本發(fā)明屬于機(jī)器人自主環(huán)境感知技術(shù)領(lǐng)域，涉及到將移動(dòng)機(jī)器人系統(tǒng)采集到的圖像數(shù)據(jù)進(jìn)行場(chǎng)景理解，特別涉及到一種車載單目視覺(jué)室外道路自適應(yīng)分類器生成方法。

背景技術(shù)：

視覺(jué)是智能機(jī)器人與智能系統(tǒng)進(jìn)行環(huán)境感知的重要手段之一。基于視覺(jué)的自然場(chǎng)景理解是工作在自然環(huán)境中的移動(dòng)機(jī)器人能夠?qū)崿F(xiàn)自主環(huán)境適應(yīng)所應(yīng)具備的基本條件。無(wú)人駕駛車作為一種典型的移動(dòng)機(jī)器人，近些年來(lái)在各行各業(yè)中扮演著越來(lái)越重要的角色，室外環(huán)境理解特別是道路識(shí)別是實(shí)現(xiàn)無(wú)人駕駛的關(guān)鍵。

基于視覺(jué)的場(chǎng)景理解就是對(duì)視覺(jué)傳感器所采集的圖像數(shù)據(jù)進(jìn)行分類，即對(duì)圖像中的不同種類賦予相應(yīng)的標(biāo)簽。圖像分類的方法有很多，但是由于無(wú)人駕駛車的工作環(huán)境大多是室外非結(jié)構(gòu)化環(huán)境，室外場(chǎng)景的多樣性、隨機(jī)性、復(fù)雜性以及移動(dòng)機(jī)器人的運(yùn)動(dòng)性，就要求所構(gòu)建的場(chǎng)景理解系統(tǒng)應(yīng)具有較高的自適應(yīng)性，目前對(duì)于復(fù)雜室外環(huán)境的理解通常都是設(shè)計(jì)一個(gè)分類器來(lái)完成圖像的分類，分類器是根據(jù)數(shù)據(jù)集的特點(diǎn)構(gòu)造一個(gè)分類函數(shù)或分類模型，該模型能把未知類別的樣本映射到給定類別中的某一個(gè)，這也是目前最有效地圖像分類方法。

目前在圖像分類領(lǐng)域有離線和在線兩種分類器生成方法。離線分類器是目前最常用的一種，主要是利用相應(yīng)的機(jī)器學(xué)習(xí)算法，針對(duì)特定的數(shù)據(jù)集訓(xùn)練一個(gè)固定的分類器。首先根據(jù)所要識(shí)別的數(shù)據(jù)集制作訓(xùn)練樣本即是一些帶不同標(biāo)簽的數(shù)據(jù)，然后利用合適的機(jī)器學(xué)習(xí)算法進(jìn)行訓(xùn)練。常用的機(jī)器學(xué)習(xí)算法有Support Vector Machine(SVM)、K-Nearest Neighbor(KNN)、Bayes、Back Propagation(BP)神經(jīng)網(wǎng)絡(luò)器等等。參考文獻(xiàn)(K.Rebai,N.Achour,and O.Azouaoui."Hierarchical SVM classifier for road intersection detection and recognition."IEEE Conference on Open Systems.2013:100-105.)和文獻(xiàn)(Z.Xiong,K.Chen,and C.Gu."An algorithm of image classification based on BP neural network."IEEE Computer Science and Automation Engineering,International Conference on.2012:523-526.)分別運(yùn)用了SVM和BP神經(jīng)網(wǎng)絡(luò)進(jìn)行圖像分類器的訓(xùn)練，其優(yōu)點(diǎn)是分類準(zhǔn)確度較高，但是這種分類器的訓(xùn)練需要大量先驗(yàn)信息，訓(xùn)練樣本大，算法耗時(shí)，并且所得到的分類器僅適用于訓(xùn)練樣本所在場(chǎng)景的分類，當(dāng)所處場(chǎng)景發(fā)生變化時(shí)分類器就會(huì)失效，因此分類器的適應(yīng)性較差。

