車載環(huán)境下實(shí)時(shí)行人檢測(cè)模型的構(gòu)建研究

張舜堯

摘 要 近些年，車載環(huán)境下的實(shí)時(shí)行人檢測(cè)技術(shù)獲得了廣泛的關(guān)注，是智能車輛領(lǐng)域及計(jì)算機(jī)視覺的一個(gè)重要研究方向。基于側(cè)面行人特征的實(shí)時(shí)行人檢測(cè)預(yù)警系統(tǒng)的提出，是針對(duì)重特大交通事故中的行人保護(hù)問題。預(yù)警模塊及檢測(cè)模塊構(gòu)成了系統(tǒng)，檢測(cè)模塊通過側(cè)面行人樣本庫(kù)完成行人特征的提取及檢測(cè)，得到一個(gè)具有低誤檢率及高檢測(cè)率的結(jié)果，同時(shí)應(yīng)用快速窗口掃描算法及窗口拆分法提升檢測(cè)效率。文章針對(duì)車載環(huán)境下實(shí)時(shí)行人檢測(cè)模型的構(gòu)建進(jìn)行研究。

關(guān)鍵詞 行人檢測(cè)技術(shù)；車載化境；模型構(gòu)建

中圖分類號(hào) TP3 文獻(xiàn)標(biāo)識(shí)碼 A 文章編號(hào) 1674-6708（2017）181-0031-02

通過利用計(jì)算機(jī)視覺相關(guān)技術(shù)，判斷視頻中是否存在行人，分析架設(shè)在車輛上的攝像機(jī)得到的視頻，假設(shè)存在行人給出其確切的位置，這就是車載視覺系統(tǒng)中的行人檢測(cè)。作為智能車輛的重要組成部分，車載行人檢測(cè)系統(tǒng)可以保證行人的生命財(cái)產(chǎn)安全，有效提升駕駛安全性，近些年長(zhǎng)期受到了業(yè)界的重視程度。通過著裝、尺度、視角、遮擋、姿態(tài)等，在車載環(huán)境下的實(shí)時(shí)行人檢測(cè)技術(shù)，有一些常見的外觀差異問題存在于一般人體檢測(cè)中。也具有一些攝像機(jī)的自身運(yùn)動(dòng)考慮、檢測(cè)要求實(shí)時(shí)、光線變化要求魯棒的難點(diǎn)，這是自身所特有的。

對(duì)象識(shí)別及感興趣區(qū)域分割這兩大模塊，存在實(shí)時(shí)性及魯棒性的雙重要求，一般都包含在現(xiàn)有車載環(huán)境下的實(shí)時(shí)行人檢測(cè)系統(tǒng)之中。

1 車載環(huán)境下實(shí)時(shí)行人檢測(cè)模型的構(gòu)建

算法是行人檢測(cè)預(yù)警系統(tǒng)的核心，特征分析法及模型匹配法是行人檢測(cè)算法通常所包含的兩種方法。實(shí)用性不強(qiáng)，作為獨(dú)立的行人檢測(cè)技術(shù)，相比較而言，基于特征的行人檢測(cè)算法因其自身所具有的優(yōu)勢(shì)特色，是當(dāng)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(jìn)的上下文掃描算子，使現(xiàn)有的行人算法應(yīng)用于車載設(shè)備成為可能，使原本耗時(shí)的算法在車載嵌入式系統(tǒng)上具有可以滿足實(shí)時(shí)性要求的應(yīng)用效率。驗(yàn)證過程及檢測(cè)過程是算法所包含的兩個(gè)過程。

1.1 行人檢測(cè)

1.3 行人驗(yàn)證

之前的研究是行人檢測(cè)中使用最廣泛的特征之一，已經(jīng)成功的用HOG特征來進(jìn)行物體檢測(cè)與識(shí)別。但是使用HOG特征只是在對(duì)誤報(bào)進(jìn)行篩選，對(duì)整幀圖像進(jìn)行計(jì)算是非常耗時(shí)的，HOG特征的運(yùn)算時(shí)間就明顯的降低，僅僅是有限的一些窗口需要驗(yàn)證，是分類檢驗(yàn)階段。使用SVM分類器及HOG特征驗(yàn)證之前得到的可能行人區(qū)域。在計(jì)算每一個(gè)窗口的HOG特征之前，需要先重新將感興趣區(qū)域的窗口轉(zhuǎn)換成為64Pixel×128Pixel。使用已離線訓(xùn)練好的線性SVM分類器進(jìn)行檢測(cè)前，先將計(jì)算完成一個(gè)3780維度的特征向量來描述窗口，從而對(duì)非行人及行人進(jìn)行區(qū)分，此過程可以減少誤報(bào)。

1.4 分類器及樣本庫(kù)

現(xiàn)有的公開樣本庫(kù)，不適用針對(duì)側(cè)面行人的檢測(cè)進(jìn)行訓(xùn)練，盡管在各自不同的研究方向上表現(xiàn)出了良好的性能。橫過街道的行人，是行人檢測(cè)預(yù)警系統(tǒng)的主要應(yīng)用對(duì)象，所以文章采集了側(cè)面行人的樣本庫(kù)，使用車載設(shè)備在城市街道。此樣本庫(kù)就為實(shí)時(shí)性的提升簡(jiǎn)化了條件，是因?yàn)閳?chǎng)景針對(duì)性強(qiáng)，算法的復(fù)雜程度相對(duì)較小。首先使用基于AdaBoost及Viola方法來完成訓(xùn)練，是因?yàn)樾枰?xùn)練AdaBoost及SVM兩類不同的分類器。使用了n個(gè)20Pixel×40Pixel的正樣本的，是在側(cè)面行人整體樣本的訓(xùn)練中，為訓(xùn)練一個(gè)級(jí)聯(lián)分類器，x個(gè)不小于正樣本大小的負(fù)樣本。應(yīng)用LIBLINEAR工具，訓(xùn)練線性SVM分類器，使用了19 587個(gè)負(fù)樣本及5 189個(gè)64Pixel×128Pixel的正樣本完成訓(xùn)練。

2 結(jié)論

可以滿足實(shí)時(shí)性的要求，需借助窗口拆分法及OCS得到的行人檢測(cè)系統(tǒng)。在使用了窗口拆分法及OCS之后，促使行人檢測(cè)算法在車載實(shí)時(shí)系統(tǒng)中的應(yīng)用成為可能，保持了相同級(jí)別準(zhǔn)確率。未來應(yīng)當(dāng)改進(jìn)快速檢測(cè)算法的準(zhǔn)確率及效率，繼續(xù)深入研究針對(duì)不同工況下的側(cè)面行人的檢測(cè)，要和已有的疲勞駕駛系統(tǒng)整合，要在未來的應(yīng)用中完成車道變線預(yù)警的判斷功能，形成一個(gè)功能更加完備的車載主動(dòng)安全輔助系統(tǒng)。

參考文獻(xiàn)

[1]郭愛英，徐美華，冉峰，等.基于CS-SD的車載環(huán)境下實(shí)時(shí)行人檢測(cè)模型[J].交通運(yùn)輸工程學(xué)報(bào)，2016（6）：132-139.

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

[3]肖德貴，辛晨，張婷，等.顯著性紋理結(jié)構(gòu)特征及車載環(huán)境下的行人檢測(cè)[J].軟件學(xué)報(bào)，2014（3）：675-689.

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