基于機器學習和信息融合的可行區(qū)域檢測系統(tǒng)研究.pdf

1、可行區(qū)域檢測技術(shù)是輔助駕駛系統(tǒng)和自主導航技術(shù)的關(guān)鍵技術(shù)之一，而基于視覺的可行區(qū)域檢測系統(tǒng)由于信息豐富，成本低廉等優(yōu)勢近年獲得持續(xù)關(guān)注。目前的研究主要是基于模式識別和相機幾何，使用的特征包括顏色、紋理、形狀模型、消失點等。圖像容易受到場景變化和光照變化的影響，主要體現(xiàn)在相同的場景在不同時間以及不同光照下的形態(tài)不同，從而特征差異巨大，加大穩(wěn)定檢測的難度。盡管人們在克服上述問題做了很多努力，當前基于視覺的可行區(qū)域檢測方法依然存在場景普適性不強

2、，光照魯棒性不強以及穩(wěn)定性不好的問題，從而給機器人的安全穩(wěn)定運行帶來安全隱患。
　　本論文依托于無人平臺環(huán)境感知系統(tǒng)對魯棒可行區(qū)域檢測方法展開研究，提出了基于非平衡學習的可行區(qū)域檢測系統(tǒng)，為了保證可行區(qū)域穩(wěn)定提取的同時，對光照和新場景具有足夠的適應能力，該系統(tǒng)采用多種創(chuàng)新策略:
　　1、弱約束條件。本文只假定機器人前方一小塊區(qū)域可通行，弱化檢測前提，從而使本文方法能適應更多場景。
　　2、多尺度超像素分割特征提取與判別