一種車輛前方行人檢測方法及系統(tǒng)的制作方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及圖像處理、模式識別、智能控制等學(xué)科，屬于汽車電子和計算機(jī)視覺領(lǐng) 域，尤其是一種車輛前方行人檢測方法和系統(tǒng)。
【背景技術(shù)】
[0002] 基于計算機(jī)視覺的車輛前方行人檢測就是利用安裝在運動車輛上的攝像頭獲取 車輛前方的圖像信息，然后根據(jù)特定算法從圖像中檢測出行人的位置。這項技術(shù)是城市交 通環(huán)境下智能車輛輔助導(dǎo)航技術(shù)中的一項關(guān)鍵技術(shù)，它能有效地輔助駕駛員及時地對外界 環(huán)境做出反應(yīng)，避免碰撞行人。
[0003] 車輛前方行人檢測不同于普通的人體檢測，除了包含一般人體檢測具有的服飾多 變、姿態(tài)多變等產(chǎn)生的難點外，由于其特定的應(yīng)用還具有以下難點：攝像機(jī)是運動的，這樣 廣泛應(yīng)用于智能監(jiān)控領(lǐng)域中檢測動態(tài)目標(biāo)的方法便不能直接使用；行人檢測面臨的是一個 開放的環(huán)境，要考慮不同的路況、天氣和光線變化，對算法的魯棒性提出了很高的要求；實 時性是輔助駕駛系統(tǒng)必須滿足的要求，因此圖像處理要有較快的計算速度。
[0004] 為了解決這些難點，高校、企業(yè)對此進(jìn)行的大量的研究。目前，車輛前方行人檢測 一般分為兩個步驟：感興趣區(qū)域提取和目標(biāo)識別。感興趣區(qū)域分割的目的是從圖像中提取 出可能包含行人的窗口，以避免窮盡搜索，提高系統(tǒng)的速度。目標(biāo)識別是行人檢測系統(tǒng)的核 心，它對感興趣區(qū)域分割得到的行人窗口驗證，判斷其中是否包含行人，它的性能決定了整 個系統(tǒng)可以達(dá)到的精度和魯棒性。近年來，對感興趣區(qū)域提取研究的主要方法有：基于運動 的方法、基于立體視覺的方法、基于激光雷達(dá)的方法、基于圖像特征的方法；而針對目標(biāo)識 別的方法主要有：基于特征提取的方法、基于分類器構(gòu)造的方法、基于搜索框的方法。
[0005] 到目前為止，全世界各大公司企業(yè)、高等院校、科研院所每年都會有不少關(guān)于行人 檢測方面的論文發(fā)表，但大都停留在理論階段，實驗也多在PC平臺上通過Matlab仿真或借 助于OpenCV庫完成，實時性不好，罕有能直接應(yīng)用在車載系統(tǒng)中的方法和裝置。

【發(fā)明內(nèi)容】

[0006] 針對現(xiàn)有技術(shù)存在的缺陷，本發(fā)明的目的在于提供一種能在不降低行人檢測準(zhǔn)確 率條件下，提高行人檢測速度并準(zhǔn)確預(yù)警的車輛前方行人檢測方法及系統(tǒng)。
[0007] 為達(dá)到上述目的，本發(fā)明采用如下技術(shù)方案：
[0008] -種車輛前方行人檢測方法，包括如下步驟：
[0009] (a)通過固定安裝在汽車上的攝像機(jī)獲取車輛前方圖像，并對此圖像進(jìn)行實時的 預(yù)處理；
[0010] (b)對預(yù)處理后的圖像進(jìn)行縮放；
[0011] (C)對縮放后的圖像提取局部二進(jìn)制模式（LBP, Local Binary Patterns)特征；
[0012] (d)利用提取到的LBP特征和支持向量機(jī)（SVM，Support Vector Machine)分類 器進(jìn)行感興趣區(qū)域（Regions of Interest, ROIs)提取；
[0013] (e)對感興趣區(qū)域提取方向梯度直方圖（HOG，Histograms of Oriented Gradients)特征；
[0014] (f)對感興趣區(qū)域再利用HOG特征和SVM分類器進(jìn)行目標(biāo)識別；
[0015] (g)對目標(biāo)進(jìn)行層內(nèi)融合和層間融合并對駕駛員預(yù)警。
[0016] 所述步驟（a)中對圖像預(yù)處理包括歸一化圖像大小、灰度化、有效檢測區(qū)分割的 操作。
[0017] 所述步驟（b)中根據(jù)檢測目標(biāo)大小的不同，對預(yù)處理后的圖像采用插值法進(jìn)行多 級縮放。
[0018] 所述步驟（d)中的SVM分類器是根據(jù)LBP特征已經(jīng)訓(xùn)練好的，用此分類器提取各 級圖像中感興趣區(qū)域；基于LBP特征行人分類器的產(chǎn)生包括以下步驟：
[0019] 步驟一，打開樣本圖像：樣本圖像包括一定數(shù)目的含有行人的正樣本和一定數(shù)目 的負(fù)樣本，樣本的大小為固定格式，如64*128 ;
