基于HOG+AdaBoost算法的車輛盲區行人檢測方法

關鍵詞：車輛盲區檢測；HOG特征提取算法；AdaBoost算法；行人檢測中圖分類號：U472.9 收稿日期：2025-04-18 DOI： 10.19999/j.cnki.1004-0226.2025.08.008

Vehicle Blind Spot Pedestrian Detection System Based on HOG + AdaBoost Algorithm

Meng TiancilGong Baichuan2

1.School of Electronic and Information Enginering，Huaibei Institute of Technology，Huaibei 235ooo，China ！.Schoolof Electromechonical Engineering and Architecture，Huaibei Instituteof Technology，Huaibei 235oo，China

Abstract：Aimingatthproblemoffrequentraficaccidentscausedbyvehicleblindspots，thispaperproposesapedestriandetec tion method in vehicle blind spots based on HOG+ AdaBoost algorithm.Firstly，the HOG feature extraction algorithm is used to extract pedestrianfeaturesandvehiclefeatures.AndthenthesamplesaeclasifiedndtraiedbyAdaBostalgorithm.Tusefectivelydistinguishthehumanobjectfromthevehiclebackgroundarea.Theexperimentalrsultsshowthattheproposedalgorithmhashigherdetectionaccuracythantheexistingalgorithms，andeectivelyreducestheriskofblindareaacidentsduringlanechangeandtuing.

Keywords：Vehicleblindspotdetection;HOG featureextractionalgorithm;AdaBoostalgorithm;Pedestriandetection

1前言

隨著汽車普及率的提高，交通事故的發生率也越來越高。然而在眾多交通事故中，車輛盲區事故是最常見的一種[1]。受限于傳統后視鏡的物理視角，車輛在右轉及變道場景中，由于駕駛員很難應對車輛周邊突然出現的行人、非機動車等動態目標，因此交通危險極易發生。針對上述問題，文獻[2]提出了基于傳感器融合的盲區監測系統，通過采用毫米波雷達和攝像頭對車輛盲區進行監測，提升了目標檢測的精度，但該系統成本較高并且在雨霧天氣存在性能衰減的問題。文獻[3提出了基于純視覺的盲區監測系統，采用基于方向梯度直方圖（HistogramofOrientedGradient，HOG）特征提取算法與支持向量機（SupportVectorMachine，SVM）算法對盲區行進行人檢測，一定程度上提升了目標檢測的準確率，但該系統參數量較大，難以在車載平臺實現實時處理。文獻[4]提出了基于YOLOv5算法的行人檢測系統，通過深度學習的方法對車輛周邊的人體進行檢測，進一步改善了目標檢測的準確率，但該算法存在目標檢測不全面的情況，主要是針對較小目標存在漏檢或誤檢。

本文結合當前算法的優點，提出了基于HOG特征提取算法與自適應增強（Adaptive Boosting，AdaBoost）算法相結合的車輛盲區行人檢測方法，首先利用HOG特征提取算法提取行人特征和車輛特征，然后通過Ada-Boost算法對樣本進行分類訓練，從而有效區分人體目標與車輛背景區。實驗結果表明，所提算法相比于現有的算法有著更高的檢測準確率，有效降低了車輛變道及轉彎過程中的盲區事故風險。

2基于HOG和AdaBoost算法的行人檢測模型

針對車輛盲區行人檢測問題，本文首先利用HOG特征提取算法提取行人特征和車輛特征，然后通過AdaBoost算法對樣本進行分類訓練，從而對車輛盲區行人進行有效檢測。

2.1HOG 特征提取算法

HOG特征提取算法在行人檢測中具有良好的邊緣特性，該算法主要通過計算局部區域梯度方向分布，有效刻畫行人輪廓特征[5-6]。相較于傳統邊緣檢測算法，HOG算法不僅可以保留空間分布信息，而且對光照變化具有魯棒性，因此非常適用于行人目標的檢測。圖1給出了HOG特征提取算法流程。

首先對圖像進行預處理，主要是因為采集到的行人圖像受環境等因素的影響可能出現漏檢或誤檢的情況。本文將采集到的彩色圖像轉化成灰度圖像，由于轉化后的灰度圖像可能存在亮度不均勻的情況，因此需要通過Gamma校正提高或降低圖像亮度。

本文采用Gamma校正的平方根法：

Y（x，y）=I（x，y）^γ

式中， x 為圖像的長度； y 為圖像的高度； γ 為圖像亮暗程度，本文取 γ=0.5 。

然后分別計算水平方向梯度 G_x（x，y） 和垂直方向梯度 G_y（x，y） ，然后對水平方向梯度和垂直方向梯度的平方和取算術平方根，可得本文算法的梯度算子 θ 為：

G_y（x，y）=I（x+1，ｙ）-I（x-1，ｙ）

G_y（x，y）=I（x，y+1）-I（x，y-1）

接著統計細胞單元直方圖，將圖像劃分為 8×8 細胞 單元，統計9個方向的梯度幅值加權和。最后對 2×2 細胞單元組成的塊進行歸一化處理，收集塊歸一化之后的HOG特征，最終獲取圖像的特征向量。

2.2AdaBoost算法

自適應增強AdaBoost算法是一種典型的迭代類算法，該算法計算流程如圖2所示，主要通過將弱分類器集合成強分類器的訓練思想來進一步提升目標檢測的準確率[7-8]。本文通過HOG特征提取算法提取行人特征和車輛特征后，然后利用AdaBoost算法對樣本進行分類訓練，從而有效區分開人體目標與車輛背景區。

