CN101813475B - 远距离障碍的自适应检测方法 - Google Patents

Abstract

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。

Description

远距离障碍的自适应检测方法

技术领域

本发明涉及的是一种机器人技术领域的检测方法，具体是一种远距离障碍的自适应检测方法。

背景技术

障碍检测是室外非结构化环境下移动机器人视觉导航中需要解决的关键问题，是后续路径规划和动作执行的先决条件。当前由于低成本、远距离障碍检测手段的缺失，绝大多数障碍检测方法为基于立体视觉或激光雷达的近距离障碍检测方法。然而，这种障碍感知的近视特性将直接或者间接导致机器人产生低效的路径规划结果甚至导航任务的失败。

近年来，随着人工智能等学科的发展和机器人自学习能力在机器人领域得到更大程度的重视，基于外观特征的、由近及远的远距离障碍检测方法逐渐成为通用解决方案。这类方法是一种在线自监督学习方法。其同时采集近距离的外观特征和立体信息作为“外观特征-地形类别”分类器模型的训练样本，然后将远距离场景的外观特征输入到该模型实现远距离障碍的检测。典型案例有：R.Manduchi选取归一化RGB作为分类特征，并对同一地形类别的样本采用高斯模型建模。通过立体视觉获取的地形类别实现模型参数的训练，样本的最终类别取概率最大的地形类别。Ibrahim Halatci选取RGB颜色分量及小波分维作为分类特征。首先以特征为单位建立低层混合高斯分类模型，再结合已知的传感模型，利用贝叶斯公式将每个低层分类器模型表达式转换成关于地形类别的后验概率，对同一地形类别属下的各特征后验概率进行笛卡尔乘积获取每个地形类别的高层分类模型。

在上述障碍检测方案中，场景外观特征的合理选择直接决定了机器人的远距离障碍识别能力。现有的机器人视觉导航系统中基本采用事先根据经验或者随机挑选的特征算子，然而基于这种特征选择策略的障碍检测方法难以适应室外场景不断变化的场景几何、天气条件等因素，从而导致远距离障碍检测不准确，影响导航任务的执行效率。如上述的两个应用，若遇上雾霾天气，由于雾霾天气会使视觉获取的物体颜色随着物体与视觉传感器的距离变化发生不同的变化，这种变化会极大地降低分类性能。另外，光照的变化同样也会影响视觉传感器获取的颜色和纹理特征。因此采用事先根据经验或者随机挑选的特征算子都只是在一定静态环境条件下适用，具有相当的局限性。

经对现有文献检索发现，Ayse Naz Erkan1等人在2007年11月的IEEE国际智能机器人与系统会议上发表了题为《非结构化地形场景中的大范围自适应视觉》的文章(文章英文名：Adaptive Long Range Vision in Unstructured Terrain，会议英文名：IEEE InternationalConference on Intelligent Robots and Systems)，该文章公开了一种野外非结构化环境中机器人视觉导航的远距离障碍检测方法。该方法采用离线训练的卷积神经网络进行特征提取，并利用Logistics回归方法对远距离场景区域进行在线学习和分类。图像金字塔方法在一定程度上缓解了不同区域的距离和尺度效应。然而该方法依赖于大量的样本数据，样本数据的选取会对分类效果产生显著影响，并且提取的特征维数过高，增加计算复杂度，且缺少对特征贡献度的讨论。此外，该方法并没有对系统如何自适应地选择适合当前场景障碍检测的最优特征进行研究，因此还难以达到室外非结构化环境下移动机器人视觉导航的以下要求：