使用在線分類器來(lái)做圖像識(shí)別是一種更具有挑戰(zhàn)性的方法，具體是指分類器在識(shí)別圖像的過(guò)程中一直在不斷地更新。參考文獻(xiàn)(徐文浩.基于視覺(jué)激光數(shù)據(jù)融合的非結(jié)構(gòu)化道路檢測(cè)[D].大連理工大學(xué),2014.)，在道路識(shí)別算法當(dāng)中利用實(shí)時(shí)采集到的圖片生成新的樣本，在不間斷分類運(yùn)算的同時(shí)實(shí)現(xiàn)了分類器的實(shí)時(shí)在線更新，在道路發(fā)生劇烈變化時(shí)，依賴之前的分類器無(wú)法正確識(shí)別出道路，因此無(wú)法完成分類器的更新，此時(shí)只能依賴激光數(shù)據(jù)的幾何屬性來(lái)確保車前方時(shí)可行區(qū)域，輔助完成分類器的在線更新。其優(yōu)點(diǎn)是分類器能夠很好地適應(yīng)天氣、季節(jié)、光線等因素的改變，保證了算法的魯棒性。但是該方法沒(méi)有真正實(shí)現(xiàn)分類器的自適應(yīng)更新，當(dāng)新的道路樣本出現(xiàn)時(shí)，必須依靠激光傳感器的輔助才能完成分類器的在線更新，然而激光傳感器并不是所有機(jī)器人的必備的設(shè)備，而且其價(jià)格也比較昂貴，所以此方法并不具備通用性。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)以上所述方法的不足之處，本發(fā)明提出了自適應(yīng)分類器生成方法。其特征在于引入樣本池工具，樣本池的組成為不同道路的特征,通過(guò)提取相鄰圖像的顏色直方圖，進(jìn)行相似度計(jì)算,再依據(jù)計(jì)算結(jié)果進(jìn)行分類器不同訓(xùn)練樣本的選擇，當(dāng)計(jì)算結(jié)果為相似時(shí)：更新分類器的訓(xùn)練樣本為前一個(gè)分類器的識(shí)別結(jié)果；當(dāng)計(jì)算結(jié)果為不相似時(shí)：更新分類器的訓(xùn)練樣本為與樣本池的匹配結(jié)果，從而實(shí)現(xiàn)了分類器的自適應(yīng)生成。

本發(fā)明的技術(shù)方案如下：

1)構(gòu)建樣本池

樣本池是本發(fā)明引入的一種工具，其本質(zhì)上是一個(gè)m*n的特征向量。其中m為樣本池中所含有的不同形態(tài)道路的個(gè)數(shù)，n為每種道路的特征維度。

2)計(jì)算相鄰圖像相似度

新樣本出現(xiàn)時(shí)實(shí)現(xiàn)分類器自適應(yīng)生成需要依賴對(duì)相鄰圖像相似度計(jì)算的結(jié)果。首先提取相鄰圖像的顏色直方圖：

H(P)＝[h(x₁),h(x₂),...h(x_i)] (1)

其中，S(x_i)為第i種顏色在圖像中出現(xiàn)的個(gè)數(shù)，S(x_j)為總的像素點(diǎn)個(gè)數(shù)。

例如灰度直方圖是灰度級(jí)的函數(shù)，它表示圖像中具有某種灰度級(jí)的像素的個(gè)數(shù)，反映了圖像中某種灰度出現(xiàn)的頻率。色彩直方圖是高維直方圖的特例，它統(tǒng)計(jì)色彩的出現(xiàn)頻率，即色彩的概率分布信息。直方圖歸一化效果好，兩幅分辨率不同的圖像可以直接通過(guò)計(jì)算直方圖來(lái)計(jì)算相似度，計(jì)算量小。

直方圖相似度計(jì)算方法為相關(guān)度、卡方系數(shù)、相交系數(shù)或巴氏距離。

優(yōu)選巴氏距離計(jì)算相似度。如圖像A和圖像B，分別計(jì)算兩幅圖像的直方圖H_A和H_B，然后計(jì)算兩個(gè)直方圖的巴氏距離:

其中，H_A(i)和H_B(i)分別代表圖像A和B的第i種顏色直方圖數(shù)據(jù),n為直方圖中bin的個(gè)數(shù)。d∈[0,1]，距離越小說(shuō)明相似度越高。

