莊家俊 劉瓊

(華南理工大學(xué)軟件學(xué)院∥計(jì)算機(jī)科學(xué)與工程學(xué)院，廣東廣州510006)

基于視頻的行人檢測(cè)是計(jì)算機(jī)視覺領(lǐng)域中的一個(gè)研究熱點(diǎn)，是車輛輔助駕駛系統(tǒng)中保障行人與駕駛員安全的重要功能模塊，具有重要的應(yīng)用價(jià)值.駕駛員在夜間行車時(shí)的視覺范圍受到較大限制，相對(duì)于白天，在夜晚與行人發(fā)生交通事故的概率更高［1-2］，因此探索夜間行人檢測(cè)方法的需求和意義更大.當(dāng)前，多數(shù)夜間行人檢測(cè)系統(tǒng)以紅外攝像頭為基礎(chǔ).Viola等［3-4］提出了基于Haar-like特征和AdaBoost算法的瀑布型級(jí)聯(lián)分類器，該方法具備一定的實(shí)時(shí)性，但與人臉相比，行人模式具有更大的外觀差異，直接應(yīng)用于行人檢測(cè)的效果并不理想;O’Malley等［5］利用方向梯度直方圖(HOG)特征對(duì)遠(yuǎn)紅外行人進(jìn)行描述，結(jié)合支持向量機(jī)(SVM)實(shí)現(xiàn)行人檢測(cè)，該方法檢測(cè)效果較好，但計(jì)算開銷稍大，在Matlab平臺(tái)下檢測(cè)速度為1～2幀/s;利用Haar-like特征計(jì)算速度快、HOG特征描述能力強(qiáng)的特點(diǎn)，Ge等［6］提出一種基于Haar-like和HOG特征及Gentle-AdaBoost算法的兩級(jí)樹型結(jié)構(gòu)的近紅外行人檢測(cè)器，在保證檢測(cè)性能的同時(shí)于一定程度上降低了運(yùn)算復(fù)雜度;梁英宏［7］利用遠(yuǎn)紅外圖像中人體比背景亮的特點(diǎn)，通過(guò)檢測(cè)圖像中的高亮區(qū)域，利用其灰度-投影直方圖進(jìn)行行人檢測(cè)，該方法復(fù)雜度小，容易實(shí)現(xiàn)，但其僅在簡(jiǎn)單場(chǎng)景下可行，且虛警較多;Bertozzi等［8］根據(jù)行人的步態(tài)模式建立4個(gè)人體概率模板，再通過(guò)模板計(jì)算各像素的聯(lián)合概率判斷輸入圖像是否包含人體，計(jì)算開銷較低，但這種模板建立模式比較適合站立且腿部可見的行人;Sun等［9］提出一種描述性能較強(qiáng)的多級(jí)二元模式(PBP)特征，在多級(jí)網(wǎng)格劃分密度下利用每個(gè)網(wǎng)格中紋理信息的空間布局來(lái)描述紅外行人的對(duì)稱性特點(diǎn)，并采用SVM實(shí)現(xiàn)行人檢測(cè)，檢測(cè)性能優(yōu)于文獻(xiàn)［5］采用的HOG描述子，但PBP特征計(jì)算開銷較高，在Visual C++環(huán)境中也僅有平均10幀/s的處理速度.

面向輔助駕駛的行人檢測(cè)方法受其應(yīng)用條件和需求限制，必須具備良好的實(shí)時(shí)性和較高的準(zhǔn)確度［10］.上述多數(shù)基于機(jī)器學(xué)習(xí)的檢測(cè)方法雖具備較高的準(zhǔn)確度，但其高計(jì)算復(fù)雜度的不足制約了算法的實(shí)時(shí)性.文中在前人研究成果的基礎(chǔ)上，采用單目遠(yuǎn)紅外攝像頭，提出一種基于概率模板匹配的夜間行人檢測(cè)方法，并將該方法分為3個(gè)階段來(lái)介紹:(1)利用局部水平鄰域像素的灰度統(tǒng)計(jì)特性，獲得局部分割閾值，實(shí)現(xiàn)輸入圖像的二值化，并對(duì)分割結(jié)果進(jìn)行形態(tài)學(xué)處理，通過(guò)8連通標(biāo)記提取出感興趣區(qū)域(ROIs);(2)采用人工分割獲得的訓(xùn)練樣本建立多尺度行人概率模板，對(duì)ROIs進(jìn)行匹配判別;(3)結(jié)合目標(biāo)跟蹤和概率模板匹配，進(jìn)行多幀處理結(jié)果的綜合判斷.

