基于条件随机场的大范围地形感知框架

基于条件随机场,提出一种由近及远的在线、自适应大范围场景地形感知框架．首先,把当前场景图 片划分为超像素,将近视场超像素的特征向量和地形类别作为学习样本整合到地形数据库中;然后,利用条件随机 场和地形数据库对远视场超像素的特征信息和空间关系进行建模;最后,利用在线学得的模型参数对远视场超像素 所属地形类别进行推理．分类实验结果表明,该方法相对已有的其他方法在分类的精度、鲁棒性以及对动态环境的 自适应能力三方面均有极大提高．     

基于贝叶斯核主成分分析的远距离地形标记方法

由于非结构化室外场景外观特征分布存在动态不确定性以及映射偏移特性,因此在室外移动机器人自主导航的过程中采用预确定外观特征并不能非常有效地进行地形标记.为了解决此问题,提出了基于贝叶斯核主成分分析(BKPCA)的远距离地形标记方法.该方法融合了基于贝叶斯公式的聚类中心后验概率,且采用自定义的核函数,实现了原始特征数据结构在低维空间上的保持,能够提取出适合当前场景地形标记的外观特征.实验结果表明,BKPCA模型有效地提高了远距离地形标记的精度.     

基于帧图像语义上下文的地形推理策略

基于场景帧图像语义上下文概念,提出一种融合不同场景时空信息的自适应在线地形推理策略TIBSC(Terrain Inference Based on Semantic Context).首先,提取不同场景图像近视场像素的特征向量和地形类别,构建地形样本候选数据库;然后,从地形样本候选数据库中选取与当前场景图像远视场区域语义上下文最相似的若干帧地形样本,构建当前场景地形判别数据库;最后,基于当前场景地形判别数据库及贝叶斯法则,对当前场景远视场区域像素所属地形类别进行推理.基于数据集的仿真实验表明:在影响TIBSC推理精度的所有因素中,基于语义距离准则的最优样本选择以及样本数据的在线扩充两大模型变量起主导作用.同时,基于相同分类特征的TIBSC策略在推理精度上优于同类研究结果.