張舜堯

摘要本文對實(shí)時(shí)行人預(yù)警系統(tǒng)的設(shè)計(jì)及應(yīng)用進(jìn)行了深入分析，通過城市道路下的實(shí)錄視頻，對系統(tǒng)的實(shí)時(shí)性和準(zhǔn)確性進(jìn)行了驗(yàn)證，有效實(shí)現(xiàn)了對行人生命安全的保護(hù)。

關(guān)鍵詞預(yù)警系統(tǒng)；行人檢測；行車安全；聚合通道特征

1行人檢測技術(shù)的概念

行人檢測是計(jì)算機(jī)視覺領(lǐng)域中的一個(gè)重要技術(shù)，它在包含多門學(xué)科知識的背景條件下，能夠準(zhǔn)確采用視頻圖像檢測行人情況，所以行人檢測系統(tǒng)的設(shè)計(jì)及應(yīng)用對于諸多領(lǐng)域均具有重要價(jià)值。比如說監(jiān)控圖像檢索、高級人機(jī)界面及自動化安全等領(lǐng)域。行人檢測是利用視覺傳感器從具體信息及進(jìn)行分析，從而實(shí)現(xiàn)對行人進(jìn)行檢測及數(shù)字圖像處理等技術(shù)進(jìn)行綜合運(yùn)用，并從中獲取行人的具體信息及進(jìn)行分析，從而實(shí)現(xiàn)對行人的識別及跟蹤的一項(xiàng)技術(shù)。簡單地講，行人檢測技術(shù)即為在計(jì)算機(jī)信息傳感技術(shù)的應(yīng)用基礎(chǔ)上，實(shí)施檢測行駛在汽車前面的行人，以能夠?qū)π腥说男袨閯幼髯鞒龇治龅耐瑫r(shí)幫助汽車駕駛員采取相應(yīng)處理措施，為道路交通安全提供有效保障。

2行人檢測預(yù)警系統(tǒng)實(shí)施及行人檢測方法

2.1行人檢測預(yù)警系統(tǒng)的實(shí)施方案

行人檢測預(yù)警系統(tǒng)主要是在汽車上安裝，簡單從物理角度來看其組成主要包括兩部分，分別是運(yùn)算單位以及信息采集單元。前者則是在借助于數(shù)字信號處理器對圖像實(shí)施運(yùn)算研究，后者則組成則可以分成三部分，其中分別是攝像頭、車速傳感器和角速度傳感器，攝像頭用來捕捉汽車行駛時(shí)前方的道路視頻圖像，車速傳感器和角速度傳感器主要用于提供車速信息，所有的傳感單元都被安裝在測試汽車內(nèi)。

2.2行人檢測方法

行人檢測方法有兩種，分別是基于簡單圖像處理及計(jì)算機(jī)視覺。

1）簡單圖像處理法。（1）相鄰幀差分法。相鄰幀差分法則是對不同時(shí)間中采集到的圖像實(shí)施圖像像素遞減，基于像素變化合理預(yù)測行人情況。此方法的優(yōu)點(diǎn)是簡單快速、不受攝像機(jī)和光線變化帶來的影響，缺點(diǎn)就是目標(biāo)輪廓不清楚，對于行人的遮蔽及行為動作無法進(jìn)行評估。三幀圖像差分法則屬于是幀差分法的在發(fā)展過程中的完善產(chǎn)物，該方法具有實(shí)時(shí)性的特點(diǎn)，所以被運(yùn)用到行人運(yùn)動目標(biāo)的輪廓檢測中。（2）背景差分方法。背景差分是指在建立好背景環(huán)境模型圖像后，與當(dāng)前模型圖像做差分，如果像素結(jié)果大于當(dāng)前設(shè)置的閾值，就可以認(rèn)定為目標(biāo)。背景差分法是最常使用的目標(biāo)檢測法，在實(shí)際應(yīng)用過程中優(yōu)點(diǎn)則為方便快捷，并且在設(shè)計(jì)過程中原理簡單，但是同樣也具有一定的缺點(diǎn)，也就是閾值選擇和背景會影響到檢測結(jié)果，所以該算法需要加強(qiáng)完善。（3）光流法。光流法的基本原理就是將圖像當(dāng)成運(yùn)動場，不同的圖像像素點(diǎn)均有各自的速度矢量，在實(shí)施相近運(yùn)動矢量，也就能夠?qū)崿F(xiàn)目標(biāo)的有效檢測工作。這一方法在應(yīng)用過程中場景因素對其檢測結(jié)果的影響作用不大，所以導(dǎo)致其計(jì)算量特別大，實(shí)時(shí)性也較差。

