1. 研究目的与意义

地形识别最终目的是能够对未知环境下地形进行识别，换言之，其目的是分开这些来自不同类的地形。

在非结构复杂环境地形识别中，训练样本的大规模性是一个挑战的问题，这主要是由于地形识别是对光照、时间、季节、气候等敏感的任务，我们总是期待能尽可能地用足够多的样本较好地描述复杂环境地形信息，以助于更好的识别未知环境下的地形。

地形识别是以当前环境中地形图像数据为基础，但是, 这些图像数据以裸数据的形式给出，如何对这些图像数据进行更好的预处理需要提出有效的新技术。

2. 国内外研究现状分析

传统svm是由俄罗斯科学家vapnik等人在1995年提出的大间隔的算法。

svm经典之处在于它是建立在统计学习理论（statistical learning theory, slt）中的vc（vapnik-chervonenkis）维理论和结构风险最小化（structural risk minimization, srm）原理基础上的一种通用的模式识别学习方法，根据有限的样本信息在模型的复杂性(即对特定训练样本的学习精度-accuracy)和学习能力(即无错误地识别任意样本的能力)之间寻求最佳折衷,以期获得最好的推广能力(generalization ability)。

统计学习理论的实现以及由于神经网络等机器学习方法的研究遇到一些重要的困难，比如如何确定网路结构的问题、过学习与欠学习问题、局部极小点问题等，使得svm迅速发展和完善，在解决小样本、非线性以及高维模式识别问题中表现出许多特有的优势（如良好的学习和泛化性能），并能推广应用到函数拟合等其它问题中。

3. 研究的基本内容与计划

研究内容：1. 研究基于颜色和纹理组合特征下地形识别问题2. 研究基于特征值型多类权向量投影机模型3. 研究快速广义牛顿法的孪生支持向量机模型计划安排：2012年2月 初步了解特征提取和多平面支持向量机等相关知识，撰写开题报告。

2012年3月 收集阅读相关书籍及其文章，了解相关技术和算法。

2012年4月 研究相关程序，对未处理过的地形图像进行处理，并对相关结果进行统计研究。

4. 研究创新点

1. 采用一种基于块的lbp纹理和颜色联合统计特征的地形图像描述算法，该算法旨在有效地保留纹理和颜色特征的各自优势，鄙弃各自的不足。

2. 改进的特征提取算法不仅可以提高地形识别率，还可以克服传统特征抽取方法面对大噪声、大光照变化以及过分强调训练集上判别特征提取的挑战问题。

3. 采用多权向量投影支持向量机（mvsvm）方法，通过通过求解简单特征值问题，能有效地缓解已有的特征值型多平面分类方法易出现的平面交叉于不同类的样本而导致的错分严重等问题（特别在多分类问题中）。