1、根据场景实时变化自动地选择当前场景最适合的分类特征，实现障碍检测主导特征的自适应在线提炼；

2、基于主导特征和近距离场景的视觉监督信息实现障碍分类检测模型参数的自适应学习，简化分类器模型；

3、障碍检测结果体现对障碍多模态分布和高维特征非线性结构的高度自适应性；

4、障碍检测结果避免由随机特征重叠导致的类别歧义性；

5、快速适应场景变化，提高障碍检测的准确性和稳定性。

发明内容

本发明的目的在于克服现有技术的上述不足，提出一种远距离障碍的自适应检测方法，通过对场景分类特征的自适应精简和自适应分类器的训练，实现了基于立体视觉的在线、由近及远的远距离障碍自适应检测方法。

本发明是通过以下技术方案实现的，本发明包括步骤如下：

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。

所述的超像素分割处理，具体是：计算区域内相邻像素的特征距离，将特征距离小于距离阈值的两像素归入同一超像素，最后将包含像素个数小于或者等于像素个数阈值的超像素归入邻近的包含像素个数大于像素个数阈值的超像素，从而将远距离场景区域和近距离场景区域分别划分为若干超像素，每个超像素由若干相连的像素组成。

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。

所述的高维外观特征提取包括：颜色特征提取和纹理特征提取，其中：颜色特征提取是将超像素的RGB(红绿蓝)空间转换为HSL(色调、饱和度、亮度)空间、Lab空间、c空间、l空间以及m空间；纹理特征提取是由Gabor函数对原始图像进行卷积得到的。

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。

所述的地平面拟合处理，具体指：在第一步得到的视差图中拟合地平面，得到近距离区域场景中每个像素的高程值H，判断每个像素高程值H与高程预定阈值H_threshold的相对大小，当H＜H_threshold时，则判断该像素地形类别为自由空间；当H≥H_threshold时，则判断该像素地形类别为障碍空间，从而得到近距离区域场景中每个像素所属的地形类别。

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。

所述的有监督局部线性嵌入处理，具体是：

1)、得到近距离场景每两个超像素间的高维外观特征向量间的欧式距离，将其中距离每个超像素最近的p个其它超像素作为该超像素的邻域；

2)、得到每两个超像素间的线性重构系数，这些线性重构系数构成该超像素的线性重构矩阵W，进而由M＝(I-W)^T(I-W)得到特征矩阵M；

所述的线性重构系数，具体是：

其中：

x_k、x_l、x_m都是x_i的邻域，w_ij是第i个超像素和第j个超像素间的线性重构系数，x_k、x_l、x_m、x_i分别是第k个超像素的高维外观特征、第1个超像素的高维外观特征、第m个超像素的高维外观特征和第i个超像素的高维外观特征。

3)、提取特征矩阵M的特征值和特征向量，其中除最小的特征值外的特征值所对应的特征向量就是该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。

所述的加权和处理，具体是：

1)、得到远距离场景超像素与近距离场景超像素之间的高维外观特征向量间的欧式距离，将其中距离每个远距离场景超像素最近的q个近距离场景超像素作为该超像素的邻域；

2)、得到每个远距离场景超像素与其邻域的近距离场景超像素间的线性重构系数，

3)、将每个远距离场景超像素与其邻域的近距离场景超像素间的线性重构系数与对应的近距离场景超像素的低维主导特征向量进行加权求和，从而得到远距离场景中该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。

所述的Adaboost分类器训练，具体是：将近距离场景区域超像素的低维主导特征的每一维都训练成一个弱分类器，并利用训练过程中所得到的加权系数将弱分类器输出进行组合，作为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。

与现有技术相比，本发明的有益效果是：障碍检测过程能够根据场景实时变化自动地选择当前场景最适合的主导特征，实现障碍检测特征的自适应提炼；障碍检测过程能够基于主导特征和近距离场景的视觉监督信息实现障碍分类检测模型的参数自适应学习，简化分类器模型；由于SLLE实现了高维特征样本非线性结构的近似和保持，因此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；基于主导特征的障碍检测方法能够快速适应场景变化，提高障碍检测的准确性和稳定性。