已知HOG特征提取算法收集到的樣本數為 N， 利用AdaBoost算法進一步初始化樣本權值 w_i

w_i^（1）=1/N

然后對權值進行迭代處理，訓練 T 輪弱分類器，已知弱分類器 h_t 在權值分布上的誤差 σ_ι 為：

進而可得弱分類器 h_t 在最終分類器中所占的權重 α_ι 為：

最后按照權重 α_t 對弱分類器進行組合，輸出強分類器 H（x） ：

本文通過強分類器可以有效將人體目標與車輛背景區進行區分，進一步提升了算法的檢測準確率。

3仿真結果分析

本文實驗數據采用Caltech行人檢測公開數據集與自建盲區數據集，其中包含5200張標注圖像，覆蓋了雨霧、夜間弱光、動態模糊等場景。已知測試集上的真陽性率（TruePositiveRate，TPR）與假陽性率（FalsePositiveRate，FPR）為：

使用MATLAB仿真軟件，分別對比了文獻[3]中的 算法、文獻[4]中的YOLOv5算法及本文所提方法，并通過接受器操作特性（ReceiverOperatingCharacteristic，ROC）9]曲線和曲線下方面積（AreaUnder

Curve，AUC）[10]對三種算法檢測性能進行分析。仿真對比結果如圖3所示。

圖3各算法ROC曲線對比圖

從圖3中可以看出，隨著FPR值的增大，各算法的TPR值也逐漸增大。相比于文獻[3]中的 算法和文獻[4]中的YOLOv5算法，本文所提算法增幅最快，說明所提算法的檢測性能要明顯優于其他兩種算法。當FPR值為O.6時，所提算法的TPR值達到了0.92，此時 算法的TPR值僅為0.81，YOLOv5算法的TPR值為0.83，說明所提算法有著較高的容錯率。

已知AUC的值越接近1，表示分類器的性能越好。從圖3中還可以看出所提算法的AUC值為0.943，YO-LOv5算法的AUC值為 0.901，HOG⁺SVM 算法的ACU值僅為0.872，進一步說明了本文所提算法相比于 算法和YOLOv5算法有著更高的檢測準確率。

為了進一步驗證本文所提算法的檢測性能，本文分別選擇了在雨霧、夜間弱光、動態模糊等幾種常見的車輛行駛場景下對各算法的檢測精度進行仿真對比。對比結果如圖4所示。

橫向對比圖4中的三種算法，可以看出""算法[3]、YOLOv5算法[4]以及本文所提算法在雨霧場景中的檢測精度（AveragePrecision，AP）遠大于夜間弱光場景以及人物動態模糊場景的AP。說明在弱光場景和模糊場景中，各算法的檢測精度存在下降的問題。但從算法柱狀圖來看，本文所提算法在任何場景下的檢測精度始終優于其他兩種算法。

縱向對比三種算法，雨霧場景下本文所提算法的AP值為0.82，YOLOv5算法的AP值為 0.71，HOG+SVM 算法的AP值為0.61，說明所提算法的檢測精度相對于YOLOv5算法和 算法分別提升了 15.5% 和34.4% ，同樣在弱光場景和模糊場景下，所提算法始終保持著較高的檢測精度，進一步驗證了所提算法有著更高的檢測性能。

4結語

基于現有的車輛盲區行人檢測方法，本文提出了HOG特征提取算法和AdaBoost算法相結合的檢測方法，首先利用HOG特征提取算法提取行人特征和車輛特征，然后通過AdaBoost算法對樣本進行分類訓練，從而有效區分開人體目標與車輛背景區。理論分析和實驗結果表明，所提方法相比于現有方法更加適用于車輛盲區行人檢測并且有著較高的檢測準確率。

參考文獻：

[1]趙志成，張玉峰，何佳，等.車輛盲區監測系統綜述[J].汽車電器，2018（10）：20-22.

[2]欒大勇.實時視頻監控系統中的運動人體檢測算法研究[D].長春：吉林大學，2009.

[3]王綿沼，毛劍楠，武光利.基于計算機視覺的車輛盲區預警系統的設計和實現[J].人生十六七，2017（35）：106.

[4]鄒軍，李軍，張世義.基于YOLOv5的密集行人檢測算法[J].計算機應用，2024，44（S2）：246-250.

[5]李牧，張一朗，柯熙政.多尺度特征提取與融合的紅外圖像增強算法［J].紅外與激光工程，2025，54（2）：250-263.

[6]劉海洋.盲區車輛檢測與跟蹤算法研究[D].北京：北京工業大學，2017.

[7]王海，蔡英鳳，袁朝春.基于多模式弱分類器的AdaBoost-Bagging車輛檢測算法[J].交通運輸工程學報，2015，15（2）：118-126.

[8]Hasanvand M.Machine learning methodology for identifying vehiclesusingimageprocessing[J].Artificial Intelligenceand Applications，2023，1（3）：19-21.

[9]王彥光，朱鴻斌，徐維超.ROC曲線及其分析方法綜述[J]廣東工業大學學報，2021，38（1）：46-53.

[10]Yang Zhiyong.Learning with multiclass AUC：Theory and algorithms[J].IEEE Transactions on Pattern Analysis and Machine Intelli-gence，2021，44（11）：7747-7763.

作者簡介：

孟天次，男，1996年生，助教，研究方向為雷達信號處理、目標定位技術等。