CN112861682B - 基于朴素贝叶斯云计算路面图像采集分类方法及其装置 - Google Patents

基于朴素贝叶斯云计算路面图像采集分类方法及其装置 Download PDF

Info

Publication number
CN112861682B
CN112861682B CN202110129262.8A CN202110129262A CN112861682B CN 112861682 B CN112861682 B CN 112861682B CN 202110129262 A CN202110129262 A CN 202110129262A CN 112861682 B CN112861682 B CN 112861682B
Authority
CN
China
Prior art keywords
road surface
training
features
classifier
classification
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110129262.8A
Other languages
English (en)
Other versions
CN112861682A (zh
Inventor
姚劢
唐岩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tibet Ningsuan Technology Group Co ltd
Original Assignee
Tibet Ningsuan Technology Group Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tibet Ningsuan Technology Group Co ltd filed Critical Tibet Ningsuan Technology Group Co ltd
Priority to CN202110129262.8A priority Critical patent/CN112861682B/zh
Publication of CN112861682A publication Critical patent/CN112861682A/zh
Application granted granted Critical
Publication of CN112861682B publication Critical patent/CN112861682B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种基于朴素贝叶斯云计算路面图像采集分类方法及其装置，包括以下步骤：步骤S100：提取训练样本数据集中各样本特征，通过云平台对基于朴素贝叶斯分类器进行训练，得到训练分类器；步骤S200：采集路面图像后，提取路面图像中的颜色特征、纹理特征，得到实时路面特征，通过云平台采用训练分类器进行分类；步骤S300：输出分类识别结果至车载显示终端，将实时路面特征上传云平台服务器并加入训练样本数据集中。该图像采集方法有效简洁，基于朴素贝叶斯分类方法进行路面特征识别，并利用云计算平台提高路面识别的效率和准确性。

