基于稀疏描述的非结构化环境地形识别研究

Terrain recogntion in complex and unstructured environments is an extremely important problem in the field of robot intelligence. The evironment is always affected by time、illumination、occlusion and corruption，leading to many diffucult but unsolved problems in terrain recognition, such as data mulimodality,no concept of applicablity and so on. How to resolve these issues to provide the further performance improvement of terrain recogntion is currently a challenge.The previous works cannot be effectivley applied to terrain recogntion due to the existing above problems. Aiming at overcoming the above challenge, this project mainly discusses the saprse representation、the sparse representation based feature fusion as well as the one-dimensional density estimatation models. The innovation of the project is: (1) to propose a robustly sparse representation algorithm, which includes the constrcutions of a sparse model via joint 1、2 norms and a feature selection approach; (2)to develop a sparsity-based feature fusion system incorporating sparse discriminant features and environment factors; (3) to present a multi-weight projection SVM and construct a combination model based the one-dimensional density estimation. This study will promote the development of theroey, technology and application in pattern recogntion, machine leanring and robot intellegence.

复杂的非结构化环境下地形识别研究是面向移动机器人环境感知和识别的一个重要的问题。环境受时间、光照、干扰、遮挡等因素的影响，给非结构化环境地形识别带来了许多亟待解决的问题，如：数据的多模态性、无适用性观念等。如何缓解这些问题，以提高地形识别的能力是目前面临的一个重大挑战。面对非结构化环境地形识别的众多实际问题，仅限的成果无法有效地适应具体应用。针对以上问题，本项目将以在非结构环境下地形图像的稀疏描述、基于稀疏描述的特征融合、以及组合模型的一位密度估计为攻关内容对非结构环境地形识别问题进行基础研究探讨。本项目的创新之处是拟提出鲁棒的稀疏描述算法，通过用联合1、2范数表征传统的稀疏描述模型，并提出一个特征选择机制；基于稀疏描述，拟提出融合稀疏判别特征、环境要素特征等方法；拟提出基于稀疏多投影支持向量机并建立了一维密度估计的组合模型。本课题将有利推动模式识别、机器学习和智能机器人理论、技术和应用。

本项目针对无人车非结构化环境理解问题，主要研究图像稀疏描述和稀疏特征提取，基于稀疏描述的特征融合，非结构化环境地形识别等方面的内容。在图像稀疏描述和稀疏特征提取方面，提出了常规孪生支持向量机特征选择方法，通过向LSTSVM目标函数中引入一个l1范数Tikhonov 正则项，将RFTSVM问题解归结为解一个凸规划问题，与LSTSVM相比显著降低了训练复杂度。提出基于外罚理论的孪生支持向量机特征选择方法，将本类样本到本类平面的l2范数距离平方用l1范数代替，减少了偏离本类样本点对分类的影响，证明了该问题解的存在性并给出了精确解形式。研究图像显著性分析方法，在贝叶斯框架的基础上提出了改进的显著性计算方法，利用显著性计算结果实现对图像的有效稀疏描述。提出基于空间金字塔模型的词袋模型降维方法，有效缩减特征空间维数，从而实现特征的稀疏描述。在基于稀疏描述的特征融合方面，提出了多权向量投影支持向量机方法，研究如何利用更有效的方法建立地形样本可视化特征间的关系，然后可靠地描述地形样本。在非结构化环境地形识别方面，研究了最大软间隔子空间学习框架，通过引入软间隔概念，使算法获取的子空间有助于随后的分类器更好的分类。研究多投影对支持向量机在地形识别中的应用，与传统SVM相比，该算法在拥有计算效率优势的同时还能很好的处理异或问题。在公开数据集上的实验效果显示这些方法均取得了较好的效果。将地形分类算法在课题组自主研发的“行健”无人车上进行了实验，在真实环境采集的地形数据上取得了较好的分类效果。本项目取得研究成果，可用于解决复杂非结构化环境下地形识别问题，相关技术可应用于移动机器人环境感知和识别，有较广阔的应用前景。本项目在数据稀疏表示方面的理论研究可有利推动模式识别、机器学习理论的发展。