远距离障碍的自适应检测方法

摘要

一种机器人技术领域的远距离障碍的自适应检测方法，包括以下步骤：采集图像并进行预处理；划分区域并进行超像素分割处理；进行高维外观特征提取；得到近距离场景区域每个超像素的地形类别；得到近距离场景超像素的低维主导特征；得到远距离场景超像素的低维主导特征；进行Adaboost分类器训练；将远距离场景区域超像素的低维主导特征输入至Adaboost分类器，当Adaboost分类器输出为1时，则当前场景为障碍；否则当前场景为地面。本发明可实现障碍检测特征的自适应提炼，简化分类器模型，可以同时减少障碍多模态分布及由随机特征重叠导致的类别歧义对检测结果的影响，且提高障碍检测的准确性和稳定性。

主权项

一种远距离障碍的自适应检测方法，其特征在于，包括以下步骤：第一步，由立体相机自动采集同一场景的同一时间、不同范围的两幅原始图像，对两幅原始图像中每个像素进行立体匹配得到视差图，同时对其中一幅原始图像进行降采样和高斯平滑滤波的预处理，得到预处理后的图像；第二步，将预处理后的图像划分为远距离场景区域和近距离场景区域，并分别对远距离场景区域和近距离场景区域进行超像素分割处理，得到远距离场景区域和近距离场景区域的超像素集合；第三步，分别对远距离场景区域和近距离场景区域的超像素进行高维外观特征提取，得到远距离场景区域和近距离场景区域中每个超像素的高维外观特征向量；第四步，对第一步得到的视差图进行地平面拟合处理，得到近距离区域场景中每个像素所属的地形类别，将超像素所包含像素的地形类别进行统计，类别数最大的那个地形类别作为超像素的地形类别；第五步，对近距离场景超像素的地形类别进行有监督局部线性嵌入处理，得到近距离场景超像素的低维主导特征；第六步，对近距离场景超像素的低维主导特征进行加权和处理，得到远距离场景超像素的低维主导特征；第七步，对近距离场景区域超像素的地形类别和低维主导特征进行Adaboost分类器训练，得到Adaboost分类器；第八步，将远距离场景区域超像素的低维主导特征输入至Adaboost分类器，当Adaboost分类器输出为1时，则当前场景为障碍；否则当前场景为地面。