1 ROIs的提取

ROIs提取是為了提取紅外圖像中可能存在行人的區(qū)域，以降低計(jì)算開銷，便于后續(xù)目標(biāo)檢測(cè)，包括圖像分割、形態(tài)學(xué)處理和ROIs選取.

1.1 圖像分割

遠(yuǎn)紅外圖像是熱圖像，一般情況下，人體散發(fā)的熱量高于周圍環(huán)境散發(fā)的熱量，對(duì)應(yīng)到圖像中則表現(xiàn)為行人區(qū)域比周圍背景亮［6］，如圖1所示.從每一條水平線方向看，行人區(qū)域的像素比兩邊的背景亮，且在邊緣位置有一個(gè)突變，因此可利用局部水平鄰域像素的灰度統(tǒng)計(jì)特性實(shí)現(xiàn)圖像的二值化.文中采用一種局部閾值分割算法，按式(1)和(2)分別計(jì)算圖像中每個(gè)像素的兩個(gè)閾值，即低閾值TL和高閾值TH:

式中，(i，j)為當(dāng)前水平鄰域中心像素點(diǎn)的坐標(biāo)，I(z，j)是局部水平鄰域中像素(z，j)的灰度值，ω為水平鄰域的半寬度，σ為該鄰域像素灰度值標(biāo)準(zhǔn)差的平方根為控制參數(shù)，用于調(diào)節(jié)TH的取值.輸入圖像中坐標(biāo)為(i，j)的像素點(diǎn)的二值化結(jié)果I'(i，j)由式(3)確定:

圖1 行人區(qū)域灰度分布拓?fù)鋱DFig.1 Topographic surface of intensity in a pedestrian area

由上述分析可以得出，半寬度ω較大時(shí)，局部水平鄰域?qū)⑼瑫r(shí)包含目標(biāo)及其兩邊背景區(qū)域的像素，獲取的高低閾值較為合理，更能凸顯目標(biāo)區(qū)域并抑制兩邊背景，故分割后人體的完整性較好，但計(jì)算開銷也較大;半寬度ω較小時(shí)，局部水平鄰域像素可能全部落入目標(biāo)內(nèi)部，這時(shí)局部鄰域灰度同質(zhì)性較高，導(dǎo)致得到較大的TL，容易降低分割后目標(biāo)的完整度.另一方面，控制參數(shù)較大時(shí)，得到的TH較大，也可能降低分割后目標(biāo)的完整度;控制參數(shù)較小時(shí)，容易導(dǎo)致分割結(jié)果中包含較多的噪聲.采用通過(guò)大量實(shí)驗(yàn)確定參數(shù)的方式，文中發(fā)現(xiàn)當(dāng)ω和分別為12和2時(shí)，分割算法對(duì)輸入圖像具有較好的二值化效果，如圖2所示.

圖2 圖像的二值化效果及候選區(qū)域選取Fig.2 Binary segmentation result of an input image and corresponding candidates selection

1.2 形態(tài)學(xué)處理

為了消除二值圖像中的噪聲和填補(bǔ)弱連接區(qū)域，先后采用形態(tài)學(xué)腐蝕與膨脹操作來(lái)改善圖像中的連通區(qū)域.由于二值化階段采用了水平鄰域像素的灰度統(tǒng)計(jì)特性計(jì)算分割閾值，當(dāng)連續(xù)多個(gè)水平鄰域中的絕大部分像素位于人體內(nèi)部時(shí)，獲得的閾值TH和TL可能偏高，容易造成二值圖像中行人區(qū)域上下部位的弱連接甚至“斷裂”現(xiàn)象.為緩解該問(wèn)題，文中采用1×3的結(jié)構(gòu)元素進(jìn)行腐蝕操作以濾除噪聲，繼而采用3×3的結(jié)構(gòu)元素進(jìn)行膨脹運(yùn)算以填補(bǔ)弱連接區(qū)域.圖2(a)為實(shí)拍的紅外圖像，對(duì)其處理后的二值化效果見圖2(b)，圖中所有區(qū)域均采用8連通標(biāo)記獲得.

