車載環境下實時行人檢測模型的構建研究

張舜堯

摘 要 近些年，車載環境下的實時行人檢測技術獲得了廣泛的關注，是智能車輛領域及計算機視覺的一個重要研究方向。基于側面行人特征的實時行人檢測預警系統的提出，是針對重特大交通事故中的行人保護問題。預警模塊及檢測模塊構成了系統，檢測模塊通過側面行人樣本庫完成行人特征的提取及檢測，得到一個具有低誤檢率及高檢測率的結果，同時應用快速窗口掃描算法及窗口拆分法提升檢測效率。文章針對車載環境下實時行人檢測模型的構建進行研究。

關鍵詞 行人檢測技術；車載化境；模型構建

中圖分類號 TP3 文獻標識碼 A 文章編號 1674-6708（2017）181-0031-02

通過利用計算機視覺相關技術，判斷視頻中是否存在行人，分析架設在車輛上的攝像機得到的視頻，假設存在行人給出其確切的位置，這就是車載視覺系統中的行人檢測。作為智能車輛的重要組成部分，車載行人檢測系統可以保證行人的生命財產安全，有效提升駕駛安全性，近些年長期受到了業界的重視程度。通過著裝、尺度、視角、遮擋、姿態等，在車載環境下的實時行人檢測技術，有一些常見的外觀差異問題存在于一般人體檢測中。也具有一些攝像機的自身運動考慮、檢測要求實時、光線變化要求魯棒的難點，這是自身所特有的。

對象識別及感興趣區域分割這兩大模塊，存在實時性及魯棒性的雙重要求，一般都包含在現有車載環境下的實時行人檢測系統之中。

1 車載環境下實時行人檢測模型的構建

算法是行人檢測預警系統的核心，特征分析法及模型匹配法是行人檢測算法通常所包含的兩種方法。實用性不強，作為獨立的行人檢測技術，相比較而言，基于特征的行人檢測算法因其自身所具有的優勢特色，是當前主要的研究方向。本文模型引入了一種窗口拆分法和引進的上下文掃描算子，使現有的行人算法應用于車載設備成為可能，使原本耗時的算法在車載嵌入式系統上具有可以滿足實時性要求的應用效率。驗證過程及檢測過程是算法所包含的兩個過程。

1.1 行人檢測

1.3 行人驗證

之前的研究是行人檢測中使用最廣泛的特征之一，已經成功的用HOG特征來進行物體檢測與識別。但是使用HOG特征只是在對誤報進行篩選，對整幀圖像進行計算是非常耗時的，HOG特征的運算時間就明顯的降低，僅僅是有限的一些窗口需要驗證，是分類檢驗階段。使用SVM分類器及HOG特征驗證之前得到的可能行人區域。在計算每一個窗口的HOG特征之前，需要先重新將感興趣區域的窗口轉換成為64Pixel×128Pixel。使用已離線訓練好的線性SVM分類器進行檢測前，先將計算完成一個3780維度的特征向量來描述窗口，從而對非行人及行人進行區分，此過程可以減少誤報。

1.4 分類器及樣本庫

現有的公開樣本庫，不適用針對側面行人的檢測進行訓練，盡管在各自不同的研究方向上表現出了良好的性能。橫過街道的行人，是行人檢測預警系統的主要應用對象，所以文章采集了側面行人的樣本庫，使用車載設備在城市街道。此樣本庫就為實時性的提升簡化了條件，是因為場景針對性強，算法的復雜程度相對較小。首先使用基于AdaBoost及Viola方法來完成訓練，是因為需要訓練AdaBoost及SVM兩類不同的分類器。使用了n個20Pixel×40Pixel的正樣本的，是在側面行人整體樣本的訓練中，為訓練一個級聯分類器，x個不小于正樣本大小的負樣本。應用LIBLINEAR工具，訓練線性SVM分類器，使用了19 587個負樣本及5 189個64Pixel×128Pixel的正樣本完成訓練。

2 結論

可以滿足實時性的要求，需借助窗口拆分法及OCS得到的行人檢測系統。在使用了窗口拆分法及OCS之后，促使行人檢測算法在車載實時系統中的應用成為可能，保持了相同級別準確率。未來應當改進快速檢測算法的準確率及效率，繼續深入研究針對不同工況下的側面行人的檢測，要和已有的疲勞駕駛系統整合，要在未來的應用中完成車道變線預警的判斷功能，形成一個功能更加完備的車載主動安全輔助系統。

參考文獻

[1]郭愛英，徐美華，冉峰，等.基于CS-SD的車載環境下實時行人檢測模型[J].交通運輸工程學報，2016（6）：132-139.

[2]王國華，劉瓊，莊家俊.基于局部特征的車載紅外行人檢測方法研究[J].電子學報，2015（7）：1444-1448.

[3]肖德貴，辛晨，張婷，等.顯著性紋理結構特征及車載環境下的行人檢測[J].軟件學報，2014（3）：675-689.

[4]覃劍，王美華.采用在線高斯模型的行人檢測候選框快速生成方法[J].光學學報，2016（11）：169-179.