视频监控与视频第七章特征提取基本特征研究.ppt

7-3 在下图所示的图像子集中，按8邻域概念，红色标记的数字是否连通？图像子集S中是否存在孔？ 1 1 0 0 0 1 0 0 0 0 0 1 1 0 0 0 1 0 1 0 0 0 1 1 1 作业 7-4 试用Robert算子和拉普拉斯算子检测下面图像的边缘 4 4 4 4 4 4 4 4 0 0 4 4 4 4 4 4 4 4 0 0 4 4 5 5 5 5 5 4 0 0 4 4 5 6 6 6 5 4 0 0 4 4 5 6 7 6 5 4 0 0 4 4 5 6 6 6 5 4 0 0 4 4 5 5 5 5 5 4 0 0 4 4 4 4 4 4 4 4 0 0 4 4 4 4 4 4 4 4 0 0 4 4 4 4 4 4 4 4 0 0 作业 * * 行人检测特征综述 智能汽车主动安全技术研发趋势 随着技术发展，智能汽车包括自动驾驶汽车成为各国争取技术制高点的核心技术领域，岂能汽车中具备事前预防的“主动安全”是智能汽车技术中的核心，图像传感器作为智能汽车中的核心部件，被越来越多基于图像的现有的汽车智能系统上，图1显示了基于计算机视觉技术的车载主动安全系统中，各种可能的图像传感器安装位置，分别对应于不同的安全子系统。 行人防碰撞系统(Pedestrian Warning and Protection System/ Collision Avoidance System) 行人防碰撞系统利用图像处理技术有效识别行人，利用汽车的速度、方向盘角度及横摆角速度等信号，通过一套演算方法的开发来估计车辆和行人的移动路径，依据危险状况进行提前预警，从而规避碰撞事故。 智能气囊系统(Smart Airbags) 智能气囊系统在碰撞发生时，根据人所在的位置确定是否完全展开安全气囊，根据图像算法判定身体和头部位置，确定展开气囊的强度和力度，做出及时相应和判断。 盲点检测系统(Blind-spot Monitor) 盲点检测系统直接把摄像头安装在汽车周边，为驾驶者提供视线盲点的图像信息，在转弯、泊位或倒车时可以提醒司机注意盲区的动态或静态障碍，防止碰撞及其它意外情况发生。 疲劳驾驶检测系统(Drowsy Driving Detection System) 疲劳驾驶检测系统通过对人眼的开合程度以及频率进行分析，实现对驾驶者疲劳状态的判断 车道偏离预警系统(Lane Departure Warning System) 车道偏离系统可以对危险的换道行为进行预警；当驾驶者长时间在车道安全范围之外时，也可以间接提醒驾驶者处于危险状态。 实例： 图 1 丰田安全驾驶辅助系统 图 2 奥迪的安全驾驶辅助安全系统 图 3 宝马安全驾驶辅助系统 行人检测 行人检测（Pedestrian Detection)?指从输入的图像或视频帧中判断是否包含行人。行人检测兼具刚性和柔性物体的特征，外形容易发生改变，如穿着，遮挡物，姿态，视角等影响。 行人检测技术分为两块： 特征提取，分类与定位 行人检测流程 行人检测常用特征 Haar特征 Haar特征是对物体灰度信息进行描述物体的特性的特征。每个模板的特征值就是对应的白色区域灰度值的和减去黑色区域灰度值的和，他表征的是图像中灰度信息的变化。Haar特征在人脸检测中常常用到， Haar特征是由一系列模板组成的，如下图所示。人眼部分的灰度值偏小，就可以用一种Haar特征表征；人的鼻子的地方会偏亮，也可以用另一种Haar特征来表征。 Haar特征 HOG--Histogram of oriented gradient Dalal等受到SIFT特征启发，提出了梯度方向直方图HOG特征。 HOG特征是目前行人检测中最为成功的特征之一，这种特征对光照的变化，复杂的背景和行人多种姿势有较好的容错率，在行人检测中鲁棒性很好 颜色归一化 这种处理方式的作用是可以减少因光照、局部明暗变化、角度等因素带来的影响，调节图像的对比度、抑制噪音的干扰。 计算方法： gamma标准化，如公式所示，Ic(u,v)代表的是c通道（可以是RGB颜色空间的某个通道，也可以是灰度空间的单通道）像素点(u,v)的值。 (1) 计算图像梯度 计算图像梯度是计算HOG特征的重要基础步骤，在这一步中的作用主要是能够获取图像的轮廓信息。Dalal在他的文章试验了用一维模板 [-1,1]、[-1,0,1]、[1,-8,0,8,-1]、2?2对角矩阵模板、Sobel算子模板等进行计