基于学习机制的消失点预测方法研究文献综述

文 献 综 述

一、项目背景

无论是子啊艺术或是科技领域，消失点作为重要的视觉特征一直为研究人员所重视。当以2D图像呈现3D场景的时候，原场景中的平行线会在图像中相交于一点，这一点，就是消失点（vanishing point）,即“视线消失的点”。通常，一副场景图片中有不止一个消失点。

在智能科学和计算机科学迅速发展的今天，有许许多多的视觉应用给“消失点的识别和检测”提出了更高的要求，其中包括摄影机的定位、三维重构以及自动驾驶等等。其中，本次课题研究的重点是道路场景的消失点检测，这与自动驾驶技术、智能探测等领域的应用是密不可分的。其中关于道路场景的消失点预测，已经有很多学者做出了大量的研究和探索。

要进行消失点检测算法的探测和研究，机器学习是一项必不可少的功课。上世纪90年代，陆陆续续有人工智能领域的科学家对机器学习提出定义。经过几十年的发展，机器学习作为人工智能的核心，得到了迅速的发展。机器学习对于模式识别、场景理解等方向，其无可替代的重要作用也渐渐显现出来。本次对消失点预测方法的研究主要也用到了机器学习的相关知识。

二、研究现状

道路的消失点检测可以应用于智能机器人、自动驾驶等方面，目前虽然研究热度越来越高，也有很多的进展和成果，但是现实场景其本身的复杂性也给这项工作带来了严峻的挑战。这就要求我们不断深入学习、实验，提出更实用、更高效的消失点预测算法。

比如，孙愿等人在《全局图像特征分析与实时层次化消失点检测》一文中提出了一种基于全局图像的特征的、层次化的消失点检测方法以应对不同道路条件下的消失点检测任务。而王永忠等人在《基于Haar纹理的非结构化道路消失点检测》一文中对相对较难的“非结构化道路”的消失点检测问题做出了讨论，提出一种创新型的检测方式——基于类Haar特征来提取纹理，使得更复杂的道路场景（比如乡间小道，没有很明显的道路边缘和平面）下的消失点检测性能大大提高。

可以看出，参考文献中的所有消失点检测都是针对一类或者几类特定场景的消失点检测，目前算法的改进和优化或者是从算法本身，或者是修改模型来实现的，随着图像处理技术的不断发展，几类主要的模型（如Borji提到的Alexnet和VGG神经网络模型）在消失点检测领域都发挥着不凡的作用。

在机器学习的研究中，目前也有较大进展。自从1986年机器学习进入新阶段以来，很多智能科学家、学者致力于机器学习的研究，现在机器学习已经从边缘学科变得更加系统化、理论化和成熟化。如姜百宁在《机器学习中的特征选择算法研究》的论文中系统地阐述了机器学习当中的经典的以及先进的特征选择算法，其中亦结合信息熵理论等知识，可见，机器学习学科也不是孤立的，需要与其余相关学科相辅相成，相关学科的发展亦促进了机器学习的发展。2012年，谷歌的Brain项目引起了各界关注，其中相关的是机器学习中的深度学习分支，余凯等人在《深度学习的昨天、今天和明天》一文中给予深度学习的未来以高度的展望，特别是在现在这个大数据时代背景下，深度学习以及神经网络会不会成为机器学习领域的主流还需要时间的检验。