3)分割圖像與提取圖像特征

對(duì)圖像做超像素分割，就是在圖像處理的預(yù)處理階段將空間位置上鄰近并且顏色、紋理等特征相近的像素聚合成若干個(gè)超像素塊，然后以超像素為單位進(jìn)行圖像的進(jìn)一步處理。

提取圖像特征是使用計(jì)算機(jī)提取圖像信息，決定每個(gè)圖像的像素點(diǎn)或像素塊是否屬于一個(gè)圖像特征。圖像特征為顏色特征、紋理特征、形狀特征和空間關(guān)系特征中的一種或兩種以上。

圖像特征優(yōu)選采用顏色特征和空間關(guān)系特征。采用Lab顏色空間，其中的L分量用于表示像素的亮度，取值范圍是[0,100]，表示從純黑到純白；a表示從紅色到綠色的范圍，取值范圍是[127,-128]；b表示從黃色到藍(lán)色的范圍，取值范圍是[127,-128]。最終提取五維特征向量分別Lab三個(gè)分量和像素的(x，y)坐標(biāo)。計(jì)算每個(gè)超像素塊中所含像素點(diǎn)的均值和方差組成十維特征向量。

其中，E_m和V_m分別為均值和方差，n為像素塊所含像素點(diǎn)的個(gè)數(shù)。

(4)分類器的訓(xùn)練

分類器要完成分類器的在線更新，并且要保證識(shí)別的實(shí)時(shí)性，就要盡量的減少訓(xùn)練樣本，再訓(xùn)練樣本很少的前提下保證識(shí)別的準(zhǔn)確率。

根據(jù)步驟2)的計(jì)算結(jié)果，在步驟3)的基礎(chǔ)上進(jìn)行分類器的訓(xùn)練；當(dāng)步驟2)的結(jié)果為相似時(shí)：更新分類器的訓(xùn)練樣本為前一個(gè)分類的識(shí)別結(jié)果；當(dāng)步驟2)結(jié)果為不相似時(shí)：更新分類器的訓(xùn)練樣本為與步驟1)所構(gòu)建本池的匹配結(jié)果；根據(jù)每個(gè)超像素塊的特征及其屬性標(biāo)簽，采用boosting算法，其核心思想是針對(duì)同一個(gè)訓(xùn)練集訓(xùn)練不同的分類器，即弱分類器，在每一輪的弱分類器分類當(dāng)中對(duì)樣本的權(quán)值進(jìn)行更新。如果樣本分類正確,則會(huì)適當(dāng)降低它的權(quán)值,反之則會(huì)提高。最后把弱分類器集合起來(lái)，構(gòu)造一個(gè)更強(qiáng)的最終分類器。具體算法流程如下：

給定一個(gè)訓(xùn)練數(shù)據(jù)集T＝{(x₁,y₁),(x₂,y₂)…(x_i,y_i)…(x_N,y_N)}，其中x_i是輸入訓(xùn)練樣本,y_i屬于標(biāo)記集合{-1,+1}，N為訓(xùn)練樣本的數(shù)量。

步驟1：初始化訓(xùn)練數(shù)據(jù)的權(quán)值分布。每一個(gè)訓(xùn)練樣本最開始時(shí)都被賦予相同的權(quán)重：1/N。

步驟2：進(jìn)行多輪迭代，用m＝1,2,...,M表示迭代的次數(shù)。

a)使用具有權(quán)值分布的D_m訓(xùn)練數(shù)據(jù)集學(xué)習(xí)，得到基本分類器：G_m(x)

b)計(jì)算G_m(x)的在訓(xùn)練數(shù)據(jù)集上的分類誤差率：

c)計(jì)算G_m(x)的系數(shù)α_m，表示e_m在最終分類器中的重要程度(目的：得到基本分類器在最終分類器中所占的權(quán)重)：

d)更新訓(xùn)練數(shù)據(jù)集的權(quán)值分布D_m+1＝(w_m+1,1,w_m+1,2....w_m+1,i…w_m+1,N)

其中Z_m為規(guī)范化因子，使得D_m+1成為一個(gè)概率分布。

步驟3：組合弱分類器。

分類器自適應(yīng)生成所用訓(xùn)練樣本的選擇根據(jù)公式(3)中的巴氏距離，當(dāng)巴氏距離小于設(shè)定值，分類器的訓(xùn)練樣本為t時(shí)刻的圖像識(shí)別結(jié)果，當(dāng)巴氏距離大于設(shè)定值，分類器的訓(xùn)練樣本為樣本池中與t+1時(shí)刻圖像相匹配的樣本。依次循環(huán)便實(shí)現(xiàn)了分類器自適應(yīng)生成。