附图说明

图1是实施例的检测流程示意框图。

图2是实施例中的原图与分割处理后得到的超像素组合图；

其中：(a)为一室外导航场景原图，(b)为该图分割处理后得到的超像素组合图。

图3是实施例若干场景分类结果对比示意图；

其中：(a)、(d)和(g)分别为三幅场景原图，(b)、(e)和(h)分别为(a)、(d)和(g)的人工标记示意图，而(c)、(f)和(i)则分别为(a)、(d)和(g)的远距离障碍检测结果示意图。

图4是采用不同检测方法得到的检测误差对比示意图；

其中：Best-K Ensemble方法为美国科罗拉多大学实验的最好结果；SMINE为美国科罗拉多大学实验的基准检测方法；Adbst(SLLE)方法为实施例方法；Adbst为未进行降维，直接对原数据采用Adaboost方法的检测结果；1-NN为最近邻检测方法；而1-NN(SLLE)在1-NN基础上融合了在线主导特征提取策略。

具体实施方式

以下结合附图对本发明的方法进一步描述，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

实施例

如图1所示，本实施例包括：图像采集和预处理、场景图像分割、高维外观特征提取、近距离场景地形类别判定、近距离场景的低维主导特征、远距离场景的低维主导特征、分类器训练及远距离场景地形类别判定，最终得到障碍检测结果。

下面具体进行说明：

(1)图像采集和预处理：使用Bumblebee2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，对两幅图像进行每个像素的立体匹配得到视差图，视差图中的每个像素值表征了该像素点离相机中心的距离。同时将其中一幅原始图像保存到内存，并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。

(2)场景图像分割：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，每个超像素由若干相互连接的像素组成。

所述的超像素分割处理，具体是：计算区域内相邻像素的特征距离，将特征距离小于距离阈值的两像素归入同一超像素，最后将包含像素个数小于或者等于像素个数阈值的超像素归入邻近的包含像素个数大于像素个数阈值的超像素，从而将远距离场景区域和近距离场景区域分别划分为若干超像素，每个超像素由若干相连的像素组成。

图2(a)是一幅预处理后的室外导航场景图像，分辨率为640×480；图2(b)是经超像素分割处理后得到的图像，其中：距离阈值取为50，像素个数阈值取为40。

(3)高维外观特征提取：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。

所述的高维外观特征提取包括：颜色特征提取和纹理特征提取，其中：颜色特征提取是将超像素的RGB空间转换为HSL空间、Lab空间、c空间、l空间以及m空间；纹理特征提取是由Gabor函数对原始图像进行卷积得到的。

所述的HSL空间，具体是：

记： $r=\frac{R}{R+G+B},$ $g=\frac{G}{R+G+B},$ $b=\frac{B}{R+G+B},$ maxcolor＝max(r，g，b)，mincolor＝min(r，g，b)，则：

$L=\frac{(\max \mathrm{color}+\min \mathrm{color})}{2};$

当maxcolor＝mincolor时，则H＝S＝0；

当maxcolor≠mincolor时，进入下述判断：

当L＜0.5时，则 $S=\frac{\max \mathrm{color}-\min \mathrm{color}}{\max \mathrm{color}+\min \mathrm{color}},$

当L≥0.5时，则 $S=\frac{\max \mathrm{color}-\min \mathrm{color}}{2-\max \mathrm{color}-\min \mathrm{color}},$

当R＝maxcolor时，则 $H=\left[\begin{array}{cc}\frac{g-b}{\max \mathrm{color}-\min \mathrm{clor}},& g\&GreaterEqual;b\\ 6+\frac{g-b}{\max \mathrm{color}-\min \mathrm{clor}},& g<b\end{array}\right.,$

