[发明专利]使用附加分类器来调节畅通路径检测

说明书

技术领域

本发明总体上涉及用于车辆的畅通驾驶路径的基于照相机的检测，且更具体地涉及检测车辆的畅通驾驶路径的方法和系统，所述方法和系统使用由训练样本训练的第一分类器，增加由可靠试验样本训练的第二分类器，且使用两个分类器来获得关于前方道路畅通驾驶路径的联合决策。

背景技术

许多现代车辆包括设计成增强乘员安全性、舒适性和便利性的复杂电子系统。在这些系统中，驾驶辅助系统变得日益普遍。驾驶辅助系统需要关于位于车辆前方的事物的信息，以便确定是否应当发出任何类型的驾驶员报警或应当采取规避动作。

各种技术可以由驾驶辅助系统用于道路检测，以确定车辆前方的路径是畅通的还是有障碍的。基于照相机的系统广泛地用于畅通路径检测，因为其已经被证实为可靠的且成本低的。在基于照相机的系统中，车载照相机提供车辆前方的路径的图像，且所述图像通过各种算法处理以确定前方路径是否畅通。常见处理方法使用训练分类器来作出畅通路径确定。

训练分类器是一类机器学习技术，其中，一组训练样本（在该情况下，畅通路径道路的图像区域）用于训练模型以分类还需要遇到的道路的图像区域。训练分类器的基本限制在于，仅仅可以采用有限数量的训练样本，且在实际驾驶情况下遇到的各种环境中，必然存在试验样本非常不同于任何畅通路径训练样本，而实际上处于畅通路径道路的图像区域中。

需要能够连续地更新且基于被正确分类的最近畅通路径图像区域来调节分类器的畅通路径检测技术。这种技术可以用于改进驾驶辅助系统的速度和准确性。

发明内容

根据本发明的教导，公开了使用包括附加分类器的适应性机器学习技术的车辆畅通路径检测的方法和系统。数字照相机图像分割成小块，从所述小块提取表示诸如颜色和纹理的属性的特性特征。小块特征通过支持向量机（SVM）或其它机器学习分类器分析，其先前已经训练以识别畅通路径图像区域。对于获得低置信度值的图像区域，可以使用附加分类器，其中，附加分类器使用先前正确地分类为畅通路径道路的实际试验样本适应性地训练。初始离线训练分类器和附加适应性更新分类器然后作出关于随后图像中的畅通路径区域的联合决策。

方案1. 一种用于检测车辆的畅通驾驶路径的方法，所述方法包括：

处理来自于照相机的图像以产生来自于每个图像的一个或多个小块的特征数据；

使用第一训练分类器分析所述一个或多个小块的特征数据，以确定概率值；

使用概率值超过第一概率阈值的小块作为训练样本以训练第二训练分类器；

使用第二训练分类器来分析所述一个或多个小块的特征数据以确定一致性值；

评估概率值和一致性值以确定所述一个或多个小块中的每个的置信度值；以及

基于置信度值针对所述一个或多个小块中的每个进行畅通驾驶路径或非畅通路径确定。

方案2. 根据方案1所述的方法，其中，处理来自于照相机的图像以产生一个或多个小块的特征数据包括：分割图像以限定所述一个或多个小块；以及提取所述一个或多个小块的特征数据。

方案3. 根据方案2所述的方法，其中，分割图像以限定所述一个或多个小块包括：仅仅选择尺寸超过预定尺寸阈值的小块。

方案4. 根据方案2所述的方法，其中，提取所述一个或多个小块的特征数据包括：提取以下项中的一个或多个：几何形状特征、颜色特征、纹理特征和方向梯度直方图特征。

方案5. 根据方案1所述的方法，其中，使用第一训练分类器分析所述一个或多个小块的特征数据包括：使用支持向量机分类器。

方案6. 根据方案1所述的方法，其中，使用概率值超过第一概率阈值的小块作为训练样本以训练第二训练分类器包括：将概率值超过第一概率阈值的小块的数据作为当前数据帧、先前数据帧和聚类数据池中的存储成分存储。

方案7. 根据方案6所述的方法，其中，将概率值超过第一概率阈值的小块的数据作为当前数据帧、先前数据帧和聚类数据池中的存储成分存储包括：

基于从每个存储成分到每个聚类的距离将来自于先前数据帧的存储成分包含到聚类数据池的聚类中；

将来自于当前数据帧的存储成分移动到先前数据帧中；以及

从照相机的最近图像产生当前数据帧的存储成分。

方案8. 根据方案7所述的方法，其中，将来自于先前数据帧的存储成分包含到聚类数据池的聚类中包括：仅仅使用来自于先前数据帧的概率值超过第二概率阈值的存储成分。