Description

基于朴素贝叶斯云计算路面图像采集分类方法及其装置
技术领域
本申请涉及一种基于朴素贝叶斯云计算路面图像采集分类方法及其 装置，属于机器学习技术领域。
背景技术
一直以来，环境感知作为ADAS和无人驾驶实现的一个基础性技术， 有很多学者和专业技术人员都对其进行过研究，现有的ADAS和无人驾驶 相关技术主要集中在感知算法的应用方面，主要用于车辆、行人、车道线、 交通标识等障碍物的检测。而ADAS和无人驾驶技术中对于环境感知中的 路面识别技术研究得较少。传统的机器学习方法如支持向量机SVM、贝叶 斯分类等在识别路面障碍物方面存在劣势，且现有的机器学习方法在训练 计算过程中对GPU、内存等硬件要求比较高，基于现有的方法和硬件计算 设备是无法保证学习后系统对路面实时变化情况的识别准确性和识别实 时效率。
现有分类器多为支持向量机分类器，此类分类器用于路面图像特征分 类时，分类准确性较差，计算效率低下，且无法根据特殊路况图像特征， 对已有分类器再次进行训练，成为路面图像识别准确性较低的技术问题。
发明内容
本申请提供了一种基于朴素贝叶斯云计算路面图像采集分类方法及 其装置，用于解决现有技术中存在的对路面图像识别效率低、准确性差的 技术问题。
本申请提供了一种基于朴素贝叶斯云计算路面图像采集分类方法，包 括以下步骤：
包括以下步骤：
步骤S100：提取训练样本数据集中各样本的颜色、纹理特征，对颜色、 纹理特征进行特征融合后，通过云平台对基于朴素贝叶斯分类器进行训 练，得到训练分类器；
步骤S200：通过在载具下部朝向路面设置摄像头，摄像头采集路面图 像后，提取路面图像中的颜色特征、纹理特征，得到实时路面特征，对所 得颜色特征、纹理特征进行特征融合后，通过云平台采用训练分类器进行 分类；
步骤S300：输出分类识别结果至车载显示终端，将实时路面特征上传 云平台服务器并加入训练样本数据集中。
优选的，所述基于朴素贝叶斯分类器包括：类别根节点和多个属性叶 节点。
优选的，步骤S100中对基于朴素贝叶斯分类器的训练包括以下步骤：
步骤S110：确定训练样本图像的特征属性；
步骤S120：获取训练样本，对每个类别计算P(yi)，其中，yi为第i 个路面类别，对每个特征属性计算所有划分的条件概率；
步骤S130：对每个类别计算P(x|yi)P(yi)，其中x为采集的样本数 据，yi为路面类别，以P(x|yi)P(yi)最大项作为X所属类别；
步骤S140：为训练样本数据集添加m个等效实例，计算公式为：
p(xj/ci)＝(Ccx+mp)/(Cc+m)
其中，xj为第j个样本，ci为第i个路面类别， m为附加实例的个数，具体取值可由路面识别 领域专家指定，p为概率先验估计。
优选的，所述p(xj/ci)＝(Ccx+mp)/(Cc+m)中先验概率p采用正态分布 确定或统一取先验概率1/Nx。
优选的，所述朴素贝叶斯分类器为：
其中，xj为第j个样本，
所述朴素贝叶斯分类器的分类公式为：
其中，xj为第j个样本，
所述步骤S100中训练样本数据集为：
T＝{(x1,y1),(x2,y2),...,(xm,ym)}
其中，T为数据集，xi＝(xi (1),xi (2),...,xi (n))T，xi (j)是第i个样本中第j个特 征，yi∈{c1,c2,...ck}为第i个样本所属的路面分类。
优选的，包括：步骤S400，
所述步骤S400：获取测试路面图像并对测试路面图像进行预处理、划 分单元区域、颜色特征提取、纹理特征提取、特征融合操作，分别得到测 试特征，采用训练分类器对测试特征进行分类识别，当测试特征不能正确 分类时，则将该测试特征返回至步骤S100中的训练样本数据集中，按步 骤S100中的步骤对该训练特征进行学习训练，直至训练分类器能确定对 该训练特征分类后，再将该特征参数加入到该类的特征向量中。
