基于視覺的車載行人檢測保護相關技術

張天云

為提高城市交通環境下車輛的主動安全性，減少交通事故，保障行人的安全，很多國內外的科研院機構都對行人保護技術進行了研究，意在開發出一種車載行人保護系統，就是利用安裝在車輛上的攝像機檢測出行人，從而預測出潛在的危險以便采取相應策略保護行人。其中涉及到的相關技術包括行人的目標分割、特征提取等。

【關鍵詞】行人檢測 目標分割 特征提取

行人是城市交通的主要參與者，保障行人的安全也就成為了建設城市交通系統的首要目標。車載行人保護系統就是要利用安裝在車輛上的攝像機獲取車輛前方的視頻信息，然后從拍攝到的視頻畫面中檢測出行人的準確位置，預測出潛在危險，發出相應的預警信息或是采取相應保護措施，其核心技術是行人檢測，即在運動攝像機下快速而準確地檢測出行人。

1 行人檢測中存在的難點

行人檢測就是把車載攝像機拍攝的視頻畫面中出現的行人從背景中分割出來，并進行精確定位。在目前的視覺領域當中，行人檢測面臨以下難點：

1.1 行人出現背景的多樣性

行人出現的場景具有多樣性，有的雜亂無章，有的光線昏暗，而且行人與行人、行人與環境之間還會相互遮擋，這都給行人特征提取帶來很大干擾。

1.2 行人的靈活性

行人有不同的姿態，可能在行走，也可能站著不動，還有可能隨時改變運動方向，這樣在檢測行人的時候只使用一種模型或一個特征就遠遠不夠。

1.3 行人服飾的多樣性

由于行人服飾在顏色和款式上多種多樣，這就給使用顏色特征分類技術進行行人檢測帶來諸多困難。

1.4 運動的環境

車載行人檢測系統是隨著車輛一起移動的，拍攝到的視頻背景也就跟著隨時改變，這也就加大了行人檢測的難度。

2 行人檢測的相關技術

目前進行行人檢測的技術一般分為基于視頻和基于圖像兩個方向，行人檢測系統一般包括傳感器、目標分割、特征提取、分類檢測等模塊。首先通過傳感器獲得車輛前方的圖像信息，并對這些信息做預處理（如降噪、增強等）；然后用圖像分割、模型提取等一些圖像處理技術在獲得的圖像中選取一些感興趣的區域（Regions of Interest），即行人的候選區域，再應用分類等技術判斷候選區域中是否包含行人；最后對含有行人的區域進行跟蹤，得到行人的運動軌跡，并判斷行人是否會和車輛發生碰撞，對可能發生碰撞的情況進行報警或者進行一些避免碰撞的操作。

2.1 傳感器

傳感器用來捕獲行人及其所處環境的信息，一個高性能的傳感器能及時、準確、可靠地獲取行人和環境信息。目前用于行人檢測技術的傳感器主要有機器視覺（立體視覺、單目視覺）傳感器、紅外成像傳感器、微波雷達傳感器和激光傳感器等， 每種傳感技術都有其各自的特點，都能對車輛周邊環境進行探測， 以獲取行人及其所處環境的信息。

2.2 感興趣區域提取技術

通過傳感器獲得相關視頻和圖像信息后，還需要提取出行人可能存在的區域，也就是感興趣區域。感興趣區域的提取算法有多種，包括基于圖像特征的感興趣區域提取法、閾值分割法，邊緣檢測法等。基于圖像特征的算法又分為：

2.2.1 顏色分割算法

根據行人所特有的一些顏色特征來定位并提取行人可能存在的區域。考慮到行人的服飾顏色千變萬化，只有膚色是相對穩定的，并且目前人臉識別技術已經廣泛用于各類拍照軟件，相對比較成熟，因此可以根據行人的臉和其他裸露的皮膚進行感興趣區域提取。

2.2.2 圖像灰度分割算法

根據行人所處的背景的灰度來剔除背景并提取行人可能存在的區域。大多數情況下，行人所處的環境都是馬路、綠化帶、天空或者路面，這些環境相對于行人的形狀、顏色等特征，灰度值要穩定均勻得多，可以引入基于灰度的圖像分割方法，將行人所處的背景剔除掉，從而提高檢的測速度和精度。

2.3 行人特征提取算法

行人特征一般有物理特征和抽象特征。其中物理特征就是肉眼可以觀察到的行人外觀所表現出來的特征，分為外形特征（行人的形狀、尺寸、膚色等）和運動特征（行人在行走和跑動過程中表現出來的變化和規律）。而抽象特征既可以用來表示外觀特征，也可以描述運動特征。

由于每種特征都有其自身的優點及局限性，只使用一種特征檢測行人時，往往效果不太理想。比如利用外形特征提取的行人信息時，受背景因素影響較大；而利用運動特征，則需要對幀圖形分析處理，且靜止或者運動幅度較小或特征不明顯的行人信息就很難提取。因此，很多研究者將多種特征利用一定的規則融合起來進行行人檢測，實現各種特征的優勢互補，提高了檢測性能。

2.4 行人分類算法

在進行行人檢測時，實時性至關重要，如果不能及時有效的檢測出行人，做出相應判斷及措施，行人檢測系統將失去意義，因此，行人檢測所選擇的方法要求迅速和準確。比起模板匹配方法和場景3D建模方法，分類檢測方法無論是速度還是性能，效果都好很多，因此在進行行人檢測時大多都選擇分類算法。目前常用的行人檢測分類器主要有各種類型的神經網絡、支持向量機（Support Vector Machine）以及其他基于統計的學習分類器（如Adaboost、串聯分類器）等。不同的分類器代表了不同的分類思想，但其最終目的都是為了將待測圖像中的行人提取出來，都需要解決如下問題：

（1）行人檢測要求有較高的實時性，而待檢圖像中需要分析的區域數量比較大，這就要求分類器有較快的檢測速度。

（2）相對于所處的環境，行人在實際檢測場景中只占很小的比例。

（3）行人檢測系統除要求有較快的檢測速度外，還要有較高的準確率，誤報率和漏報率都不宜過高。

每種分類器都有其自身的優勢，同時也存在著不足，問題的關鍵不在于選擇哪種分類器，而是要充分理解各種分類器算法的設計思想，提取各種分類器技術中的優勢部分進行融合，對分類算法進行優化，提高檢測的準確率和速率，實現最佳的行人檢測效果。

3 總結展望

由于行人檢測問題其自身的難點所在，目前行人檢測算法的速率和準確率都還達不到實際應用的要求，但相信隨著計算機科學技術的發展，算法的不斷改進，檢測技術的不斷提升，識別和檢測的精度會越來越高，處理的速度也會越來越快，一個能夠實時有效地檢測出車輛前方行人并做出預警處理的車載行人檢測系統將會真正成為可商用的智能交通中的重要一員。

參考文獻

[1]許言午，曹先彬，喬紅.行人檢測系統研究新進展及關鍵技術展望[J].電子學報，2008，36（05）：962-968.

[2]郭烈.基于單目視覺的車輛前方行人檢測技術研究.吉林大學博士學位論文，2007.

作者單位

廈門軟件職業技術學院 福建省廈門市 361024