1.3 ROIs選取

圖2(b)表明，二值圖像中連通區(qū)域數(shù)量較多，且大部分屬于非行人區(qū)域.如果對(duì)所有區(qū)域進(jìn)行后續(xù)檢測(cè)，不僅計(jì)算開銷較大，而且容易出現(xiàn)虛警.因此，可利用一些先驗(yàn)知識(shí)對(duì)這些區(qū)域進(jìn)行過(guò)濾.根據(jù)行人區(qū)域最小外接矩形寬高比的統(tǒng)計(jì)分布(見圖3)以及行人在圖像中可能出現(xiàn)的位置信息(即行人位于路面上的物理約束)，過(guò)濾了絕大多數(shù)明顯的非行人區(qū)域，有效地提升了系統(tǒng)的執(zhí)行效率，最終獲取的ROIs如圖2(a)所示.

圖3 行人區(qū)域?qū)捀弑确植糉ig.3 Distribution of aspect ratio of pedestrian regions

2 基于概率模板的行人檢測(cè)

行人檢測(cè)是車輛輔助駕駛系統(tǒng)的核心組成部分，與ROIs提取階段不同，其必須具備出色的分類性能.基于知識(shí)的檢測(cè)方法通過(guò)人為歸納出描述行人的某些特征或規(guī)律來(lái)判別行人模式，普遍具有計(jì)算復(fù)雜度低的優(yōu)點(diǎn).

考慮到行人是非剛體，姿態(tài)多樣化容易造成行人類內(nèi)方差較大，所需建立的形狀/輪廓模板的數(shù)量將非常龐大(如文獻(xiàn)［11］中構(gòu)造了近1000個(gè)行人輪廓模板)，在真實(shí)硬件平臺(tái)(如DSP)上實(shí)現(xiàn)時(shí)需要較大的存儲(chǔ)和匹配計(jì)算開銷.行人概率模板是對(duì)行人外觀模式的一種歸納，模板數(shù)量容易控制，在檢測(cè)階段可方便地通過(guò)模板與輸入圖像的相似性匹配程度來(lái)確認(rèn)行人.

2.1 訓(xùn)練樣本及其預(yù)處理

與基于機(jī)器學(xué)習(xí)的檢測(cè)方法類似，文中也需要利用行人樣本來(lái)構(gòu)建概率模板.運(yùn)動(dòng)方向的不同是造成行人外觀模式多樣性的主要原因之一，如圖4所示.不同于文獻(xiàn)［8］的方法，為降低行人類內(nèi)方差，提高每一個(gè)概率模板對(duì)相應(yīng)姿態(tài)下行人外觀模式的歸納準(zhǔn)確度，根據(jù)不同的運(yùn)動(dòng)方向，文中將樣本集劃分為沿著攝像頭運(yùn)動(dòng)(包括踩單車、跑步和行走等運(yùn)動(dòng)方式)、橫跨攝像頭由右向左運(yùn)動(dòng)和橫跨攝像頭由左向右運(yùn)動(dòng)3個(gè)子類，每個(gè)子類中各包含80個(gè)樣本.這種劃分方式使得在檢測(cè)階段不僅能判斷ROIs是否包含行人，而且即使在不加入目標(biāo)跟蹤與行為分析模塊時(shí)也能對(duì)行人的運(yùn)動(dòng)方向進(jìn)行估計(jì).

圖4 部分訓(xùn)練樣本Fig.4 Some examples of training dataset images

接下來(lái)，對(duì)所有樣本進(jìn)行預(yù)處理，包括尺度調(diào)整和0-1二值化.首先將所有樣本通過(guò)插值調(diào)整至96像素×40像素.其次，在觀察了大量樣本的灰度分布情況后，發(fā)現(xiàn)每個(gè)樣本中屬于人體的像素高于周圍背景的像素灰度值，且多數(shù)情況下高于該局部區(qū)域的平均灰度值，為此，選取每個(gè)樣本的灰度均值作為對(duì)該樣本進(jìn)行0-1二值化時(shí)的動(dòng)態(tài)閾值，以凸顯行人的高亮像素區(qū)域.