优选的，所述步骤S200中路面图像提取提取及特征融合步骤包括：
步骤S210：将路面图像分割为多个单元区域，每个单元区域为 16*16，提取各单元区域的颜色特征，并构建颜色特征库和纹理特征库； 计算单元区域的灰度共生矩阵，提取图像的纹理特征，建立纹理特征库；
步骤S220：对各单元区域的颜色特征和纹理特征进行特征融合，得到 实时特征。
优选的，所述步骤200中包括：对路面图像的预处理操作，预处理操 作包括：裁剪、降噪、增强；步骤S100中包括对训练样本数据的预处理 操作，预处理操作包括：裁剪、降噪、增强。
本申请的另一方面还提供了一种如上述的基于朴素贝叶斯云计算路 面图像采集分类方法所用装置，包括：
训练分类器模块，用于提取训练样本数据集中各样本的颜色、纹理特 征，对颜色、纹理特征进行特征融合后，通过云平台对基于朴素贝叶斯分 类器进行训练，得到训练分类器；
实时分类模块，用于通过在载具下部朝向路面设置摄像头，摄像头采 集路面图像后，提取路面图像中的颜色特征、纹理特征，得到实时路面特 征，对所得颜色特征、纹理特征案进行特征融合后，通过云平台采用训练 分类器进行分类；
分类结果处理模块，用于输出分类识别结果至车载显示终端，将实时 路面特征上传云平台服务器并加入训练样本数据集中。
优选的，还包括：图像预处理模块，
所述图像预处理模块，用于获取测试路面图像并对测试路面图像进行 预处理、划分单元区域、颜色特征提取、纹理特征提取、特征融合操作， 分别得到测试特征，采用训练分类器对测试特征进行分类识别，当测试 特征不能正确分类时，则将该测试特征返回至训练分类器模块中的训练 样本数据集中，按训练分类器模块操作对该训练特征进行学习训练，直 至训练分类器能确定对该训练特征分类后，再将该特征参数加入到该类 的特征向量中。
本申请能产生的有益效果包括：
1)本申请所提供的基于朴素贝叶斯云计算路面图像采集分类方法， 该图像采集方法有效简洁，基于朴素贝叶斯分类方法进行路面特征识别， 并利用云计算平台提高路面识别的效率和准确性。
2)本申请所提供的基于朴素贝叶斯云计算路面图像采集分类方法， 该方法能有效、准确的实现路面特征的提取、采集、训练和分类识别，基 于相机(摄像头)即可实现路面特征的采集，本申请中的方法，能针对现 有路面图像识别方法存在的劣势，如：路面信息模糊、识别准确率低，采 用M估计方法对朴素贝叶斯分类器路面识别方法进行优化改进，有效提 高对路面图像的识别、分类结果准确性。
3)本申请所提供的基于朴素贝叶斯云计算路面图像采集分类方法， 该方法采用云平台进行分类器的的路面图像大规模训练、分类，将云计算 的任务资源调度思维运用到传统汽车仿真软件的仿真结果计算上，采用云 计算的手段，有效提高了对实时路面图像的识别效率。
附图说明
图1为本申请提供的基于朴素贝叶斯云计算路面图像采集分类方法流 程示意图；
图2为本申请提供的具体实施例中根据小车机器人和实际探测角度需 要安装后的图像采集处理流程示意图；
图3为本申请提供的基于朴素贝叶斯云计算路面图像采集分类装置模 块连接结构示意图。
具体实施方式
下面结合实施例详述本申请，但本申请并不局限于这些实施例。
参见图1～3，本申请提供的基于朴素贝叶斯云计算路面图像采集分类 方法，包括以下步骤：
步骤S100：提取训练样本数据集中各样本的颜色、纹理特征，对颜色、 纹理特征进行特征融合后，通过云平台对基于朴素贝叶斯分类器进行训 练，得到训练分类器；