本發(fā)明的有益效果為生成的分類器能夠很好地適應(yīng)天氣、季節(jié)、光線等因變化準(zhǔn)確地識(shí)別出道路，解決了對(duì)大量訓(xùn)練樣本和其他傳感器的依賴性問(wèn)題，具有很好的魯棒性，可以為無(wú)人車的行駛提供準(zhǔn)確的輔助信息。

附圖說(shuō)明

圖1是樣本池所含有的道路樣本示意圖。

圖2是無(wú)人車所采集的道路序列圖像。

圖中(a)(b)(c)、(d)(e)(f)和(g)(h)(i)表示經(jīng)過(guò)三種不同路況所采集的道路圖像。

圖3是圖2中(a)(b)(c)(d)(e)(f)(g)(h)(i)的顏色直方圖。

圖4是圖2中(a)(b)(c)(d)(e)(f)(g)(h)(i)的分類器識(shí)別結(jié)果。

具體實(shí)施方式

為了驗(yàn)證本發(fā)明的有效性，本發(fā)明的具體實(shí)施方式包括兩個(gè)方面，一是圖像數(shù)據(jù)的采集，二是依據(jù)圖像向直方圖匹配結(jié)果，選擇相應(yīng)的訓(xùn)練樣本，完成分類器自適應(yīng)生成。

通過(guò)單目攝像頭自動(dòng)采集圖像數(shù)據(jù)，然后這些數(shù)據(jù)信息都將傳送到計(jì)算機(jī)。圖2為本實(shí)施例的行駛路徑。其中(a)(b)(c)、(d)(e)(f)、(g)(h)(i)分別為車輛在行駛過(guò)程中經(jīng)過(guò)的三種不同路況所采集的道路圖像。以這九張圖像為例說(shuō)明分類器自適應(yīng)生成的過(guò)程。首先對(duì)第一張圖像(圖2(a))做超像素分割，提取每個(gè)超像素塊的特征與樣本池中的特征匹配，匹配成功的超像素塊賦予標(biāo)簽+1，沒(méi)有匹配成功的超像素塊賦予標(biāo)簽-1，然后用帶有標(biāo)簽的訓(xùn)練樣本訓(xùn)練了分類器G_a。同時(shí)提取圖2(a)和圖2(b)的顏色直方圖(即圖3(a)和圖3(b))，利用巴氏距離計(jì)算圖3(a)和圖3(b)的相似度，由計(jì)算可得d＝0.406，本實(shí)施例中當(dāng)d∈[0,0.5)時(shí)認(rèn)為圖像相似，當(dāng)d∈[0.5,1]時(shí)認(rèn)為圖像不相似。

可知圖2(a)和圖2(b)相似，因此分類器G_b的生成依賴于圖2(a)的識(shí)別結(jié)果(即圖3(a))，用圖3(a)帶有不同標(biāo)簽的識(shí)別結(jié)果作為分類器G_b的訓(xùn)練樣本。

同樣方法生成分類器G_c。接下來(lái)提取圖2(c)和圖2(d)的顏色直方圖(圖3(c)和圖3(d))，利用巴氏距離計(jì)算圖3(c)和圖3(d)的相似度，由計(jì)算可得d＝0.781,可知圖2(c)和圖2(d)不相似，因此分類器G_d的生成要依賴樣本池，先將圖3(d)做超像素分割，然后將每個(gè)超像素塊的特征與樣本池進(jìn)行匹配，匹配成功的標(biāo)簽設(shè)為+1，否則設(shè)為-1，最后用帶標(biāo)簽的樣本訓(xùn)練分類器G_d。同理分類器G_e、G_f、G_h和G_i的更新依賴于前一個(gè)分類器的識(shí)別結(jié)果。分類器G_g的生成需要依賴樣本池。圖4為本次所經(jīng)過(guò)道路的分類器識(shí)別結(jié)果。依次循環(huán)便實(shí)現(xiàn)了分類器的自適應(yīng)生成。