基于在線Adaboost集成學(xué)習(xí)算法的室外道路檢測.pdf

1、道路區(qū)域的準(zhǔn)確感知是智能移動(dòng)機(jī)器人進(jìn)行室外工作非常重要的前提條件之一。一般來說，道路可分為結(jié)構(gòu)化和非結(jié)構(gòu)化兩種。由于前者具有清晰的邊緣信息和人造車道標(biāo)記等原因，用于檢測結(jié)構(gòu)化道路的算法取得了不錯(cuò)的進(jìn)展，然而這些方法在非結(jié)構(gòu)化道路的檢測上并不適用。這主要是因?yàn)榉墙Y(jié)構(gòu)化道路具有以下特點(diǎn)：如模糊的道路邊界，各種道路類型，粗糙的路面和成像條件（不斷變化的照明和天氣條件能夠使相同的場景變成各種不同的顏色和紋理信息）等，這些原因使得非結(jié)構(gòu)化道路的檢

2、測具有更大的難度和更高的挑戰(zhàn)。
　　針對上述問題，本文提出了一種基于在線學(xué)習(xí)的室外道路檢測方法。要完成復(fù)雜場景下的道路檢測任務(wù)，關(guān)鍵是要設(shè)計(jì)一個(gè)能夠適應(yīng)道路多變的學(xué)習(xí)算法，本文所提出算法生成的在線分類器能夠適應(yīng)道路的變化，在路況發(fā)生變化的時(shí)候能夠及時(shí)地更新分類器的訓(xùn)練樣本從保證了分類器的適應(yīng)性。本方法的核心思想是通過構(gòu)建一個(gè)離線的道路樣本集，在道路檢測的過程中計(jì)算相鄰圖像的相似度，根據(jù)相似度計(jì)算結(jié)果判斷是否更新在線樣本池中的正樣本

3、，其中在線樣本池是用來訓(xùn)練每次更新的分類器，正樣本更新來源就是所構(gòu)建的離線道路樣本集。為了保證算法的準(zhǔn)確率和實(shí)效性，本文中采用了Adaboost集成學(xué)習(xí)算法，弱分類器選用的為樸素貝葉斯分類器，相似度計(jì)算部分用到的是基于顏色直方圖的巴氏距離相似度計(jì)算方法。
　　本文通過實(shí)驗(yàn)室自己構(gòu)建的 DLUT圖像數(shù)據(jù)集和 Sowerby公共圖像數(shù)據(jù)集對算法進(jìn)行了實(shí)驗(yàn)驗(yàn)證，實(shí)驗(yàn)結(jié)果和數(shù)據(jù)表明本文所提出的算法有很高的檢測精度和實(shí)用性?？紤]到大多數(shù)的移