试和使用。     

一种基于动态规划的道路图像分割算法

非结构化环境的道路分割是移动机器人视觉导航的一个重要研究内容.本文利用图像边缘信息对道路边沿定位的精确性和彩色信息对道路区域分割的适应性,在彩色分割结果和边缘信息之间进行动态规划求解,提出了一种非结构化道路区域检测的新方法.实验结果表明:本文提出的分割方法可以有效地分割出道路区域,对各种环境具有良好的适应性.     

基于算法集成分段自适应道路检测技术研究

视觉辅助导航系统要求具有很高的稳定性和实时性,而车辆行驶过程中道路场景会发生变化,目前常用的道路检测算法难以保证在各种道路环境下都有很好的检测性能,迫切需要研究能够跟踪道路场景变化的自适应道路检测技术;提出了基于算法集成分段自适应道路检测系统,给出了系统流程及结构;实验结果表明,该方法具有自适应性强、算法设计简便、实现成本低等优点,具有很高的实用意义.     

结合区域信息的双抑制FCM聚类图像分割

针对抑制式模糊C均值聚类算法在进行图像分割时出现的收敛性能较差和像素错误分割问题,提出一种结合区域信息的双抑制模糊C均值聚类图像分割算法。对图像进行初始区域划分,针对不同的区域,提取其区域信息;利用区域信息构建修正因子,实现对模糊隶属度的初次抑制;将区域信息和数据自身的分布特性相结合,利用指数函数构建抑制因子的自适应选取公式,实现对模糊隶属度的二次抑制,进一步提高收敛性能。实验结果表明,该算法可以改善像素易错分现象,提高了收敛性能。     

基于肤色和区域双重匹配的人脸检测

提出了一种在复杂背景的图像中自动检测彩色人脸的方法。这种方法将肤色信息与人脸区域信息相结合。先在YCbCr颜色空间中求出图像中每个像素点属于肤色的隶属度,然后求出每个像素点对于质心的区域隶属度,最后把这两个隶属度进行结合得到属于人脸的隶属度。试验结果证明这种方法能较好地在复杂背景中检测出人脸。     

基于核方法的彩色图像量化研究

彩色图像量化是指将一幅具有N种颜色的图像用K（K<相似文献   

密度敏感鲁棒模糊核主成分分析算法

针对传统核主成分分析算法(Kernel principal component analysis, KPCA)对野性样本点敏感等缺陷, 提出一种密度敏感鲁棒模糊核主成分分析算法(Density-Sensitive robust fuzzy kernel principal component analysis, DRF-KPCA).该算法首先通过引入相对密度确定样本初始隶属度, 并构建出基于重构误差的隶属度确定方法, 同时采用最优梯度下降法实现隶属度的更新, 有效解决了传统核主成分分析算法对野性样本点敏感导致的主成分偏移等问题.最后, 通过简化重构误差的计算公式, 大大降低了算法的计算复杂度和运行时间.实验部分, 利用有野性样本点和无野性样本点的数据集对本文算法、KPCA及其他改进算法的主成分分析性能进行测试, 结果表明DRF-KPCA能有效消除野性样本点对主元分布的影响.此外, 试验通过分析参数对算法性能的影响给出了合理的参数取值建议.最后将本文算法与其他算法应用到分类问题中进行对比, 实验表明本文算法的分类性能较其他算法有显著提高.     

基于核方法的一种新的模糊支持向量机

由于支持向量机对样本中的噪声及孤立点非常敏感,因而在解决非线性、高维数、不确定问题时,使用模糊支持向量机比使用支持向量机的效果要好。在模糊支持向量机中,模糊隶属度函数的建立是关键也是难点。一般,模糊隶属度是在原始空间中根据样本点的相互距离及到类中心的距离创建的。考虑样本间的密切度,在特征空间中利用混合核函数建立一种新的模糊隶属度。通过试验比较多项式核函数、高斯径向基核函数与混合核函数,可看出新方法表现出了它的优越性。     

一种隶属关系不确定的可能性模糊聚类方法

模糊聚类是聚类分析的一个重要分支,模糊C-均值聚类算法及其改进算法都是一种基于概率约束的聚类方法,所采用隶属度的取值形式体现了数据集的绝对隶属程度,常常出现不理想的聚类结果.对此,提出了不确定隶属的概念,在此基础上,通过提出两个基于相对隶属程度的判断准则参数,设计出一种新的基于隶属关系不确定的可能性模糊聚类新算法, 并给出了具体算法实现. 新算法将迭代过程中数据集对聚类簇隶属的可能性与不确定性关系引入目标函数中,达到明显的优化聚类结果的功效.理论分析和实验结果表明,相对其他聚类算法,新算法具有更高的聚类正确率.     

一种基于核函数的非线性感知器算法

为了提高经典Rosenblatt感知器算法的分类能力，该文提出一种基于核函数的非线性感知器算法，简称核感知器算法，其特点是用简单的迭代过程和核函数来实现非线性分类器的一种设计，核感知器算法能够处理原始属性空间中线性不可分问题和高维特征空间中线性可分问题。同时，文中详细分析了其算法与径向基函数神经网络、势函数方法和支持向量机等非线性算法的关系。人工和实际数据的计算结果表明：与线性感知器算法相比，核感知器算法可以有效地提高分类精度。     

基于核的模糊聚类算法

在聚类分析中,模糊c-均值算法是应用最广泛的聚类算法之一,针对该算法对初始化敏感,容易陷入局部极小点的缺点,论文提出了一种基于核的模糊聚类算法。在算法中将核方法与模糊可能性算法相结合,将模糊c-均值算法结果作为初始中心,放松了对隶属度归一化的条件,对噪声有更好的处理能力。IRIS数据和人造数据的实验结果表明该算法的有效性。     

基于核覆盖算法的煤价预测

核覆盖算法是在一般覆盖算法的基础上引入了核函数而提出的。新的算法不仅克服了传统的预测方法中存在的局限性,而且融合了SVM中的核函数法与构造性学习的覆盖算法中的优点,具有计算量小、精度高等优点。将核覆盖算法用于煤炭价格的预测中,取得了比其他方法更好的结果,也充分体现了核覆盖算法的有效性。     

基于连通核的鲁棒模糊C-均值聚类算法

提出一种新的鲁棒核模糊C-均值聚类算法.将连通核与AFCM(Alternative fuzzy C-means)聚类算法相结合,给出基于连通核的核AFCM:CRKFCM(Connectivity kernel based robust fuzzy C-means).CRKFCM一方面有效地利用了连通核,可以对任意形状数据聚类,且避免了核参数的选取问题;另一方面在特征空间使用非欧氏距离,可以有效地处理含噪声数据的聚类问题.实验结果表明,与原有的AFCM和连通核硬C-均值(CKHCM,Connectivity kernel based hard C-means)聚类算法相比,新算法在处理噪声环境中的任意形状聚类问题方面更有效.     

基于交叉覆盖算法的改进算法——核平移覆盖算法

文中对前向神经网络交叉覆盖算法进行了分析,并在此基础上引入统计学习理论中的核函数,提出了两者结合的方法———核平移覆盖算法(简称KMCA)。KMCA通过Mercer核,将输入空间的样本映射到高维特征空间,然后先覆盖、后平移,以使覆盖领域局部最优,实现在核空间中分类识别。实验的结果证明了KMCA的可行性和有效性。