当G＝maxcolor时，则 $H=2+\frac{b-r}{\max \mathrm{color}-\min \mathrm{color}},$

当B＝maxcolor时，则 $H=4+\frac{r-g}{\max \mathrm{color}-\min \mathrm{color}}.$

所述的Lab空间，具体是：

记：v_R＝R/255，v_G＝G/255，v_B＝B/255，

当v_R＞0.04045时，则 $v\_R={\left(\frac{v\_R+0.055}{1.055}\right)}^{2.4}\&times;100,$

否则v_R＝v_R/12.92×100；

当v_G＞0.04045时，则 $v\_G={\left(\frac{v\_G+0.055}{1.055}\right)}^{2.4}\&times;100,$

否则v_G＝v-G/12.92×100；

当v_B＞0.04045时，则 $v\_B={\left(\frac{v\_B+0.055}{1.055}\right)}^{2.4}\&times;100,$

否则v_B＝v_B/12.92×100；

X＝var_R×0.4124+var_G×0.3576+var_B×0.1805，

Y＝var_R×0.2126+var_G×0.7152+var_B×0.0722，

Z＝var_R×0.0193+var_G×0.1192+var_B×0.9505，

v_X＝X/95.047，v_Y＝Y/100，v_Z＝Z/108.883，

当v_X＞0.008856时，则v_X＝(v_X)^1/3，否则v_X＝7.787×v_X+16/116，

当v_Y＞0.008856时，则v_Y＝(v_Y)^1/3，否则v_Y＝7.787×v_Y+16/116，

当v_Z＞0.008856时，则v_Z＝(v_Z)^1/3，否则v_Z＝7.787×v_Z+16/116，

L＝116×v_Y-16，a＝500×(v_X-v_Y)，b＝500×(v_Y-v_Z)。

所述的c空间，具体是：

$c_1={\tan }^{-1}\frac{R}{\max (G,B)},$ $c_2={\tan }^{-1}\frac{R}{\max (R,B)},$ $c_3={\tan }^{-1}\frac{R}{\max (R,G)},$

所述的l空间，具体是：

$l_1=\frac{{(R-G)}^2}{{(R-G)}^2+{(R-B)}^2+{(G-B)}^2},$ $l_2=\frac{{(R-B)}^2}{{(R-G)}^2+{(R-B)}^2+{(G-B)}^2},$ $l_3=\frac{{(G-B)}^2}{{(R-G)}^2+{(R-B)}^2+{(G-B)}^2}$

所述的m空间，具体是：

$m_1=\frac{R^{x_1}{G}^{x_2}}{R^{x_2}{G}^{x_1}},$ $m_2=\frac{R^{x_1}{B}^{x_2}}{R^{x_2}{B}^{x_1}},$ $m_3=\frac{G^{x_1}{B}^{x_2}}{G^{x_2}{B}^{x_1}},$

其中：x₁和x₂为相邻像素。

本实施例将每个颜色通道柱状分布图等分为5个区间，因此颜色特征共有90维。

所述的纹理特征，具体是：

W_mn(x，y)＝∫I(x，y)g(x-ξ，y-η)dξdη，

其中：I(x，y)＝R(x，y)×0.3+G(x，y)×0.59+B(x，y)×0.11，

$g(x,y)=\exp (-\frac{{(x\cos \mathrm{\&theta;}+y\sin \mathrm{\&theta;})}^2+{(-x\sin \mathrm{\&theta;}+y\cos \mathrm{\&theta;})}^2}{{2\mathrm{\&sigma;}}^2})\&times;\exp (-2\mathrm{\&pi;ik}(x\cos \mathrm{\&theta;}+y\sin \mathrm{\&theta;})),$

W_mn(x，y)为纹理特征，x，y为图像中像素的横坐标与纵坐标，I(x，y)为图像像素的灰度值，g(x，y)是Gabor函数，s为滤波器的尺度，θ为滤波器的选择方向，k为滤波器的中心频率。

本实施例中分别取s＝1，2，3，

一共12个Gabor滤波器，因此Gabor滤波器输出特征共12维。

本实施例中高维外观特征总共有90+12＝102维。

(4)近距离场景地形类别判定：对(1)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，从而得到近距离场景超像素的标记集合；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。