2.2 概率模板的構(gòu)建

根據(jù)樣本集的劃分方式，分別對(duì)應(yīng)建立3個(gè)運(yùn)動(dòng)方向的行人概率模板，如圖5所示.每個(gè)模板中相應(yīng)的像素取值代表該像素在該類樣本中高于樣本灰度均值的頻率，即該像素隸屬于人體區(qū)域的概率.

圖5 行人概率模板Fig.5 Pedestrian probabilistic templates

由于攝像頭安裝在運(yùn)動(dòng)平臺(tái)上，因此圖像中行人的成像尺寸是不斷變化的，而且受特定應(yīng)用背景的限制，即使及時(shí)檢測(cè)到車輛前方近距離處的行人，也難以保證駕駛員擁有足夠的反應(yīng)時(shí)間來(lái)采取緊急應(yīng)對(duì)措施，因此檢測(cè)位于中遠(yuǎn)距離(15m之外)處的目標(biāo)顯得更有意義.文中采用的遠(yuǎn)紅外攝像頭的空間分辨率(352×288)較低，位于中遠(yuǎn)距離外的行人成像尺寸較小，而且這類目標(biāo)通常數(shù)量較多，若將每一個(gè)ROI調(diào)整至與模板同等大小的尺寸，所需的插值運(yùn)算開銷較大，會(huì)影響系統(tǒng)的實(shí)時(shí)性.因此，文中將上述大尺度行人概率模板通過(guò)降采樣的方式重新建立3個(gè)尺度(分別是96像素×40像素、64像素×24像素和24像素×10像素)下的概率模板，分別對(duì)應(yīng)位于近(15 m之內(nèi))、中(15～45 m之間)、遠(yuǎn)(約45m之外)距離下的目標(biāo)匹配運(yùn)算.

2.3 行人檢測(cè)

受人體手臂擺動(dòng)幅度的影響，ROIs的寬度變化較大，不適合估計(jì)當(dāng)前目標(biāo)的距離.文中根據(jù)視頻中所有行人樣本高度的統(tǒng)計(jì)分布規(guī)律，利用高度估計(jì)當(dāng)前ROIs與攝像頭之間的距離.將高度多于64像素的ROIs視為近距離目標(biāo)，高度在24～64像素之間的視為中距離目標(biāo)，其余的視為遠(yuǎn)距離目標(biāo).進(jìn)而對(duì)ROIs進(jìn)行尺度調(diào)整，使其與相應(yīng)距離下模板的尺度相同，并對(duì)其進(jìn)行0-1二值化處理(與訓(xùn)練樣本的處理過(guò)程相同).進(jìn)一步根據(jù)式(4)與相應(yīng)尺度下的3個(gè)模板進(jìn)行匹配運(yùn)算:

式中，C為匹配值，R為進(jìn)行預(yù)處理后的ROI，P為概率模板，n為R和P的像素?cái)?shù).

式(4)表明，當(dāng)概率模板P中某個(gè)像素取值大于0.5且感興趣區(qū)域R中相應(yīng)像素取值也大于0.5時(shí)，即P中該像素隸屬于人體而R中該像素也隸屬于人體時(shí)，該像素將對(duì)最終的匹配值C賦予正貢獻(xiàn);同理，當(dāng)P和R中某個(gè)像素取值同時(shí)小于0.5時(shí)，該像素也對(duì)C賦予正貢獻(xiàn);反之，則對(duì)C賦予負(fù)貢獻(xiàn).故式(4)表征了ROI各像素對(duì)匹配值C的聯(lián)合貢獻(xiàn)和.其中分母的作用在于將匹配值C規(guī)范化到［-0.5，0.5］之間，C 值越大表明匹配程度越高.

