基于車载视觉的行人检测与跟踪方法.docVIP

基于车载视觉的行人检测与跟踪方法[图] ( 2012/3/30 10:08 ) 随着汽车保有量的不断增加，道路交通事故和因车祸伤亡的人数居高不下。为满足人们对汽车安全性能要求的日益提高，越来越多的先进技术被应用到汽车主动安全领域。在道路交通事故中，主要的受害群体是参与交通系统中的行人和骑自行车的人等。据美国高速公路安全管理局（NHTSA）的资料显示，2008 年美国由于交通事故导致69 000 个行人死亡或者受伤、4 378 个行人死亡，行人死亡人数占全年交通事故死亡总人数的11.7%。2007年我国因交通事故导致行人死亡的人数为21 106 人，占交通事故死亡总人数的25. 9%,行人受伤人数为70 838 人，占交通事故受伤总人数的18.6%. 与一些发达国家相比，由于我国的交通模式主要是混合交通模式，导致交通事故死亡原因和伤害模式与发达国家不同。 近年来，为保障行人安全、提高汽车主动安全性能，国内外一些科研院所对行人保护技术进行了研究探讨，在不断完善汽车被动安全系统的同时，逐渐发展和应用主动安全系统，结合行人保护概念和技术的引入，完善对行人的保护。如Bajracharya等建立了双目视觉行人保护集成系统，实现道路交通场景下40 m 距离范围内行人的检测与跟踪。 Munder 等融合行人的点分布形状模型和纹理特征建立了行人识别分类器，采用基于粒子滤波的贝叶斯方法实现行人的跟踪。德国Enzweiler 等分别针对统计学习中的小波特征、线性支持向量机以及神经网络的方法进行比较分析，通过设计不同尺度的分类器来检测图像中的行人。清华大学的江帆等提出一种基于模型融合的行人跟踪算法，结合离线学习和在线互学习对模型进行更新。中国科学技术大学程有龙等将行人检测的先验知识融入到跟踪模型自学习过程中，对被跟踪行人进行动态建模，从而实现在真实监控场合下跟踪具有复杂运动的行人。多传感器信息融合以及行人模型的建立要求较大的计算量和计算参数，很难满足类似车辆主动安全预警等系统实时性要求。本文采用车载单目视觉传感器，利用训练得到的行人识别级联分类器实时获取车辆前方的行人，并对其进行跟踪以记录其运动轨迹，从而为驾驶员和行人的有效预警提供技术参考。 　　1 基于Adaboost 算法的行人检测 1. 1 Adaboost 算法原理 Adaboost 算法通过训练得到由分类能力一般的弱分类器叠加而成的强分类器，再将若干个强分类器串连成一个级联分类器来遍历图像。为快速实现行人的检测和防撞预警，鉴于Adaboost 算法的特点，本文选择离散Adaboost 算法训练得到识别行人的级联分类器，以快速排除图像中大部分非行人窗口，其结构如图1 所示。其中，各阶段的强分类器训练过程如图2 所示。 图1 N 阶级联分类器结构示意 图2 离散Adaboost 训练算法 从其训练过程可知，该算法主要通过调整训练样本的权重，强化对错误分类样本的训练，最后通过权重组合级联所有的弱分类器形成强分类器。 1. 2 样本的离线训练与行人的在线检测 本文采用Adaboost 算法训练得到识别行人的级联分类器，通过程序加载分类器实现行人的在线检测，检测流程如图3 所示。 样本的离线训练模块主要是为了获得识别行人的级联分类器，具体过程如下所示。 （1）样本获取及预处理：行人样本通过离线手动分割的车辆前方不同距离、不同走向、不同衣着和尺寸的行人图像，统一缩放为16 × 32 像素的尺寸； 非行人样本是从不含行人的背景图像中分割得到的。为减小训练样本的类内差异，降低光照不同对训练结果的影响，采用直方图均衡化方法对样本进行预处理。本文选择的训练样本共3 060 幅，其中行人样本2 100 幅，非行人样本960 幅； （2）样本特征提取：选用P. Viola 等提出的类Haar 特征作为行人检测的特征，该特征主要描述图像模式相邻区域的特征差异，可用积分图快速计算矩形区域的特征值； （3）训练结果：训练得到的级联分类器由20 级强分类器组成，每个强分类器包含了不同个数的弱分类器，每个弱分类器由一个类Haar 特征、阈值和指示不等号方向组成。随着分类器级数的增大，强分类器中所包含弱分类器即类Haar 特征数量也越多。训练得到的前6 级强分类器中所包含的类Haar 特征及其数量见表1 所示。 行人在线检测模块是根据训练得到的分类器对待检图像的各子窗口进行判别，检测结果是一系列的目标矩形，显示行人在图像中的位置，本文通过缩放检测子窗口来遍历待检图像，以分割图像中大小未知的行人目标，具体检测过程如下。 （1）获取大小为320 × 240 像素的待检图像，设置最小检测窗口大小为32 × 64 像素，从图像的左下角开始逐行向右每隔一个像素移动检测窗口，直至达到图像边缘为止； （2）利用训练模块得到