行人识别技术.pdf

⾏⾏⼈⼈识识别别技技术术

⾏⾏⼈⼈识识别别技技术术

⾏⼈识别技术是智能⽹联汽车先进驾驶辅助系统的重要组成部分。⾏⼈是道路通的主体和主要参与者，由于其⾏为具有

⾮常⼤的随意性，再加上驾驶员在车内视野变窄以及长时间驾驶导致的视觉疲劳，使得⾏⼈在通事故中很容易受到伤害。⾏

⼈识别技术能够及时准确地检测出车辆前⽅的⾏⼈，并根据不同危险级别提供不同的预警提⽰（如距离车辆越近的⾏⼈危险级

别越⾼，提⽰⾳也应越急促），以保证驾驶员具有⾜够的反应时间，能够极⼤地降低甚⾄避免撞⼈事故的发⽣。

⼀.⾏⼈检测类型

⾏⼈检测技术是利⽤安装在车辆前⽅的视觉传感器（摄像头）采集前⽅场景的图像信息，通过⼀系列复杂的算法分析处理

这些图像信息实现对⾏⼈的检测。根据所采⽤摄像头的不同，⼜可以将基于视觉的⾏⼈检测⽅法分为可见光⾏⼈的检测和

红外⾏⼈检测。

1）可见光⾏⼈检测可见光⾏⼈检测采⽤的视觉传感器为普通光学摄像头，由于普通摄像头基于可见光进⾏成像，⾮常符

合⼈的正常视觉习惯，并且硬件成本⾮常低廉；但是受到光照条件的限制，该⽅法只能应⽤在⽩天，在光照条件很差的阴⾬天

或夜间则⽆法使⽤。

2）红外⾏⼈检测红外⾏⼈检测采⽤红外热成像摄像头，利⽤物体发出的热红外线进⾏成像，不依赖于光照，具有很好的

夜视功能，在⽩天和晚上都适⽤。尤其在夜间以及光线较差的阴⾬天具有⽆可替代的优势。红外⾏⼈检测相⽐可见光⾏⼈

检测的主要优势包括：红外摄像头靠感知物体发出的红外线（与温度成正⽐）进⾏成像，与可见光光照条件⽆关，对于夜

间场景中的发热物体检测有明显的优势；⾏⼈属于恒温动物，温度⼀般会⾼于周围背景很多，在红外图像中表现为⾏⼈相

对于背景明亮突出；由于红外成像不能依赖于光照条件，对光照明暗、物体颜⾊变化以及纹理和阴影⼲扰不敏感。随着红

外成像技术的不断发展，红外摄像头的硬件成本也在慢慢降低，由原来的军事应⽤慢慢开始转向民事应⽤。

⼆.⾏⼈识别特征

⾏⼈识别特征就是利⽤数学⽅法和图像技术从原始的灰度图像或者彩⾊图像提取表征⼈体信息的特征，它伴随着分类器训

练和识别的全过程，直接关系到⾏⼈识别系统的性能，因此⾏⼈识别特征提取是⾏⼈识别的关键技术。在实际环境中，由

于星⼈⾃⾝的姿态不同、服饰各异和背景复杂等因素的影响，使得⾏⼈特征提取⽐较困难，因此选取的⾏⼈特征要鲁棒性

⽐较好。⽬前⾏⼈识别主要有HOG特征、Haar特征、Edgelet特征和颜⾊特征等。

1.HOG特征

HOG特征的主要思想是⽤局部梯度⼤⼩和梯度⽅向的分布来描述对象的局部外观和外形，⽽梯度和边缘的确切位置不需

要知道。

锑度⽅向直⽅图描述符⼀般有三种不同形式，都是基于密集型的⽹格单元，⽤图像锑度⽅向的信息代表局部的形状信息。

2.Haar⼩波特征

Haar⼩波特征反应图像局部的灰度值变化，是⿊⾊矩形为⽩⾊矩形在图像⼦窗⼝中对应区域灰度级总和的差值。Haar⼩

波特征计算⽅便且能充分的描述⽬标特征，常与Adaboost级联分类器结合，识别⾏⼈⽬标。

常⽤的Haar⼩波特征主要分为⼋种线性特征、四种边缘特征、两种圆⼼环特征和⼀种特定⽅向特征。

可以看出，Haar⼩波特征都是由2-4个⽩⾊和⿊⾊的矩形框组成。由该特征定义知，每⼀种特征都是计算⿊⾊填充区域的

像素值之和与⽩⾊填充区域的像素值之和的差值，这种差值就是Haar⼩波特征的特征值。实验表明⼀副很⼩的图像就可以提

取成千上万的⼤量的Haar⼩波特征，这样就给算法带来了巨⼤的计算量，严重降低了检测Haar和分类器的训练速度，为了解

决这些问题，可以在特征提取中引⼊积分图的概念，并应⽤到实际的对象检测框架中。

3.Edgelet特征

Edgelet特征描述的是⼈体的局部轮廓特征，该特征不需要⼈⼯标注，从⽽避免了重复计算相似的模板，降低了计算的复

杂度，由于是对局部特征的检测，该算法能较好地处理⾏⼈之间的遮挡问题，对复杂环境多个⾏⼈相互遮挡的检测效果明

显优于其他特征。

每⼀个Edgelet特征就是⼀条由边缘线组成且包含⼀定形状与位置信息的⼩边，主要有直线型、弧形核对称型三种形式

的Edgelet特征，该⽅法是通过Adaboost算法筛选出⼀组能⼒强的Edgelet特征进⾏学习训练，便能识别⾏⼈的各个部位，如

头、肩、躯⼲和腿，最后分析各个局部特征相互之间的