3 多幀校驗(yàn)/目標(biāo)跟蹤

由于動(dòng)態(tài)場(chǎng)景的復(fù)雜多變和不穩(wěn)定分割，難以保證目標(biāo)在每一幀中都能被準(zhǔn)確分割，容易造成目標(biāo)的漏檢，若能利用前一幀的檢測(cè)結(jié)果估計(jì)目標(biāo)在后一幀中的位置與尺寸，將估計(jì)結(jié)果與后一幀的分割結(jié)果一起作為ROIs，通過(guò)模板匹配進(jìn)行判別，可提高對(duì)單個(gè)目標(biāo)的檢測(cè)率;若能準(zhǔn)確分割出后一幀中的目標(biāo)，那么前一幀的估計(jì)結(jié)果將與后一幀的分割結(jié)果相互重疊，此時(shí)則采用極大化抑制的方法進(jìn)行區(qū)域合并，形成一個(gè)完整的ROI.雖然部分干擾源(如樹干、燈柱、郵筒等)的外形輪廓與行人相似度較大，在匹配階段容易產(chǎn)生虛警，但一般來(lái)說(shuō)，行人可在連續(xù)多幀中被持續(xù)檢測(cè)到，而干擾源僅在個(gè)別幀中被誤檢，因此通過(guò)多幀的檢測(cè)結(jié)果進(jìn)行綜合判斷有利于抑制虛警.

行人與背景相對(duì)于攝像頭的運(yùn)動(dòng)主要是由車輛的運(yùn)動(dòng)引起的，故相鄰兩幀中同一目標(biāo)的位置與尺寸變化較小，可近似將該目標(biāo)在視頻中的運(yùn)動(dòng)視為勻加速運(yùn)動(dòng)，其運(yùn)動(dòng)狀態(tài)可表示為 S={x，dx，y，dy，w，dw，h，dh}.其中，x與 y分別為目標(biāo)在圖像中水平與垂直方向的起始位置坐標(biāo)，dx與dy為位置的變化量，w與h分別為目標(biāo)的寬度與高度，dw與dh分別為w與h的變化量.

目標(biāo)檢測(cè)系統(tǒng)中常用的跟蹤算法有Kalman濾波［6，12］和粒子濾波算法［13-14］等，其中粒子濾波算法計(jì)算量大，與實(shí)際應(yīng)用存在距離.鑒于Kalman濾波算法具備較強(qiáng)的實(shí)時(shí)性，而本系統(tǒng)中目標(biāo)的運(yùn)動(dòng)近似為勻加速運(yùn)動(dòng)，因此可利用Kalman濾波算法來(lái)估計(jì)目標(biāo)在視頻中的線性運(yùn)動(dòng)狀態(tài).以x方向?yàn)槔磳?duì)狀態(tài) Sx={x，dx，w，dw}，其 Kalman 濾波的狀態(tài)方程和觀測(cè)方程可表示為

4 方法的實(shí)現(xiàn)與結(jié)果分析

4.1 概率模板性能的比較

文中從實(shí)拍視頻中分別提取1200個(gè)行人樣本和1000個(gè)與行人外形相似的干擾樣本，以測(cè)試概率模板對(duì)目標(biāo)匹配的性能，并與文獻(xiàn)［8］中的方法進(jìn)行比較，匹配結(jié)果使用接受者操作特性曲線(ROC)進(jìn)行評(píng)估，如圖6所示.

圖6 不同概率模板匹配性能的比較Fig.6 Comparison of matching performance of different probabilistic templates

圖6表明，在目標(biāo)匹配階段，文中的模板建立方式優(yōu)于文獻(xiàn)［8］中的方法.原因在于文獻(xiàn)［8］是通過(guò)行人樣本的步態(tài)模式建立相應(yīng)的概率模板，使得運(yùn)動(dòng)方向不同但腿部模式一致的樣本被歸納到同一個(gè)概率模板中，這有悖于本研究基于運(yùn)動(dòng)方向劃分多個(gè)子類樣本以降低行人樣本類內(nèi)方差的做法，因此影響了每一個(gè)概率模板對(duì)相應(yīng)姿態(tài)下行人外觀模式的歸納準(zhǔn)確度.

匹配階段的時(shí)間復(fù)雜度由式(4)決定.在模板建立之后，式中的分母項(xiàng)可以事先獲得，故實(shí)際計(jì)算時(shí)間開銷取決于ROI的像素?cái)?shù)n.因此每個(gè)ROI與模板之間相似度匹配過(guò)程的時(shí)間復(fù)雜度為O(n)，是一個(gè)線性時(shí)間復(fù)雜度，表明該方法具備較高的執(zhí)行效率.值得指出的是，通過(guò)設(shè)置合適的閾值(匹配值)，概率模板匹配法亦可在級(jí)聯(lián)檢測(cè)框架中作為前端分類器.