步骤S200：通过在载具下部朝向路面设置摄像头，摄像头采集路面图 像后，提取路面图像中的颜色特征、纹理特征，得到实时路面特征，对所 得颜色特征、纹理特征案进行特征融合后，通过云平台采用训练分类器进 行分类；
步骤S300：输出分类识别结果至车载显示终端，将实时路面特征上传 云平台服务器并加入训练样本数据集中。
本申请提供方法采用云平台对基于朴素贝叶斯分类器进行训练，能有 效提高分类器训练效率，并通过云平台采用训练后的分类器对实时获取的 路面图像特征数据进行分类，输出分类识别结果，能有效提高分类、识别、 训练效率，提高路面特征分类准确性。
路面数据采集识别流程图，首先是通过安装相机(摄像头)采集路面 特性数据，然后上传至云平台服务器进行数据处理，处理完之后提交云平 台计算资源进行训练计算，训练完成之后的模型放在车载终端上进行路面 数据的测试。
优选的，所述基于朴素贝叶斯分类器包括：朴素贝叶斯分类器，朴素 贝叶斯分类器包括：类别根节点和多个属性叶节点。
本申请中各属性叶节点为属性变量，描述待分类对象的属性；类别根 节点为类别变量，描述对象的类别；类别变量分别对应沥青路、井盖路、 土路、减速带、水泥路、城市广场、鱼鳞坑、卵石路、比利时路、搓板路 类别；属性变量对应路面的面材质、路面结构、有无裂缝、有无变形、摩 擦系数、构造深度。
优选的，步骤S100中对基于朴素贝叶斯分类器的训练包括以下步骤：
步骤S110：确定训练样本图像的特征属性；
步骤S120：获取训练样本，对每个类别计算P(yi)，其中，yi为第i 个路面类别，对每个特征属性计算所有划分的条件概率；
步骤S130：对每个类别计算P(x|yi)P(yi)，其中x为采集的样本数 据，yi为路面类别，以P(x|yi)P(yi)最大项作为X所属类别；
步骤S140：为训练样本数据集添加m个等效实例，计算公式为：
p(xj/ci)＝(Ccx+mp)/(Cc+m)
其中，xj为第j个样本，ci为第i个路面类别， m为附加实例的个数，具体取值可由路面识别 领域专家指定，p为概率先验估计。
优选的，所述p(xj/ci)＝(Ccx+mp)/(Cc+m)中先验概率p采用正态分布确 定或统一取先验概率1/Nx。采用方法确定先验概率p能获得较高的分类准确 性。
优选的，所述朴素贝叶斯分类器为：
其中，xj为第j个样本，
朴素贝叶斯分类器的分类公式为：
其中，xj为第j个样本，
步骤S100中训练样本数据集为：
T＝{(x1,y1),(x2,y2),...,(xm,ym)}
其中，T为数据集，xi＝(xi (1),xi (2),...,xi (n))T，xi (j)是第i个样本中第j个特征， yi∈{c1,c2,...ck}为第i个样本所属的路面分类。
优选的，包括：步骤S400，
所述步骤S400：获取测试路面图像并对测试路面图像进行预处理、划 分单元区域、颜色特征提取、纹理特征提取、特征融合操作，分别得到测 试特征，采用训练分类器对测试特征进行分类识别，当测试特征不能正确 分类时，则将该测试特征返回至步骤S100中的训练样本数据集中，按步 骤S100中的步骤对该训练特征进行学习训练，直至训练分类器能确定对 该训练特征分类后，再将该特征参数加入到该类的特征向量中。
采用该步骤，能实现对无法准确识别的路面图像、特征的多次训练， 从而实现实时提高训练分类器对各类极端路面信息的识别准确性。
优选的，步骤S200中路面图像提取提取及特征融合步骤包括：
步骤S210：将路面图像分割为多个单元区域，每个单元区域为 16*16，提取各单元区域的颜色特征，并构建颜色特征库和纹理特征库； 计算单元区域的灰度共生矩阵，提取图像的纹理特征，建立纹理特征库；
