[发明专利]一种基于车载单目视觉室外道路自适应分类器生成方法

说明书

本发明属于机器人自主环境感知技术领域，公开了一种车载单目视觉室外道路自适应分类器生成方法。本发明引入样本池工具，样本池的组成为不同道路特征，通过相邻图像的相似度匹配，实现了室外道路识别分类器的自适应生成。主要通过提取相邻图像的特征，然后通过计算相邻图像的特征相似度作为场景发生突变的依据。当相似度小时，分类器更新依据前一个分类器的识别结果；当相似度大时，分类器的更新依据与样本池的匹配结果；本发明生成的分类器能够很好地适应天气、季节、光线等因变化准确地识别出道路，解决了对大量训练样本和其他传感器的依赖性问题，具有更好的适应性，可以为无人车的行驶提供准确的辅助信息。

技术领域

本发明属于机器人自主环境感知技术领域，涉及到将移动机器人系统采集到的图像数据进行场景理解，特别涉及到一种车载单目视觉室外道路自适应分类器生成方法。

背景技术

视觉是智能机器人与智能系统进行环境感知的重要手段之一。基于视觉的自然场景理解是工作在自然环境中的移动机器人能够实现自主环境适应所应具备的基本条件。无人驾驶车作为一种典型的移动机器人，近些年来在各行各业中扮演着越来越重要的角色，室外环境理解特别是道路识别是实现无人驾驶的关键。

基于视觉的场景理解就是对视觉传感器所采集的图像数据进行分类，即对图像中的不同种类赋予相应的标签。图像分类的方法有很多，但是由于无人驾驶车的工作环境大多是室外非结构化环境，室外场景的多样性、随机性、复杂性以及移动机器人的运动性，就要求所构建的场景理解系统应具有较高的自适应性，目前对于复杂室外环境的理解通常都是设计一个分类器来完成图像的分类，分类器是根据数据集的特点构造一个分类函数或分类模型，该模型能把未知类别的样本映射到给定类别中的某一个，这也是目前最有效地图像分类方法。

目前在图像分类领域有离线和在线两种分类器生成方法。离线分类器是目前最常用的一种，主要是利用相应的机器学习算法，针对特定的数据集训练一个固定的分类器。首先根据所要识别的数据集制作训练样本即是一些带不同标签的数据，然后利用合适的机器学习算法进行训练。常用的机器学习算法有Support Vector Machine(SVM)、K-NearestNeighbor(KNN)、Bayes、Back Propagation(BP)神经网络器等等。参考文献(K.Rebai,N.Achour,and O.Azouaoui.Hierarchical SVM classifier for road intersectiondetection and recognition.IEEE Conference on Open Systems.2013:100-105.)和文献(Z.Xiong,K.Chen,and C.Gu.An algorithm of image classification based on BPneural network.IEEE Computer Science and Automation Engineering,International Conference on.2012:523-526.)分别运用了SVM和BP神经网络进行图像分类器的训练，其优点是分类准确度较高，但是这种分类器的训练需要大量先验信息，训练样本大，算法耗时，并且所得到的分类器仅适用于训练样本所在场景的分类，当所处场景发生变化时分类器就会失效，因此分类器的适应性较差。

使用在线分类器来做图像识别是一种更具有挑战性的方法，具体是指分类器在识别图像的过程中一直在不断地更新。参考文献(徐文浩.基于视觉激光数据融合的非结构化道路检测[D].大连理工大学,2014.)，在道路识别算法当中利用实时采集到的图片生成新的样本，在不间断分类运算的同时实现了分类器的实时在线更新，在道路发生剧烈变化时，依赖之前的分类器无法正确识别出道路，因此无法完成分类器的更新，此时只能依赖激光数据的几何属性来确保车前方时可行区域，辅助完成分类器的在线更新。其优点是分类器能够很好地适应天气、季节、光线等因素的改变，保证了算法的鲁棒性。但是该方法没有真正实现分类器的自适应更新，当新的道路样本出现时，必须依靠激光传感器的辅助才能完成分类器的在线更新，然而激光传感器并不是所有机器人的必备的设备，而且其价格也比较昂贵，所以此方法并不具备通用性。