4.2 行人檢測(cè)實(shí)驗(yàn)與結(jié)果分析

為了驗(yàn)證文中方法的實(shí)際性能，從拍攝總長(zhǎng)約為80min的視頻中抽取4個(gè)片段，對(duì)應(yīng)郊區(qū)(廣州大學(xué)城)和市區(qū)(廣州大道南)兩種場(chǎng)景的視頻各占2個(gè)片段，每段視頻長(zhǎng)度均為30s(即每段包含750幀圖像)，并人工標(biāo)注了視頻中的所有行人目標(biāo)，作為方法驗(yàn)證的客觀標(biāo)準(zhǔn).文中將檢測(cè)率定義為正確檢測(cè)到行人的幀數(shù)與含有行人的總幀數(shù)的比值，虛警率定義為出現(xiàn)誤檢測(cè)的幀數(shù)與總幀數(shù)的比值.

測(cè)試實(shí)驗(yàn)運(yùn)行在Intel Dual-Core E5800 3.2GHz的PC平臺(tái)上，用Matlab實(shí)現(xiàn)，圖7為部分檢測(cè)結(jié)果.圖中實(shí)線矩形為正確檢測(cè)到的行人區(qū)域，點(diǎn)線矩形為漏檢的行人(圖中在漏檢位置用“miss”標(biāo)識(shí))，虛線矩形為虛警(圖中在虛警位置用“FA”標(biāo)識(shí)).實(shí)線矩形下方的數(shù)字為對(duì)被檢測(cè)到的行人運(yùn)動(dòng)方向的判斷情況，根據(jù)模板構(gòu)建階段對(duì)樣本集的劃分，數(shù)字“1”表示目標(biāo)沿著攝像頭運(yùn)動(dòng)，“2”表示橫跨公路由右向左運(yùn)動(dòng)，“3”表示橫跨公路由左向右運(yùn)動(dòng).

圖7 部分實(shí)測(cè)結(jié)果Fig.7 Some detection results

方法的統(tǒng)計(jì)性能見表1，除了系統(tǒng)級(jí)的檢測(cè)率與虛警率，表中也給出了兩種場(chǎng)景中出現(xiàn)的行人總數(shù)、實(shí)際被檢出的個(gè)數(shù)和虛警數(shù)(一幀可能存在多個(gè)虛警)，便于從分類器級(jí)的角度考察文中方法對(duì)行人目標(biāo)的檢測(cè)性能.

表1 文中方法的性能統(tǒng)計(jì)Table 1 Statistical performance of the proposed method

表1表明，文中方法在郊區(qū)路段的檢測(cè)效果較好，因場(chǎng)景相對(duì)簡(jiǎn)單，漏檢數(shù)較少，虛警率也較低，獲得了不低于90%的檢測(cè)率和不高于10%的虛警率.但在市區(qū)路段，場(chǎng)景復(fù)雜度的提高導(dǎo)致行人與背景的對(duì)比度下降，甚至與背景融為一體，在ROIs提取階段難以連續(xù)、準(zhǔn)確地選取目標(biāo)，造成后續(xù)檢測(cè)與跟蹤環(huán)節(jié)較難填補(bǔ)該漏檢目標(biāo)，使得總體檢測(cè)率有一定幅度的降低，檢測(cè)率約為75%;同時(shí)，場(chǎng)景中干擾熱源的顯著增多導(dǎo)致較多的虛警產(chǎn)生，虛警率約為22%.Matlab平臺(tái)下，文中方法在行人檢測(cè)階段的處理速率為4～8幀/s(取決于ROIs的數(shù)量)，若改為VC或?qū)Ｓ脠D像處理平臺(tái)，實(shí)時(shí)性將得到進(jìn)一步的提高.

