道路区域的准确感知是智能移动机器人进行室外工作非常重要的前提条件之一。一般来说,道路可分为结构化和非结构化两种。由于前者具有清晰的边缘信息和人造车道标记等原因,用于检测结构化道路的算法取得了不错的进展,然而这些方法在非结构化道路的检测上并不适用。这主要是因为非结构化道路具有以下特点:如模糊的道路边界,各种道路类型,粗糙的路面和成像条件(不断变化的照明和天气条件能够使相同的场景变成各种不同的颜色和纹理信息)等,这些原因使得非结构化道路的检测具有更大的难度和更高的挑战。针对上述问题,本文提出了一种基于在线学习的室外道路检测方法。要完成复杂场景下的道路检测任务,关键是要设计一个能够适应道路多变的学习算法,本文所提出算法生成的在线分类器能够适应道路的变化,在路况发生变化的时候能够及时地更新分类器的训练样本从保证了分类器的适应性。本方法的核心思想是通过构建一个离线的道路样本集,在道路检测的过程中计算相邻图像的相似度,根据相似度计算结果判断是否更新在线样本池中的正样本,其中在线样本池是用来训练每次更新的分类器,正样本更新来源就是所构建的离线道路样本集。为了保证算法的准确率和实效性,本文中采用了Adaboost集成学习算法,弱分类器选用的为朴素贝叶斯分类器,相似度计算部分用到的是基于颜色直方图的巴氏距离相似度计算方法。本文通过实验室自己构建的DLUT图像数据集和Sowerby公共图像数据集对算法进行了实验验证,实验结果和数据表明本文所提出的算法有很高的检测精度和实用性。考虑到大多数的移动机器人都配备激光传感器,为了进一步提高道路检测精度,同时让道路检测结果直接用于指导移动机器人的行驶,因此尝试着将视觉数据和激光数据标定到一起,这样空间上一点不仅具有图像特征还具有点云特征。将两种特征融和起来用于分类器的训练,道路样本和非道路样本特征表述就更加丰富因此更容易区分。最后还可以将道路检测结果直接映射到三维激光数据上,从而实现了移动机器人室外道路检测与导航的有效结合。