步骤S220：对各单元区域的颜色特征和纹理特征进行特征融合，得到 实时特征。
通过对实时路面图像分别进行颜色、纹理特征的提取能提高特征获取 准确性，之后再针对各单元区域分别进行特征融合，能有效提高融合后输 出特征的准确性，从而提高对路面图像信息的特征提取准确性。以上单元 区域为矩形区域。
优选的，步骤200中包括：对路面图像的预处理操作，预处理操作包 括：裁剪、降噪、增强；步骤S100中包括对训练样本数据的预处理操作， 预处理操作包括：裁剪、降噪、增强。
通过预处理能进一步提高图像特征提取准确性。
优选的，所述摄像头为高速CMOS相机或高清摄像头；载具为汽车或 机器人探测车；包括：存储模块，存储模块设置于载具内，存储模块与摄 像头电连接。在具体实施例中，采集后的图像和视频数据通过火线接口或 者以太网接口传输到车载PC上，并存储于车载大容量硬盘中。
摄像头朝向以能获得路面清晰图像为准，具体设置方式根据所用载具 的结构、运行特点进行调整。所用载具可以为研究用途或者专业采集数据 用的小车，也可以根据小车机器人和实际探测角度的需要安装固定在车头 位置上。
在一具体实施例中，
步骤1：安装传感器，进行路面特征的采集和提取
为了更好地精确地采集和提取路面特征，我们将相机(摄像头)安装 在汽车尾部且镜头朝下，当然，作为研究用途或者专业采集数据用的小车， 也可以根据小车机器人和实际探测角度的需要安装固定在如图2所示的车 头位置(双目摄像头，有向下探测的角度)：追求采集效果的可以采用专 业的高速CMOS相机和高清摄像头，车辆以较低速度行驶，采集后的图像 和视频数据通过火线接口或者以太网接口传输到车载PC上，并存储于车载大容量硬盘中。
步骤2：基于朴素贝叶斯理论进行路面的分类方法
朴素贝叶斯分类器在贝叶斯分类器中结构最简单，它包含一个根节 点、多个叶节点的树状贝叶斯网，其结构如下图3所示。其中叶节点 A1,A2,...,An是属性变量，描述待分类对象的属性；根节点C是类别变量， 描述对象的类别。
这里我们把路面可以分为沥青路、井盖路、土路、减速带、水泥路、 城市广场、鱼鳞坑、卵石路、比利时路、搓板路等类别，将路面材质、路 面结构、有无裂缝、有无变形、摩擦系数、构造深度等作为路面的特征属 性。
朴素贝叶斯分类器假定：在给定类标记时属性值之间是相互条件独立 的。也就是说，在给定实例的情况下，观察到的联合概率正好是每个属性 值概率的乘积。具体的数学表达式如下：
根据贝叶斯极大似然分类的思想，可以得到朴素贝叶斯分类器的分类 公式：
基于采集的路面数据训练集为T＝{(x1,y1),(x2,y2),...,(xm,ym)}，其中 xi＝(xi (1),xi (2),...,xi (n))T，xi (j)是第i个样本中第j个特征，yi∈{c1,c2,...ck}。
但是当使用极大似然估计时，可能会出现所需估计的概率值为0的情 况，这就会影响到接下来后验概率的计算结果，从而使分类结果产生偏差， 为解决此问题用的最多的是分子分母同时加入λ参数的拉普拉斯平滑方 法。
而本文采用的则是实际效果比拉普拉斯平滑法还要更精确也更为一 般的概率估计方法——M估计方法，其基本思想是用户可以根据领域特点 适度扩大训练数据集的实例数目，即为训练数据集添加m个等效的实例， 计算公式为：
p(xj/ci)＝(Ccx+mp)/(Cc+m)
其中m是附加实例的个数，具体取值可有领域专家指定，p是概率的先 验估计。确定精确的先验概率p比较困难，可以采用正态分布等，这里我 们一般取统一的先验概率为1/Nx。
步骤3：路面识别并提交云平台进行大规模的训练和计算包括以下步 骤：