所述的地平面拟合处理，具体指：在第一步得到的视差图中拟合地平面，得到近距离区域场景中每个像素的高程值H，判断每个像素高程值H与高程预定阈值H_threshold的相对大小，当H＜H_threshold时，则判断该像素地形类别为自由空间；当H≥H_threshold时，则判断该像素地形类别为障碍空间，从而得到近距离区域场景中每个像素所属的地形类别。

本实施例中取H_threshold＝1.8。

(5)近距离场景的低维主导特征：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。

所述的低维主导特征是指融合了地形类别信息、且利用了“有监督局部线性嵌入法”进行降维后的低维空间中的超像素特征，有别于原始图像中提取的高维外观特征。

记：近距离场景超像素的高维外观特征为

Sn为近距离场景超像素集合，x_i为从第i个超像素中提取的外观特征，近距离场景超像素的标记集合为

l_k为第k个近距离场景超像素的地形类别。

所述的有监督局部线性嵌入处理，具体是：

a、计算每两个超像素间的欧式距离：

属于同一地形类别的超像素间的欧式距离：d_ij＝‖x_j-x_i‖；

分属不同地形类别的超像素间的欧式距离：d_ij＝‖x_j-x_i‖+αε，其中：α为调距幅度参数，

α为[0，1]区间内的数，本实施例中取α＝0.7。

由上述欧式距离信息得到距离第i个超像素x_i的K个最近邻点组成超像素x_i的邻域点集N_i为x_i的邻域点的集合，本实施例邻域点数K＝20。

b、对每个超像素x_i，由其邻域关系，计算线性重构系数w_ij，当超像素x_j为超像素x_i的邻域点(j∈N_i)时，则

其中：

x_k、x_l、x_m都是x_i的邻域点；当超像素x_j为超像素x_i的非邻域点

时，则w_ij＝0。线性重构系数反映了每个超像素与其邻域点之间的局部线性构成关系，所有超像素的线性重构系数组成线性重构矩阵W。

c、设特征矩阵M＝(I-W)^T(I-W)，其中I为单位矩阵，对特征矩阵M进行特征分析，对M的所有特征值按照数值大小从小到大进行排序编号，取所有特征值中第2小到第d+1小个特征值λ_i，i＝2，…，d+1，特征值λ_i对应的特征向量v_i＝[v_i1 v_i2…v_iC]^T就是近距离场景的第i个主导特征，C为近距离场景超像素总个数，则近距离场景低维主导特征集为

$Y_n={\left\{y_i\right\}}_{i\&Element;S_n}.$

所述的d的值决定分类效果，本实例中当d＝13时，分类效果最佳，也就是主导特征共13维。

(6)远距离场景的低维主导特征：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。

所述的加权处理，具体是：设远距离场景超像素的高维外观特征为

S_f为远距离场景超像素的集合，x′_i为从第i个远距离场景超像素中提取的高维外观特征。对于每个x′_i，i∈S_f，计算其与近距离场景超像素高维外观特征之间的欧氏距离，找出12个最近邻点组成的邻域点集P′_i，使用(5)中b的方法获取这12个近邻点关于x′_i的线性重构系数w′_ij，j∈P_i，则该点的主导特征

其中：y′_j为其近距离超像素邻域点的低维主导特征，则远距离场景的低维主导特征集为

(7)分类器训练：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。

所述的Adaboost分类器训练，具体是：针对近距离场景区域超像素低维主导特征的每一维，均独立训练一个弱分类器，并利用训练过程中所得到的加权系数将弱分类器输出进行组合，作为Adaboost分类器。

本实施例中每帧图像的训练样本平均为170个，其中：障碍为62项，平面为108项，障碍的训练系数是

平面的训练系数是

训练迭代次数为30。

(8)远距离场景地形类别判定：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。

图3(a)、图3(d)、图3(g)分别为三幅场景原图，图3(b)、图3(e)、图3(h)分别为图3(a)、图3(d)、图3(g)的人工标记示意图，而图3(c)、图3(f)、图3(i)则分别为图3(a)、图3(d)、图3(g)的远距离障碍检测结果示意图。图3(c)、图3(f)和图3(i)中的白色为障碍空间，黑色为自由空间。

