[发明专利]使用可靠局部模型更新来调节畅通路径检测

说明书

技术领域

本发明总体上涉及用于车辆的畅通驾驶路径的基于照相机的检测，且更具体地涉及检测车辆的畅通驾驶路径的方法和系统，所述方法和系统使用由训练样本训练的分类器，基于可靠局部试验样本来更新分类器，且使用已更新分类器来改进关于前方道路畅通驾驶路径的决策的速度和准确性。

背景技术

许多现代车辆包括设计成增强乘员安全性、舒适性和便利性的复杂电子系统。在这些系统中，驾驶辅助系统变得日益普遍。驾驶辅助系统需要关于位于车辆前方的事物的信息，以便确定是否应当发出任何类型的驾驶员报警或应当采取规避动作。

各种技术可以由驾驶辅助系统用于道路检测，以确定车辆前方的路径是畅通的还是有障碍的。基于照相机的系统广泛地用于畅通路径检测，因为其已经被证实为可靠的且成本低的。在基于照相机的系统中，车载照相机提供车辆前方的路径的图像，且所述图像通过各种算法处理以确定前方路径是否畅通。常见处理方法使用训练分类器来作出畅通路径确定。

训练分类器是一类机器学习技术，其中，一组训练样本（在该情况下，畅通路径道路的图像区域）用于训练模型以分类还需要遇到的道路的图像区域。训练分类器的基本限制在于，仅仅可以采用有限数量的训练样本，且在实际驾驶情况下遇到的各种环境中，必然存在试验样本非常不同于任何畅通路径训练样本，而实际上处于畅通路径道路的图像区域中。

需要能够连续地更新且基于被正确分类的最近畅通路径图像区域来调节分类器的畅通路径检测技术。这种技术可以用于改进驾驶辅助系统的速度和准确性。

发明内容

根据本发明的教导，公开了使用包括可靠局部模型更新的适应性机器学习技术的车辆畅通路径检测的方法和系统。数字照相机图像分割成小块，从所述小块提取表示诸如颜色和纹理的属性的特性特征。小块特征通过支持向量机（SVM）或其它机器学习分类器分析，其先前已经训练以识别畅通路径图像区域。SVM分类器使用可靠局部试验样本适应性地更新，例如车辆刚刚经过的肯定畅通路径样本。得到的分类器用最近的可靠训练样本连续地和适应性地更新，且在针对畅通驾驶路径的存在来分析随后图像中展现了改进的性能和准确性。

方案1. 一种用于检测车辆的畅通驾驶路径的方法，所述方法包括：

处理来自于照相机的图像以产生来自于每个图像的一个或多个小块的特征数据；

使用训练分类器分析所述一个或多个小块的特征数据，以确定概率值；

选择概率值超过第一概率阈值的小块作为肯定试验样本；

使用所述一个或多个小块的位置来识别哪些训练样本和哪些肯定试验样本应当用于适应性地训练所述训练分类器，其中，位置根据特征向量空间定义；以及

基于概率值针对所述一个或多个小块中的每个进行畅通驾驶路径或非畅通路径确定。

方案2. 根据方案1所述的方法，其中，处理来自于照相机的图像以产生一个或多个小块的特征数据包括：分割图像以限定所述一个或多个小块；以及提取所述一个或多个小块的特征数据。

方案3. 根据方案2所述的方法，其中，分割图像以限定所述一个或多个小块包括：仅仅选择尺寸超过预定尺寸阈值的小块。

方案4. 根据方案2所述的方法，其中，提取所述一个或多个小块的特征数据包括：提取以下项中的一个或多个：几何形状特征、颜色特征、纹理特征和方向梯度直方图特征。

方案5. 根据方案1所述的方法，其中，使用训练分类器分析所述一个或多个小块的特征数据包括：使用具有径向基函数核的支持向量机分类器。

方案6. 根据方案5所述的方法，其中，选择概率值超过第一概率阈值的小块作为肯定试验样本包括：将肯定试验样本的数据作为当前数据帧、先前数据帧和聚类数据池中的存储成分存储。

方案7. 根据方案6所述的方法，其中，当前数据帧、先前数据帧和聚类数据池中的存储成分用作径向基函数核的输入。

方案8. 根据方案5所述的方法，还包括：选择概率值不超过第二概率阈值的小块作为否定试验样本。

方案9. 根据方案8所述的方法，还包括：使用所述一个或多个小块的位置来识别哪些否定试验样本应当用于进一步适应性地训练所述训练分类器，其中，位置根据特征向量空间定义。

方案10. 根据方案5所述的方法，还包括：使用车辆最近经过的区域的小块来进一步适应性地训练所述训练分类器。

方案11. 根据方案10所述的方法，其中，使用车辆最近经过的区域的小块来进一步适应性地训练所述训练分类器包括：使用车辆最近经过的区域的小块作为径向基函数核的输入。