我们采用如图1所示基于朴素贝叶斯的路面识别流程，主要有以下一 些实现步骤：
1)图像数据的预处理，如裁剪、降噪、增强等。
2)对预处理之后的图像统一截取16×16的矩形区域，提取图像的颜色 特征，建立颜色特征库。
3)计算灰度共生矩阵，提取图像的纹理特征，建立纹理特征库。
4)融合颜色特征和纹理特征，建立路面图像的特征数据库。
5)进行基于朴素贝叶斯的特征训练，得到路面分类中该类的向量特 征库。
6)训练完成之后，输入所需测试的路面图像，再按照上述流程对图 像进行处理，得到图像特征并进行分类识别；当有数据不能正确分类的时 候，则将该图像的特征返回到特征学习部分，通过学习能确定分类之后， 再将该特征参数加入到该类的特征向量中去。
7)最后，将以上路面图像采集之后训练、测试的过程提交给云计算 中心进行大规模计算，实质性的提升路面识别效率。具体流程可见2中的 附图。
参见图3，本申请的另一方面还提供了上述方法所用装置，包括：
训练分类器模块10，用于提取训练样本数据集中各样本的颜色、纹理 特征，对颜色、纹理特征进行特征融合后，通过云平台对基于朴素贝叶斯 分类器进行训练，得到训练分类器；
实时分类模块20，用于通过在载具下部朝向路面设置摄像头，摄像头 采集路面图像后，提取路面图像中的颜色特征、纹理特征，得到实时路面 特征，对所得颜色特征、纹理特征案进行特征融合后，通过云平台采用训 练分类器进行分类；
分类结果处理模块30，用于输出分类识别结果至车载显示终端，将实 时路面特征上传云平台服务器并加入训练样本数据集中。
优选的，训练分类器模块包括：
特征模块，用于确定训练样本图像的特征属性；
类别模块，用于获取训练样本，对每个类别计算P(yi)，其中，yi为第i 个路面类别，对每个特征属性计算所有划分的条件概率；
类比筛选模块，用于对每个类别计算P(x|yi)P(yi)，其中x为采集的 样本数据，yi为路面类别，以P(x|yi)P(yi)最大项作为X所属类别；
等效实例模块，用于为训练样本数据集添加m个等效实例，计算公式 为：
p(xj/ci)＝(Ccx+mp)/(Cc+m)
其中，xj为第j个样本，ci为第i个路面类别， m为附加实例的个数，具体取值可由路面识别 领域专家指定，p为概率先验估计。
优选的，还包括：图像预处理模块，所述图像预处理模块，用于获取 测试路面图像并对测试路面图像进行预处理、划分单元区域、颜色特征提 取、纹理特征提取、特征融合操作，分别得到测试特征，采用训练分类器 对测试特征进行分类识别，当测试特征不能正确分类时，则将该测试特征 返回至训练分类器模块10中的训练样本数据集中，按训练分类器模块10 操作对该训练特征进行学习训练，直至训练分类器能确定对该训练特征分 类后，再将该特征参数加入到该类的特征向量中。
在本说明书中所谈到的“一个实施例”、“另一个实施例”、“实施例”、 “优选实施例”等，指的是结合该实施例描述的具体特征、结构或者特点 包括在本申请概括性描述的至少一个实施例中。在说明书中多个地方出现 同种表述不是一定指的是同一个实施例。进一步来说，结合任一实施例描 述一个具体特征、结构或者特点时，所要主张的是结合其他实施例来实现 这种特征、结构或者特点也落在本申请的范围内。
尽管这里参照本申请的多个解释性实施例对本申请进行了描述，但 是，应该理解，本领域技术人员可以设计出很多其他的修改和实施方式， 这些修改和实施方式将落在本申请公开的原则范围和精神之内。更具体地 说，在本申请公开说明书和权利要求的范围内，可以对主题组合布局的组 成部件和/或布局进行多种变型和改进。除了对组成部件和/或布局进行的 变形和改进外，对于本领域技术人员来说，其他的用途也将是明显的。