图4为不同检测方法对同一数据集的检测误差比较，其中数据集来自美国科罗拉多大学的室外机器人导航实验，Best-K Ensemble方法为美国科罗拉多大学实验的最好结果；SMINE为美国科罗拉多大学实验的基准检测方法；Adbst(SLLE)方法为实施例方法；Adbst为未进行降维，直接对原数据采用Adaboost方法的检测结果；1-NN为最近邻检测方法；而1-NN(SLLE)在1-NN基础上融合了在线主导特征提取策略。从图4中可以看出，本实施例的检测方法比Best-KEnsemble方法的RMSE误差下降了0.046(0.01的RMSE误差开始有统计意义)。

Claims (3)

1.一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；

所述的地平面拟合处理，具体指：在第一步得到的视差图中拟合地平面，得到近距离区域场景中每个像素的高程值H，判断每个像素高程值H与高程预定阈值H_threshold的相对大小，当H＜H_threshold时，则判断该像素地形类别为自由空间；当H≥H_threshold时，则判断该像素地形类别为障碍空间，从而得到近距离区域场景中每个像素所属的地形类别；

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；

所述的有监督局部线性嵌入处理，具体是：

1)、得到近距离场景每两个超像素间的高维外观特征向量间的欧式距离，将其中距离每个超像素最近的p个其它超像素作为该超像素的邻域；

2)、得到每两个超像素间的线性重构系数w_ij，这些线性重构系数构成该超像素的线性重构矩阵W，进而由M＝(I-W)^T(I-W)得到特征矩阵M；

3)、提取特征矩阵M的特征值和特征向量，其中除最小的特征值外的特征值所对应的特征向量就是该近距离场景超像素的低维主导特征；

所述的线性重构系数，具体是：

其中：

x_k、x_l、x_m都是x_i的邻域，w_ij是第i个超像素和第j个超像素间的线性重构系数，x_k、x_l、x_m、x_i分别是第k个超像素的高维外观特征、第l个超像素的高维外观特征、第m个超像素的高维外观特征和第i个超像素的高维外观特征；

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；

所述的加权和处理，具体是：

1)、得到远距离场景超像素与近距离场景超像素之间的高维外观特征向量间的欧式距离，将其中距离每个远距离场景超像素最近的q个近距离场景超像素作为该超像素的邻域；

2)、得到每个远距离场景超像素与其邻域的近距离场景超像素间的线性重构系数，

3)、将每个远距离场景超像素与其邻域的近距离场景超像素间的线性重构系数与对应的近距离场景超像素的低维主导特征向量进行加权求和，从而得到远距离场景中该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；

所述的Adaboost分类器训练，具体是：将近距离场景区域超像素的低维主导特征的每一维都训练成一个弱分类器，并利用训练过程中所得到的加权系数将弱分类器输出进行组合，作为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。

2.根据权利要求要求1所述的远距离障碍的自适应检测方法，其特征是，第二步中所述的超像素分割处理，具体是：计算区域内相邻像素的特征距离，将特征距离小于距离阈值的两像素归入同一超像素，最后将包含像素个数小于或者等于像素个数阈值的超像素归入邻近的包含像素个数大于像素个数阈值的超像素，从而将远距离场景区域和近距离场景区域分别划分为若干超像素，每个超像素由若干相连的像素组成。

3.根据权利要求要求1所述的远距离障碍的自适应检测方法，其特征是，第三步中所述的高维外观特征提取包括：颜色特征提取和纹理特征提取，其中：颜色特征提取是将超像素的RGB空间转换为HSL空间、Lab空间、c空间、l空间以及m空间；纹理特征提取是由Gabor函数对原始图像进行卷积得到的。

Images