图推模型与智能寻优算法在野外道路导向中的应用

"该文提出了一种基于图推模型与智能寻优的野外场景道路导向算法，用于无人装备在野外环境下自动、普适且精准地识别和导向非结构化道路。通过图像分割、特征融合、拉普拉斯支持向量机改进、马尔可夫随机场能量函数构建以及差分免疫克隆进化算法的应用，该算法实现了高精度的道路导向线提取，提升了检测速度和精度，并在实测数据和DARPA Grand Challenge数据库上验证了其优越性能。" 本文介绍了一项针对无人装备在复杂野外环境中的道路识别与导向技术。该技术的核心是结合图推模型和智能寻优策略，旨在解决非结构化道路的自动化导航问题。首先，图像被分割成同质超像素块，通过融合超像素块的多种特征来构建训练集。接着，利用改进后的拉普拉斯支持向量机（Laplacian Support Vector Machine, LSVM）算法，考虑到超像素块的位置信息，动态选择道路区域的超像素种子块，训练出多类别分类回归器和相邻超像素一致性回归器。这两种回归器的输出被用来构建马尔可夫随机场（Markov Random Field, MRF）的能量函数，通过标准图割算法迭代最小化该能量函数，从而完成初步的道路分割。 随后，算法结合初分割结果，依据人类对道路直观感知设定约束条件，构造目标函数。采用差分免疫克隆进化算法（Differential Immune Clonal Evolution, DICE）进行智能寻优，有效提取道路导向线。实验在南京珠山的实地数据及DARPA Grand Challenge数据库上进行，与经典算法比较，显示该算法在非结构化道路导向线提取的精度超过91.79%，检测精准度分别提高48.1%和35.5%，处理效率提升98.6%和97.8%，在实时性和准确性之间取得了良好的平衡，展示了广阔的应用前景。 该研究由国家重点研发计划、国家自然科学基金等多个项目资助，由陆军工程大学、南部战区陆军第二工程科研设计所的研究团队共同完成，涉及计算机图形学、机器视觉、数字图像处理等领域。作者们在机电控制、智能信号处理和机器视觉方面有着深入研究。通过这项工作，他们为无人装备在复杂环境中的自主导航提供了新的解决方案，为未来野外道路识别技术的发展奠定了基础。