Claims (9)

1.一种基于朴素贝叶斯云计算路面图像采集分类方法，其特征在于，包括以下步骤：
步骤S100：提取训练样本数据集中各样本的颜色、纹理特征，对颜色、纹理特征进行特征融合后，通过云平台对基于朴素贝叶斯分类器进行训练，得到训练分类器；
步骤S200：通过在载具下部朝向路面设置摄像头，摄像头采集路面图像后，提取路面图像中的颜色特征、纹理特征，得到实时路面特征，对所得颜色特征、纹理特征进行特征融合后，通过云平台采用训练分类器进行分类；
步骤S300：输出分类识别结果至车载显示终端，将实时路面特征上传云平台服务器并加入训练样本数据集中；
步骤S100中对基于朴素贝叶斯分类器的训练包括以下步骤：
步骤S110：确定训练样本图像的特征属性；
步骤S120：获取训练样本，对每个类别计算P(yi)，其中，yi为第i个路面类别，对每个特征属性计算所有划分的条件概率；
步骤S130：对每个类别计算P(x|yi)P(yi)，其中x为采集的样本数据，yi为路面类别，以P(x|yi)P(yi)最大项作为x所属类别；
步骤S140：为训练样本数据集添加m个等效实例，计算公式为：
p(xj/ci)＝(Ccx+mp)/(Cc+m)
其中，xj为第j个样本，ci为第i个路面类别，m为附加实例的个数，具体取值可由路面识别领域专家指定，p为概率先验估计；Cc指的是训练样本数据集总的样本数量。
2.根据权利要求1所述的基于朴素贝叶斯云计算路面图像采集分类方法，其特征在于，所述基于朴素贝叶斯分类器包括：类别根节点和多个属性叶节点。
3.根据权利要求1所述的基于朴素贝叶斯云计算路面图像采集分类方法，其特征在于，所述p(xj/ci)＝(Ccx+mp)/(Cc+m)中先验概率p采用正态分布确定或统一取先验概率1/Nx。
4.根据权利要求1所述的基于朴素贝叶斯云计算路面图像采集分类方法，其特征在于，所述朴素贝叶斯分类器为：
所述朴素贝叶斯分类器的分类公式为：
其中，xj为第j个样本，
所述步骤S100中训练样本数据集为：
T＝{(x1,y1),(x2,y2),...,(xm,ym)}
其中，T为数据集，xi＝(xi (1),xi (2),...,xi (n))T，xi (j)是第i个样本中第j个特征，yi∈{c1,c2,...ck}为第i个样本所属的路面分类。
5.根据权利要求1所述的基于朴素贝叶斯云计算路面图像采集分类方法，其特征在于，包括：步骤S400，
所述步骤S400：获取测试路面图像并对测试路面图像进行预处理、划分单元区域、颜色特征提取、纹理特征提取、特征融合操作，分别得到测试特征，采用训练分类器对测试特征进行分类识别，当测试特征不能正确分类时，则将该测试特征返回至步骤S100中的训练样本数据集中，按步骤S100中的步骤对该测试特征进行学习训练，直至训练分类器能确定对该测试特征分类后，再将该测试特征参数加入到该类的特征向量中。
6.根据权利要求1所述的基于朴素贝叶斯云计算路面图像采集分类方法，其特征在于，所述步骤S200中路面图像提取及特征融合步骤包括：
步骤S210：将路面图像分割为多个单元区域，每个单元区域为16*16，提取各单元区域的颜色特征，并构建颜色特征库和纹理特征库；计算单元区域的灰度共生矩阵，提取图像的纹理特征，建立纹理特征库；
步骤S220：对各单元区域的颜色特征和纹理特征进行特征融合，得到实时特征。
7.根据权利要求6所述的基于朴素贝叶斯云计算路面图像采集分类方法，其特征在于，所述步骤200中包括：对路面图像的预处理操作，预处理操作包括：裁剪、降噪、增强；步骤S100中包括对训练样本数据的预处理操作，预处理操作包括：裁剪、降噪、增强。
8.一种基于朴素贝叶斯云计算路面图像采集分类装置，其特征在于，包括：
训练分类器模块(10)，用于提取训练样本数据集中各样本的颜色、纹理特征，对颜色、纹理特征进行特征融合后，通过云平台对基于朴素贝叶斯分类器进行训练，得到训练分类器；
确定训练样本图像的特征属性；
获取训练样本，对每个类别计算P(yi)，其中，yi为第i个路面类别，对每个特征属性计算所有划分的条件概率；
对每个类别计算P(x|yi)P(yi)，其中x为采集的样本数据，yi为路面类别，以P(x|yi)P(yi)最大项作为x所属类别；
为训练样本数据集添加m个等效实例，计算公式为：
p(xj/ci)＝(Ccx+mp)/(Cc+m)
其中，xj为第j个样本，ci为第i个路面类别，m为附加实例的个数，具体取值可由路面识别领域专家指定，p为概率先验估计；Cc指的是训练样本数据集总的样本数量；
实时分类模块(20)，用于通过在载具下部朝向路面设置摄像头，摄像头采集路面图像后，提取路面图像中的颜色特征、纹理特征，得到实时路面特征，对所得颜色特征、纹理特征进行特征融合后，通过云平台采用训练分类器进行分类；
分类结果处理模块(30)，用于输出分类识别结果至车载显示终端，将实时路面特征上传云平台服务器并加入训练样本数据集中。
9.根据权利要求8所述的基于朴素贝叶斯云计算路面图像采集分类装置，其特征在于，还包括：图像预处理模块，
所述图像预处理模块，用于获取测试路面图像并对测试路面图像进行预处理、划分单元区域、颜色特征提取、纹理特征提取、特征融合操作，分别得到测试特征，采用训练分类器对测试特征进行分类识别，当测试特征不能正确分类时，则将该测试特征返回至训练分类器模块(10)中的训练样本数据集中，按训练分类器模块(10)操作对该测试特征进行学习训练，直至训练分类器能确定对该测试特征分类后，再将该测试特征参数加入到该类的特征向量中。
CN202110129262.8A 2021-01-29 2021-01-29 基于朴素贝叶斯云计算路面图像采集分类方法及其装置 Active CN112861682B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110129262.8A CN112861682B (zh) 2021-01-29 2021-01-29 基于朴素贝叶斯云计算路面图像采集分类方法及其装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110129262.8A CN112861682B (zh) 2021-01-29 2021-01-29 基于朴素贝叶斯云计算路面图像采集分类方法及其装置

