基于在線Adaboost集成學習算法的室外道路檢測.pdf

1、道路區(qū)域的準確感知是智能移動機器人進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)構化和非結(jié)構化兩種。由于前者具有清晰的邊緣信息和人造車道標記等原因，用于檢測結(jié)構化道路的算法取得了不錯的進展，然而這些方法在非結(jié)構化道路的檢測上并不適用。這主要是因為非結(jié)構化道路具有以下特點：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習的室外道路檢測方法。要完成復雜場景下的道路檢測任務，關鍵是要設計一個能夠適應道路多變的學習算法，本文所提出算法生成的在線分類器能夠適應道路的變化，在路況發(fā)生變化的時候能夠及時地更新分類器的訓練樣本從保證了分類器的適應性。本方法的核心思想是通過構建一個離線的道路樣本集，在道路檢測的過程中計算相鄰圖像的相似度，根據(jù)相似度計算結(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練每次更新的分類器，正樣本更新來源就是所構建的離線道路樣本集。為了保證算法的準確率和實效性，本文中采用了Adaboost集成學習算法，弱分類器選用的為樸素貝葉斯分類器，相似度計算部分用到的是基于顏色直方圖的巴氏距離相似度計算方法。
　　本文通過實驗室自己構建的 DLUT圖像數(shù)據(jù)集和 Sowerby公共圖像數(shù)據(jù)集對算法進行了實驗驗證，實驗結(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用性?？紤]到大多數(shù)的移