[0020] 步驟二，圖像灰度化，將彩色的圖像轉(zhuǎn)換為灰度圖像，降低圖像處理數(shù)據(jù)量；
[0021] 步驟三，對圖像里的每一個像素進(jìn)行LBP編碼，像素點（x，y)的LBP特征計算公式 為：
[0023] 其中，i為像素點（x，y)周圍第i個像素序列，當(dāng)?shù)趇個像素值大于等于像素點 (x，y)的像素值時，4取1，否則取0〇 i的起始點為鄰域內(nèi)任意一點，編碼完成后，將循環(huán)的 二進(jìn)制LBP編碼數(shù)從0到1或者從1到0跳變次數(shù)多于兩次的分為一類，其余的每一個循 環(huán)編碼為一類，得到新的均勻模式LBP編碼；
[0024] 步驟四，將樣本圖像每16*16個像素組成一個塊，得到此像素塊的59維的LBP特 征向量，再將所有像素塊的特征向量串聯(lián)起來，構(gòu)成樣本圖像的LBP特征向量；
[0025] 步驟五，將步驟四得到的LBP特征向量導(dǎo)入到MATLAB中，采用線性SVM進(jìn)行離線 訓(xùn)練。
[0026] 步驟六，經(jīng)過一定數(shù)量的正負(fù)樣本的訓(xùn)練，得到基于LBP特征的行人分類SVM。
[0027] 所述步驟（f)中SVM分類器是根據(jù)HOG特征已經(jīng)訓(xùn)練好的，用此分類器對感興趣 區(qū)域進(jìn)行目標(biāo)識別；基于HOG特征行人分類器的產(chǎn)生包括以下步驟：
[0028] 步驟一，打開樣本圖像：樣本圖像包括一定數(shù)目的含有行人的正樣本和一定數(shù)目 的負(fù)樣本，樣本的大小為固定格式，如64*128 ;
[0029] 步驟二，圖像灰度化，將彩色的圖像轉(zhuǎn)換為灰度圖像，降低圖像處理數(shù)據(jù)量；
[0030] 步驟三，對灰度圖像的每一個像素點采用水平卷積算子[_1，0, 1]和垂直卷積算 子[-1，0, 1]τ進(jìn)行水平方向和垂直方向梯度計算，得到像素點（X，y)梯度為：
[0034]其中，H(x+1，y)、H(x-1，y)、H(x，y+1)、H(x，y-Ι)分別代表（x+1，y)、（x-1，y)、 !1(1，7+1)、!1(1，7-1)處的像素值，6)!(1，7)、6￥(1，7)、0(^，7)分別表示為(^，7)點的水平方 向梯度值、垂直方向梯度值和梯度方向；
[0035] 步驟四，采用優(yōu)化的三線性插值對圖像的塊中每一個"細(xì)胞"中的像素梯度進(jìn)行映 射，得到整個塊的各個"細(xì)胞"梯度直方圖，優(yōu)化的三線性插值的卷子算子Conv為：
[0037] 步驟五，先計算各直方圖在這個塊中的密度，然后根據(jù)這個密度對塊中的各個細(xì) 胞單元做歸一化；
[0038] 步驟六，每一個塊歸一化完成后，得到此塊的特征向量，將圖像中所有塊的特征向 量級聯(lián)起來構(gòu)成整個圖像的HOG特征向量；
[0039] 步驟七，將步驟六到的HOG特征向量導(dǎo)入到MATLAB中，采用線性SVM進(jìn)行離線訓(xùn) 練。
[0040] 步驟八，經(jīng)過一定數(shù)量的正負(fù)樣本的訓(xùn)練，得到基于HOG特征的行人分類SVM。
[0041] 所述步驟（g)中先根據(jù)圖像中各目標(biāo)動態(tài)重疊面積和目標(biāo)的權(quán)值進(jìn)行目標(biāo)融合， 再對各級圖像中目標(biāo)進(jìn)行融合，得到最終目標(biāo)后提醒對駕駛員有行人在危險區(qū)內(nèi)活動。
[0042] 在步驟（d)和步驟（e)之間包括步驟（dl)，其判斷步驟（d)獲取的感興趣區(qū)域數(shù) 目，若數(shù)目為零則返回步驟（a)，否則進(jìn)行步驟（e)。
[0043] 在步驟（f)和步驟（g)之間包括步驟（Π )，其判斷步驟（f)獲取的目標(biāo)數(shù)目，若數(shù) 目為零則返回步驟（a)，否則進(jìn)行步驟（g)。
[0044] -種車輛前方行人檢測系統(tǒng)，其包括有：
[0045] 圖像獲取及預(yù)處理單元，用于獲取車輛前方圖像并對圖像實時預(yù)處理；
[0046] 與所述圖像獲取及預(yù)處理單元連接的特征提取單元，該特征提取單元先對圖像進(jìn) 行縮放，然后對各級圖像進(jìn)行LBP特征和HOG特征的提??；
[0047] 與所述特征提取單元連接的是SVM分類單元，該單元根據(jù)特征提取單元提取到的 LBP特征找出感興趣區(qū)域，再用感興趣區(qū)域的HOG特征進(jìn)行目標(biāo)識