Publications (2)

Publication Number Publication Date
CN112861682A CN112861682A (zh) 2021-05-28
CN112861682B true CN112861682B (zh) 2023-08-04

Family

ID=75987099

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110129262.8A Active CN112861682B (zh) 2021-01-29 2021-01-29 基于朴素贝叶斯云计算路面图像采集分类方法及其装置

Country Status (1)

Country Link
CN (1) CN112861682B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117058536B (zh) * 2023-07-19 2024-04-30 中公高科养护科技股份有限公司 一种基于双分支网络的路面病害识别方法、装置及介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105631414A (zh) * 2015-12-23 2016-06-01 上海理工大学 一种基于贝叶斯分类器的车载多障碍物分类装置及方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105094305B (zh) * 2014-05-22 2018-05-18 华为技术有限公司 识别用户行为的方法、用户设备及行为识别服务器

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105631414A (zh) * 2015-12-23 2016-06-01 上海理工大学 一种基于贝叶斯分类器的车载多障碍物分类装置及方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Comparison of Support Vector Machine Classifier and Naïve Bayes Classifier on Road Surface Type Classification;Susi Marianingsih 等;2018 International Conference on Sustainable Information Engineering and Technology;全文 *
Road Surface Condition Classification Based on Color and Texture Information;Zhonghua Sun 等;2013 Ninth International Conference on Intelligent Information Hiding and Multimedia Signal Processing;全文 *
Road Surface Types Classification Using Combination of K-Nearest Neighbor and Naïve Bayes Based on GLCM;Susi Marianingsih 等;Int. J. Advance Soft Compu. Appl;全文 *
道路交通环境感知及行车风险评价方法研究;陈松;中国博士学位论文全文数据库 (工程科技Ⅰ辑);B026-1 *

Also Published As

Publication number Publication date
CN112861682A (zh) 2021-05-28

Similar Documents

Publication Publication Date Title
CN111444821B (zh) 一种城市道路标志自动识别方法
CN109978893B (zh) 图像语义分割网络的训练方法、装置、设备及存储介质
CN108830188B (zh) 基于深度学习的车辆检测方法
CN109118479B (zh) 基于胶囊网络的绝缘子缺陷识别定位装置及方法
CN105404886B (zh) 特征模型生成方法和特征模型生成装置
CN109325502B (zh) 基于视频渐进区域提取的共享单车停放检测方法和系统
CN111079640B (zh) 一种基于自动扩增样本的车型识别方法及系统
CN110738247A (zh) 一种基于选择性稀疏采样的细粒度图像分类方法
CN112633071B (zh) 基于数据风格解耦内容迁移的行人重识别数据域适应方法
WO2021233041A1 (zh) 数据标注方法和装置、精细粒度识别方法和装置
CN111274926B (zh) 图像数据筛选方法、装置、计算机设备和存储介质
Brekke et al. Multimodal 3d object detection from simulated pretraining
CN112100435A (zh) 一种基于边缘端交通音视频同步样本的自动标注方法
CN111540203B (zh) 基于Faster-RCNN调节绿灯通行时间的方法
CN110659601A (zh) 基于中心点的深度全卷积网络遥感图像密集车辆检测方法
CN109063790A (zh) 对象识别模型优化方法、装置和电子设备
CN116433840A (zh) 无砟轨道板扣件的特异性伤损图像合成方法及检测方法
CN115393666A (zh) 图像分类中基于原型补全的小样本扩充方法及系统
CN112861682B (zh) 基于朴素贝叶斯云计算路面图像采集分类方法及其装置
CN112785610B (zh) 一种融合低层特征的车道线语义分割方法
CN112528058B (zh) 基于图像属性主动学习的细粒度图像分类方法
CN114049541A (zh) 基于结构化信息特征解耦与知识迁移的视觉场景识别方法
CN110765900A (zh) 一种基于dssd的自动检测违章建筑方法及系统
CN116258937A (zh) 基于注意力机制的小样本分割方法、装置、终端及介质
CN114596435A (zh) 语义分割标签的生成方法、装置、设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant