基于PCA-SVM準則改進區域生長的非結構化道路識別

王新晴，孟凡杰，呂高旺，任國亭

(解放軍理工大學 野戰工程學院，南京 210007)

基于PCA-SVM準則改進區域生長的非結構化道路識別

王新晴，孟凡杰*，呂高旺，任國亭

(解放軍理工大學 野戰工程學院，南京 210007)

(*通信作者電子郵箱793306433@qq.com)

針對智能車輛在非結構化道路識別中需要采用眾多的特征參數，增加了特征融合識別難度與計算復雜度，并且部分背景與道路區域存在相似性會產生道路識別的誤分、誤判的問題，提出了一種基于主成分分析的支持向量機(PCA-SVM)準則改進區域生長的非結構化道路識別算法。首先，對非結構化道路顏色、紋理等復雜特征信息進行提取，采用PCA對提取的特征信息進行降維;然后,利用降維后的主元特征對SVM進行訓練后作為復雜道路單元格的分類器。利用道路位置、起始單元格等先驗知識以及道路邊界單元格統計特征改進區域生長方法，在單元格生長時利用分類器判別，排除誤判區域。實際道路檢測結果表明，所提算法具有較好的魯棒性，能夠有效識別非結構化路面區域。對比結果表明，所提算法在保證準確率的同時，將10余維復雜特征信息壓縮為3維主元特征，相比傳統算法可縮短計算時間一半以上。針對背景與道路相似區域造成的傳統算法10%左右的誤判問題，所提算法能夠有效排除。在野外環境下基于視覺的局部路徑規劃與導航方面，所提算法為縮短識別時間、排除背景干擾提供了可行途徑。

支持向量機；主成分分析；區域生長；非結構化道路識別；智能車輛

0 引言

近年來，隨著無人駕駛系統需求的增長，基于機器視覺的道路識別技術成為研究的熱點[1-5]。在道路識別中，一般將道路分為結構化道路和非結構化道路，目前結構化道路識別技術相對成熟。在軍事上，各類陸地裝備多在條件惡劣環境下工作;在民用方面，農用機械等工況多為野外，因此野外條件下的非結構化道路識別在軍用和民用方面，均具有重要意義。

非結構化道路具有道路與環境變量復雜、影響因素多的特性，室外環境下非結構化道路的檢測與障礙物識別是一個十分復雜的問題，多特征融合識別成為趨勢，例如：文獻[6-10]中，利用二維熵和輪廓等特征組合對非結構化道路進行檢測；文獻[11-14]中，利用機器學習的方式對非結構化道路進行檢測。針對復雜的特征向量運算量大的問題，特征壓縮和分塊計算勢在必行，如：文獻[15-17]利用主成分分析(Principal Component Analysis, PCA)對復雜特征向量進行壓縮；文獻[18-19]中，算法均采用分塊計算。針對非結構化道路背景與道路存在相似區域的影響，目前行業內使用基于模板與區域生長等具有先驗知識的算法，例如文獻[20-22]利用區域生長進行圖像分割。

區域生長以“種子點”向外延伸的生長方式，可有效避免識別區域外的干擾，但針對非結構化道路，傳統區域生長算法隨機性大、“種子點”難確定、識別后邊界模糊。鑒于上述問題，文本研究并提出了一種基于主成分分析的支持向量機(Support Vector Machine based on Principal Component Analysis, PCA-SVM)準則改進區域生長的非結構化道路識別算法，對道路以單元格的方式進行復雜特征提取后，采用PCA對道路特征降維，利用主元特征訓練SVM，改進原有區域生長算法并以PCA-SVM為生長準則對非結構化道路進行識別。所提算法更符合人眼識別道路“由近及遠”的特點，能夠更有效地識別非結構化道路，排除環境中與路面特征相似區域的干擾。

1 PCA-SVM算法

1.1 PCA基本理論

PCA是一種基于Karhunen-loeve變換原理的統計分析方法，其目的是將原數據投影為一個新空間的較少變量，用該空間變量表示原來的數據,以達到數據降維的目的。令x表示為空間中m維隨機向量，ω表示為m維單位向量，x在其上的投影為y,則y可表示為x與ω的內積：

其中ω滿足約束條件：

主成分分析的目的就是要找到權值向量ω，使表達式E(y2)值最大化，E(y2)可表達為：

E(y2)=E[(ωTx)2]=ωTE[xxT]ω=ωTCxω

由線性代數理論可知，為了使E(y2)值最大化，ω應滿足：

Cxωj=λjωj；j=1,2,…

即ω是矩陣Cx的最大特征值對應的特征向量。

1.2 二分類SVM

SVM是一種機器學習方法，其基礎是Vapnik創建的統計學習理論(StatisticalLearningTheory,SLT)。針對非結構化道路，可簡化為二分類問題，SVM以訓練誤差最優化為約束條件，通過置信范圍最小化進行分類。訓練樣本集如下：

式中：yi為降維后的數據樣本向量；zi為樣本標簽，zi=1和zi=-1分別代表兩類數據樣本；P為降維后的數據樣本空間。在利用SVM進行分類時，絕大多數問題都是非線性的，這時需要采用滿足Mercer條件的核函數K(y,yi)將輸入向量映射到高維特征空間中，變成線性可分的數據向量。常用的核函數有：線性核函數(Liner Kernel)、多項式核函數(Polynomial Kernel)、徑向基核函數(Radical Basis Function, RBF)、Sigmoid核函數，其表達式分別為：

K(y,yi)LINEAR=yyi

K(y,yi)POLY=(yyi+1)d

K(y,yi)RBF=exp(-‖y-yi‖2/(2σ2))

K(y,yi)Sigmoid=tanh(k(yyi)+θ)

投影后，轉化為線性可分問題，采用最優分類函數對訓練樣本進行分類，最優分類函數表達式為：

f(x)=sgn(ω′·x+b)

則兩類樣本間距離為D=2|ω′xi+b|/‖ω‖，若取間隔ε=|ω′xi+b|=1，則當滿足式(1)時，有最大樣本距離D，即所得最優分類平面。

min ‖ω′‖2/2

(1)

s.t.yi(ω′xi+b)-1≥0,?i

1.3PCA-SVM分類識別方法

基于PCA-SVM的分類識別方法主要包含兩個過程，即訓練過程和測試(使用)過程。為提高算法效率，無論是訓練或測試過程，對圖像集皆采用分塊的方式進行單元識別。首先對圖像單元格進行特征抽取，包括顏色、紋理等10余種，特征集X可表示為：

X=[x1,x2,…,xn]

其中：x1,x2,…,xn為m維列向量，代表不同圖像單元的特征值,則特征集X的大小為m×n。對特征集X進行主元分析后，得到的主元特征矩陣Y可表示為：

Y=[y1,y2,…,yl]=ωTX

其中：y1,y2,…,yl為m維列向量，代表不同圖像單元的主元特征值。主元特征集Y的大小為m×l(l?n),利用主元特征向量構造訓練樣本集：

其中：Z為標簽值列向量，zi=1和zi=-1分別代表兩類數據樣本。PCA-SVM分類器訓練、測試過程如圖1所示。

圖1 PCA-SVM訓練與測試流程

2 單元格特征提取與壓縮

圖像特征的提取和選擇是影響后續處理與分析的關鍵因素,其主要包括顏色、紋理、形狀等。在進行特征提取前，對圖像進行大小歸一化預處理，處理后圖像大小為640×480。非結構化道路沒有規則的形狀，因此形狀特征不適合區分非結構化路面與環境信息。顏色、紋理是非結構化路面區別于環境的主要特征。在PCA-SVM訓練過程，道路樣本選取在車輛正前方，環境樣本選取隨機環境區域，樣本單元格選取如圖2所示。

在顏色特征提取方面，選擇了符合人的視覺感知的HSV模型。HSV模型通過對顏色的色度(Hue)、飽和度(Saturation)和亮度(Value)進行描述，與人類視覺接近。HSV模型通過亮度分量V和色度分量H分開表示的方式，能夠有效避免因光照不均勻而帶來圖像彩色不均勻的影響。

圖2 樣本選取

在紋理特征提取方面，利用灰度共生矩陣(GrayLevelCo-occurrenceMatrix,GLCM)得到圖像關于排列規則和局部模式的特征，Haralick等[23]根據GLCM定義了14個可以用于紋理分析的特征參數。對單元格進行上述特征參數和粗糙度、對比度提取后利用PCA降維，在保證貢獻率為0.97時，取得前三項主元y1、y2、y3。部分路面與環境區域主元特征值如表1所示，其中：標簽值“1”為路面區域，“-1”為環境區域。

表1 部分路面主元特征

3 PCA-SVM準則區域生長

區域生長的基本思想是將具有相似性質的像素集合起來構成區域[18]。傳統區域生長首先對每個需要分割的區域找到一個種子像素作為生長的起點，根據事先確定的生長或相似準則將種子周圍鄰域中與種子像素有相同或相似性質的像素，合并到種子像素所在的區域中，將這些新像素當作新的種子像素循環上面的過程，直到再沒有滿足條件的像素[17]。常采用的生長準則有：灰度差準則、灰度分布統計準則、區域形狀準則。 這種生長方式種子點選取對結果影響大，且采用單一準則魯棒性差。

針對上述問題，本文提出一種改進區域生長算法。首先定義區域生長單元：即區域生長過程中，每次生長和識別的最小單元。如圖3所示，區域生長單元應滿足如下條件：

1)每個區域生長單元可沿8個方向向鄰域內生長，不能生長至已生長區域，如圖3(a)。

2)每個單元在滿足生長準則時，成為下一種子單元，當判定為不滿足生長準則時，判定為終止單元(即結束單元)如圖3(b)。

圖3 改進的區域生長單元及傳遞過程

3.1 初始種子單元選定

根據汽車最小半徑理論可知，車輛在行駛過程中，在通道寬度內，存在恒定視野區域。根據“車在路上”這一先決位置信息，可以確定車前以車寬為其中一邊、另外兩邊邊長為D*的等腰三角形區域內為機器視覺道路特征選取最佳區域。如圖4陰影區域，其中D*滿足:

式中：d為前懸尺寸；l為軸距；r為汽車環形內半徑；b為汽車寬度；r1為汽車最小轉彎半徑；n為前輪距。

圖4 汽車最小半徑示意圖

在最佳區域內，選取一個32×32大小集合，作為初始種子單元，可保證初始種子單元位于路面區域，避免隨機選取造成的誤差。

3.2PCA-SVM準則區域生長過程

以PCA-SVM作為區域生長過程的生長準則，針對某一道路模型，融合PCA-SVM準則具體生長流程為：

1)在最佳區域內，隨機選取一個32×32大小集合，作為初始種子單元；

2)以種子單元(str)為中心，在不重復條件下取同等大小的鄰域單元(32×32)；

3)將鄰域單元進行特征提取并PCA降維后，送入預訓練的SVM分類器進行分類；

4)若鄰域單元為“道路類”，則以該單元為種子單元(str)，返回到步驟2)，若鄰域單元為“環境類”，則該單元為終止單元(stp)；

5)繼續掃描直到不能發現種子單元有可生長鄰域，則結束整個生長過程。

初始種子生長單元個數為1，在步驟4)中，后續種子單元與終止單元個數不一定為1，這樣可保證快速彌漫至最大區域，提高算法效率。選取線性核函數，生長過程如圖5所示。

圖5 生長過程示意圖

4 道路實驗與分析

本文算法完整流程為：獲得圖像集后，對圖像進行分塊預處理，構建訓練集，對訓練集樣本進行特征提取，將提取的特征進行PCA降維后輸入參數優化好的SVM進行訓練，構造PCA-SVM分類器；由改進區域生長確定鄰域單元位置，以鄰域單元作為測試樣本，對測試樣本進行同等參數的特征提取后，輸入PCA-SVM分類器中，根據識別結果判定該位置是否為“道路”類，將多個單元識別后放回原位置，直至生長完畢后，將輸出的道路區域與環境區域重組，輸出識別結果。

實驗采用IntelCorei5CPU@ 2.53GHzCPU、4GB內存、Windows7(32位)操作系統為開發環境，通過Flycapture車載單目成像設備，對野外非結構化和半非結構化等復雜道路在行車過程中進行640×480大小圖像幀采集，自建非結構化道路數據庫進行實驗，數據庫包含非結構化路段300余種, 能夠包含絕大部分路面和環境種類信息。

本文實驗主要包含兩組對比實驗: 1)傳統基于像素值區域生長算法與PCA-SVM準則改進區域生長識別效果對比;2)單獨基于PCA-SVM算法與PCA-SVM準則改進區域生長識別效果對比。部分實驗結果對比如圖6所示。

圖6 典型非結構化道路實驗對比結果

4.1 算法識別效果對比

通過構造樣本訓練，實驗利用PCA-SVM分類器采用線性核函數，準確率為98.3%。針對圖6所示半結構化道路2個示例，3種識別算法均能有效識別出非結構化路面區域，但基于PCA-SVM和改進算法識別的道路區域更加完整，邊界更明顯；針對圖6復雜的非結構化道路4個示例，傳統區域生長造成較大的錯誤識別區域，PCA-SVM算法能夠完整識別路面區域，但存在較多的誤判區域，誤判區域的形成，并不是分類器準確率問題，而是由于環境中存在與路面相近的區域。本文算法針對非結構化道路有較好的識別效果，有效避免了誤判區域。

4.2 算法誤判率和耗時對比實驗

本文給出誤判率定義: 實驗圖片中, 識別出非結構化路面之外區域面積占非結構化路面區域的比例。誤判率μ的計算式為:

μ=(S總-S路)/S路

式中：S總代表算法識別出區域總面積；S路代表非結構化路面區域面積。 表2為不同算法識別正確率、誤判率和耗時對比結果。

表2 不同算法性能對比

由表2可知，傳統算法、PCA-SVM算法和本文算法在識別正確率方面, 單獨使用PCA-SVM的算法和本文算法明顯高于傳統算法；在算法識別時間上，采用單元識別的機器學習的算法在識別時間上遠遠少于基于像素值的傳統識別算法，本文算法在識別時間上稍長于單獨使用PCA-SVM算法；但在誤判率方面, 本文算法相比于傳統基于像素值算法和單獨使用PCA-SVM算法能夠有效減少非結構化路面區域外的誤判識別結果。實驗驗證了本文改進算法能夠有效識別非結構化道路，在減少誤判率方面有明顯改進。

5 結語

針對非結構化道路特征多、融合識別困難、環境與路面存在相似區域容易造成誤判區域等問題，提出了基于PCA-SVM準則的改進區域生長算法，實現了復雜多維特征的主元特征提取以及基于主元特征提取后的SVM單元融合識別方法，以PCA-SVM分類器作為改進區域生長準則，排除了復雜非結構化道路環境內相似區域的影響，有效識別了非結構化道路路面區域。

對比實驗結果表明，本文方法相比于傳統算法在識別正確率、減少誤判和減少耗時上有明顯優勢，基于單元格分類器基礎上的改進區域生長算法能夠排除誤判區域,但對于環境更為復雜的情況，該算法還需要進一步的改進。非結構化道路識別是一個極為復雜的問題，后續還需要對其中某些技術難題進行更深入的研究。

)

[1]HILLELAB,LERNERR,LEVID,etal.Recentprogressinroadandlanedetection:asurvey[J].MachineVisionandApplications, 2014, 25(3): 727-745.

[2] 高華,劉濟林.車輛視頻導航中道路檢測方法研究進展[J].傳感器與微系統,2012,31(1):1-3,6.(GAOH,LIUJL.Researchprogressonroaddetectionmethodinvideonavigationforvehicle[J].TransducerandMicrosystemTechnologies, 2012, 31(1): 1-3, 6.)

[3] 龔建偉,葉春蘭,姜巖,等.多層感知器自監督在線學習非結構化道路識別[J].北京理工大學學報,2014,34(3):261-266.(GONGJW,YECL,JIANGY,etal.Unstructuredroadrecognitionusingself-supervisedmultilayerperceptrononlinelearningalgorithm[J].TransactionsofBeijingInstituteofTechnology, 2014, 34(3): 261-266)

[4] 王曉彬,馬戎,付維平.基于支持向量機的非結構化道路檢測[J].科學技術與工程,2011,11(36):9106-9109.(WANGXB,MAR,FUWP.Unstructuredroaddetectionbasedonsupportvectormachine[J].ScienceTechnologyandEngineering, 2011, 11(36): 9106-9109.)

[5] 李青,鄭南寧，馬琳，等.基于主元神經網絡的非結構化道路跟蹤[J].機器人,2005,27(3):247-251.(LIQ,ZHENGNN,MAL,etal.Trackingofunstructuredroadbasedonprincipalcomponentanalysisneuralnetworks[J].Robot, 2005, 27(3): 247-251.)

[6] 郭秋梅,黃玉清.基于二維熵和輪廓特征的非結構化道路檢測[J].計算機應用,2013,33(7):2005-2008.(GUOQM,HUANGYQ.Unstructuredroaddetectionbasedontwo-dimensionalentropyandcontourfeatures[J].JournalofComputerApplications, 2013, 33(7): 2005-2008.)

[7]MCCALLJC,TRIVEDIMM.Video-basedlaneestimationandtrackingfordriverassistance:survey,system,andevaluation[J].IEEETransactionsonIntelligentTransportationSystems, 2006, 7(1): 20-37.

[8] 王科,黃智,鐘志華.基于多特征融合的道路理解方法[J].中國公路學報,2013,26(4):176-183.(WANGK,HUANGZ,ZHONGZH.Multi-featurefusionbasedlaneunderstandingalgorithm[J].ChinaJournalofHighwayandTransport, 2013, 26(4): 176-183.)

[9]WANGYF,DOHNOUNN,ACHIMA.Anovelsystemforrobustlanedetectionandtracking[J].SignalProcessing, 2012, 92(2): 319-344.

[10]BAIL,WANGY.Roadtrackingusingpartialfilterswithpartitionsamplingandauxiliaryvariables[J].ComputerVisionandImageUnderstanding, 2011, 115(10): 1463-1471.

[11] 高國琴,李明.基于K-means算法的溫室移動機器人導航路徑識別[J].農業工程學報,2014,30(7):25-33.(GAOGQ,LIM.NavigatingpathrecognitionforgreenhousemobilerobotbasedonK-meansalgorithm[J].TransactionsoftheChineseSocietyofAgriculturalEngineering, 2014, 30(7): 25-33.)

[12]MALDONADO-BASCONS,LAFUENTE-ARROYOS,GIL-JIMENEZP,etal.Road-signdetectionandrecognitionbasedonsupportvectormachines[J].IEEETransactionsonIntelligentTransportationSystems, 2007, 8(2):264-278.

[13]KUMARASWYR,PRABHULV,SUCHITHRAK,etal.SVMbasedclassificationoftrafficsignsforreal-timeembeddedplatform[C]//ProceedingsoftheFirstInternationalConferenceonAdvancesinComputingandCommunications,CCIS193.Berlin:Springer, 2011: 339-348.

[14] 楊力,劉濟林.基于非監督特征學習的分叉道路檢測算法[J].浙江大學學報(工學版),2014,48(9):1558-1563.(YANGL,LIUJL.Roaddetectionalgorithmforcrossroadbasedonunsupervisedfeaturelearning[J].JournalofZhejiangUniversity(EngineeringScience), 2014, 48(9): 1558-1563.)

[15] 朱志潔,張宏偉,韓軍,等.基于PCA-BP神經網絡的煤與瓦斯突出預測研究[J].中國安全科學學報,2013,23(4):45-50.(ZHUZJ,ZHANGHW,HANJ,etal.PredictionofcoalandgasoutburstbasedonPCA-BPneuralnetwork[J].ChinaSafetyScienceJournal, 2013, 23(4): 45-50.)

[16] 劉雙印,徐龍琴,李振波,等.基于PCA-MCAFA-LSSVM的養殖水質pH值預測模型[J].農業機械學報,2014,45(5):239-246.(LIUSY,XULQ,LIZB,etal.ForecastingmodelforpHvalueofaquaculturewaterqualitybasedonPCA-MCAFA-LSSVM[J].TransactionsoftheChineseSocietyofAgriculturalMachinery, 2014, 45(5): 239-246.)

[17] 王麗榮,王建蕾.基于主成分分析的唇部輪廓建模[J].光學精密工程,2012,20(12):2768-2772.(WANGLR,WANGJL.LipcontourmodelingbasedonPCA[J].OpticsandPrecisionEngineering, 2012, 20(12): 2768-2772.)

[18] 操小文,薄華.基于卷積神經網絡的手勢識別研究[J].微型機與應用,2016,35(9):55-57.(CAOXW,BOH.StudyongesturerecognitionbasedonCNN[J].Microcomputer&ItsApplications, 2016, 35(9): 55-57.)

[19] 崔巍,楊健,常合友.基于多通道卷積神經網絡的非結構化道路路表分析[J].計算機應用與軟件,2016,33(1):159-162.(CUIW,YANGJ,CHANGHY.Analyzingterrainofunstructuredroadbasedonmulti-channelconvolutionneuralnetwork[J].ComputerApplicationsandSoftware, 2016, 33(1): 159-162.)

[20] 倪鼎,馬洪兵.基于區域生長的多源遙感圖像配準[J].自動化學報,2014,40(6):1058-1067.(NID,MAHB.Automaticregistrationofmulti-sourceremotesensingimagesbasedonregiongrowing[J].ActaAutomaticaSinica, 2014, 40(6): 1058-1067.)

[21] 楊家紅,劉杰,鐘堅成,等.結合分水嶺與自動種子區域生長的彩色圖像分割算法[J].中國圖象圖形學報,2010,15(1):63-68.(YANGJH,LIUJ,ZHONGJC,etal.Acolorimagesegmentationalgorithmbyintegratingwatershedwithautomaticseededregiongrowing[J].JournalofImageandGraphics, 2010, 15(1): 63-68.)

[22] 余潔,余峰,張晶,等.結合區域生長與道路基元的高分辨率遙感影像道路提取[J].武漢大學學報(信息科學版), 2013,38(7): 761-765.(YUJ,YUF,ZHANGJ,etal.Highresolutionremotesensingimageroadextractioncombiningregiongrowingandroad-unit[J].GeomanticandInformationScienceofWuhanUniversity, 2013, 38(7): 761-765.)

[23]HARALICKRM,SHANMUGAMK,DINSTEINI.Texturalfeaturesforimageclassification[J].IEEETransactionsonSystems,ManandCybernetics, 1973, 3(6): 610-621.

ThisworkispartiallysupportedbytheNationalKeyResearchandDevelopmentProgram(2016YFC0802900),theNationalNaturalScienceFoundationofChina(61671470).

WANG Xinqing, born in 1963, Ph. D., professor. His research interest include machinery and electronics, fault diagnosis, computer image and vision, artificial neural network.

MENG Fanjie, born in 1992, M. S. candidate. His research interests include computer image and vision, artificial neural network.

LYU Gaowang, born in 1991, M. S. candidate. His research interests include computer image and vision, artificial neural network.

REN Guoting, born in 1993, M. S. candidate. His research interests include artificial neural network, multi-line laser radar application.

Unstructured road detection based on improved region growing with PCA-SVM rule

WANG Xinqing, MENG Fanjie*, LYU Gaowang, REN Guoting

(CollegeofFieldEngineering,PLAUniversityofScienceandTechnology,NanjingJiangsu210007,China)

Intelligent vehicles need to use many characteristic parameters in unstructured road detection, which makes the feature fusion recognition difficult and computation complex, and the similarity of some road area and background may produce the mistake distinguishment and judgement of road identification. In order to solve the problems, an unstructured road detection method based on improved region growing with Principal Component Analysis-Support Vector Machine (PCA-SVM) rule was proposed. Firstly, the complex characteristic parameters such as color and texture of unstructured road were extracted, and then the PCA was used to reduce the dimension of the extracted characteristic information. The SVM trained with the primary characteristics reduced by PCA was used to be the classifier of the complex road cells. The priori knowledge such as the location of road, the initial cell and the characteristics of road boundary cells were used to improve the region growing method, and the classifier was used to decide the way of growing in cell growth for eliminating miscalculation area. The test results of actual roads show that, the proposed method has good adaptability and robustness, and can identify the unstructured road area effectively. The comparison results show that, compared with the traditional algorithm, the proposed method can shorten the calculation time by more than half through cutting characteristics from ten dimensions to three dimensions in ensuring the accuracy at the same time. The proposed method can also eliminate the 10% of miscalculation areas made by some similar areas of road and background for the traditional algorithm. The proposed method can provide a feasible way to shorten the recognition time and eliminate background interference in local path planning and navigation based on vision in the wild environment.

Support Vector Machine (SVM); Principal Component Analysis (PCA); region growing; unstructured road detection; intelligent vehicle

2016- 11- 02;

2016- 12- 21。

國家重點研發計劃項目(2016YFC0802900)；國家自然科學基金資助項目(61671470)。

王新晴(1963—)，男，江蘇泰州人，教授，博士，主要研究方向：機械電子、故障診斷、計算機圖像和視覺、人工神經網絡；孟凡杰(1992—)，男，遼寧遼陽人，碩士研究生，主要研究方向：計算機圖像和視覺、人工神經網絡； 呂高旺(1991—)，男，江蘇徐州人，碩士研究生，主要研究方向：計算機圖像和視覺、人工神經網絡； 任國亭(1993—)，男，內蒙古烏蘭察布人，碩士研究生，主要研究方向：人工神經網絡、多線激光雷達應用。

1001- 9081(2017)06- 1782- 05

10.11772/j.issn.1001- 9081.2017.06.1782

TP391.4

A