5 結(jié)語(yǔ)

文中提出一種面向車輛輔助駕駛的夜間行人檢測(cè)方法，從局部雙閾值分割算法獲得的二值圖像中提取潛在的行人區(qū)域，并與離線構(gòu)造的多尺度概率模板通過(guò)相似度匹配進(jìn)行行人檢測(cè)，最后對(duì)被檢目標(biāo)通過(guò)多幀校驗(yàn)的方式進(jìn)行魯棒的綜合判斷.相對(duì)于基于機(jī)器學(xué)習(xí)的檢測(cè)方法，該方法所需訓(xùn)練樣本數(shù)量較少，且無(wú)需收集大量的“困難”負(fù)樣本以應(yīng)對(duì)分類器推廣性能的問(wèn)題.實(shí)驗(yàn)結(jié)果表明文中方法檢測(cè)效果較好，實(shí)時(shí)性可得到保障，具有一定的應(yīng)用前景，但在市區(qū)場(chǎng)景中虛警率偏高.下一步將考慮結(jié)合運(yùn)動(dòng)方向和更多的人體形態(tài)特征，進(jìn)一步提高概率模板歸納行人外觀模式的準(zhǔn)確度，并抑制系統(tǒng)的虛警率.

［1］Soga M，Hiratsuka S，F(xiàn)ukamachi H，et al.Pedestrian detection for a near infrared imaging system［C］∥Proceedings of IEEE Conference on Intelligent Transportation Systems.Beijing:IEEE，2008:1167-1172.

［2］Gerónimo D，López A M，Sappa A D，et al.Survey of pedestrian detection for advanced driver assistance systems［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2010，32(7):1239-1258.

［3］Viola P，Jones M.Rapid object detection using a boosted cascade of simple features［C］∥Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition.Kauai:IEEE，2001:511-518.

［4］Viola P，Jones M，Snow D.Detecting pedestrians using patterns of motion and appearance［C］∥Proceedings of IEEE International Conference on Computer Vision.Nice:IEEE，2003:734-741.

［5］O’Malley R，Jones E，Glavin M.Detection of pedestrians in far-infrared automotive night vision using region-growing and clothing distortion compensation［J］.Infrared Physics ＆ Technology，2010，53(6):439-449.

［6］Ge J F，Luo Y P，Tei G.Real-time pedestrian detection and tracking at nighttime for driver-assistance systems［J］.IEEE Transactions on Intelligent Transportation Systems，2009，10(2):283-298.

［7］梁英宏.紅外視頻圖像中的人體目標(biāo)檢測(cè)方法［J］.紅外與激光工程，2009，38(5):931-935.Liang Ying-hong.Human detection method in infrared video images［J］.Infrared and Laser Engineering，2009，38(5):931-935.

［8］Bertozzi M，Broggi A，Gomez C H，et al.Pedestrian detection in far infrared images based on the use of probabilistic templates［C］∥Proceedings of IEEE Intelligent Vehicles Symposium.Istanbul:IEEE，2007:327-332.

［9］Sun H，Wang C，Wang B L，et al.Pyramid binary pattern features for real-time pedestrian detection from infrared videos［J］.Neurocomputing，2011，74(5):797-804.

［10］郭烈，高龍，趙宗艷.基于車載視覺的行人檢測(cè)與跟蹤方法［J］.西南交通大學(xué)學(xué)報(bào)，2012，47(1):19-25.Guo Lie，Gao Long，Zhao Zong-yan.Pedestrian detection and tracking based on automotive vision ［J］.Journal of Southwest Jiaotong University，2012，47(1):19-25.

［11］Gavrila D M.A bayesian，exemplar-based approach to hierarchical shape matching ［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2007，29(8):1408-1421.

［12］Gavrila D M，Munder S.Multi-cue pedestrian detection and tracking from a moving vehicle［J］.International Journal of Computer Vision，2007，73(1):41-59.

［13］Giebel J，Gavrila D M，Schn?rr C.A Bayesian framework for multi-cue 3D object tracking［C］∥Proceedings of EuropeanConferenceonComputerVision.Prague:Springer-Verlag，2004:241-252.

［14］趙運(yùn)基，裴海龍.基于增量學(xué)習(xí)的關(guān)節(jié)式目標(biāo)跟蹤算法［J］.華南理工大學(xué)學(xué)報(bào):自然科學(xué)版，2012，40(3):88-93.Zhao Yun-ji，Pei Hai-long.Articulated object tracking algorithm based on incremental learning［J］.Journal of South China University of Technology:Natural Science Edition，2012，40(3):88-93.