【技术实现步骤摘要】
本专利技术涉及模式识别
，具体涉及一种基于无监督学习的道路检测方法及系统。
技术介绍
通过有监督学习的方法进行道路检测是模式识别领域新兴的一种方法。有监督的学习分为训练和测试两个阶段，在训练阶段，通过适当地提取样本特征学习出一个函数，在接下来的测试阶段中，就可以利用这个函数对新的数据进行结果的预测。在道路检测中，常用于训练的特征有色彩特征(如灰度特征、RGB特征等)、纹理特征(如光强分布、颜色分布等)等。通过对这些特征进行训练可以得到一个分类器，用于区分道路和非道路。如果训练的样本足够大，用这种方法进行道路检测能够比单纯地利用图像处理技术进行道路检测取得更好的效果。然而，这种方法也存在着如下四种弊端：(1)图像中道路及其周边环境特征各异，尤其是对于有复杂形状、多变光照的道路图像来说，很难选取合适的特征进行训练，这极大地降低了测试阶段的鲁棒性。(2)训练样本和测试样本之间特征的差异可能较大，这就意味着即便训练得再全面，也不能对测试样本进行很好地分类。(3)要想取得较好的训练效果，需要大量的样本，而监督学习对训练集的要求是包括特征和目标，目标是需要通过人工标注的。因此，在大样本的前提下，用监督学习的方法进行道路检测，工作繁重，效率较低。(4)现有的用于道路检测的监督式学习方法大多只考虑了道路的色彩或
纹理特征，这些特征在阴影等不良因素的干扰下的适应性较差，这对最终的检测结果会产生不利的影响。总之，现有的基于学习的道路检测方法能够取得一定的效果，但其局限性也是不容忽视的，集中体现在四个方面：在不同道路环境下鲁棒性较差、训练样本和测试样本之...
【技术保护点】
一种基于无监督学习的道路检测方法，其特征在于，包括：步骤S1、从像素大小为M*N的待检测道路图像中随机选取n个像素大小为W*W的图像样本，其中M、N≥W，步骤S2、根据待检测道路图像左上角像素的坐标和色彩特征值，计算每个图像样本i左上角像素的坐标(xi,yi)和色彩特征值si，得到每个图像样本i的三维特征向量其中1≤i≤n，所述色彩特征值为该像素的灰度特征值或RGB特征值；步骤S3、对图像样本i的三维特征向量进行归一化处理和白化处理，得到图像样本i经过归一化处理和白化处理后的三维特征向量步骤S4、对特征表达式进行K均值聚类计算，得到k个类簇，其中聚类数K＝k，n≥k≥2；步骤S5、对所述k个类簇的聚类中心cm进行非线性映射，得到k个非线性映射值步骤S6、对特征表达式y＝{ym,m＝1,2,...,k}进行K均值聚类计算，得到道路和非道路两个类簇，其中聚类数K＝2。
【技术特征摘要】
1.一种基于无监督学习的道路检测方法，其特征在于，包括：步骤S1、从像素大小为M*N的待检测道路图像中随机选取n个像素大小为W*W的图像样本，其中M、N≥W，步骤S2、根据待检测道路图像左上角像素的坐标和色彩特征值，计算每个图像样本i左上角像素的坐标(xi,yi)和色彩特征值si，得到每个图像样本i的三维特征向量其中1≤i≤n，所述色彩特征值为该像素的灰...
【专利技术属性】
技术研发人员：张培炎，
申请(专利权)人：南京学安网络科技有限公司，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。