2）計(jì)算機(jī)視覺方法。（1）模板匹配。模板匹配也能夠稱為圖像處理方法，在其之前設(shè)定的模板中實(shí)施圖像匹配，其中模板和待檢測目標(biāo)兩者之間的形狀具有一定類似或者相同。兩者的相互匹配則需要將模板中心作為參考點(diǎn)，然后匹配圖像的各個(gè)點(diǎn)，針對圖像點(diǎn)，對模板和圖像匹配的點(diǎn)數(shù)目進(jìn)行計(jì)算。模板匹配的缺點(diǎn)是速度比較慢，為了提高速度，可以使用傅里葉變換方法。（2）統(tǒng)計(jì)學(xué)習(xí)。統(tǒng)計(jì)學(xué)習(xí)也稱為機(jī)器學(xué)習(xí)，主要可以分成2個(gè)步驟，其中第1個(gè)是訓(xùn)練，第2個(gè)為檢測，首先則需要從一系列正樣本和負(fù)樣本中訓(xùn)練處學(xué)習(xí)器，旨在區(qū)分開目標(biāo)和其他物體，然后使用學(xué)習(xí)器檢測和識別待測圖像。

3行人檢測模塊

行人檢測面臨的挑戰(zhàn)主要有下面幾點(diǎn)。首先，行人之間最顯著的一個(gè)不同點(diǎn)就是外部特征，如衣服顏色、衣服款式、體型、身高、姿勢以及相關(guān)動作等等。其次，在檢測過程中，戶外環(huán)境中的多種因素以及行人之間等等，均會導(dǎo)致出現(xiàn)遮蔽現(xiàn)象，當(dāng)攝像機(jī)和行人動作出現(xiàn)同步的時(shí)候，也會進(jìn)一步提高動態(tài)視頻圖像檢測目標(biāo)及運(yùn)動分析的復(fù)雜性，在行人檢測中難度也就會隨之加大。同時(shí)，在畫面中行人可以從任何一個(gè)角度出現(xiàn)，其中包括正面?zhèn)让?，甚至背面等等，所以，行人檢測算法的實(shí)時(shí)性和魯棒性也成為研究的一個(gè)重點(diǎn)熱題。

3.1行人檢測

行人檢測除了對行人進(jìn)行臉部識別之外，Haar特征也被安防監(jiān)控領(lǐng)域廣泛應(yīng)用。本文研究重點(diǎn)則是借助于汽車上安裝的攝像頭，從而得到汽車前方的視頻圖像，以此基于圖像實(shí)施行人側(cè)面特征進(jìn)行檢測及評估，在此過程中采用OCS和窗口拆分兩種算法提高檢測效率。本文基于整體側(cè)面行人的特征進(jìn)行訓(xùn)練分類檢測，在檢測階段，對橫穿道路行人的側(cè)面特征可用于行人特征訓(xùn)練。使用AdaBoost學(xué)習(xí)方法能夠?qū)嵤┖托腥俗顬楹线mHaar特征選擇，同構(gòu)構(gòu)建相應(yīng)的級聯(lián)分類器，借助于窗口中的強(qiáng)分類器所有器，也就能夠?qū)π腥颂卣鲗?shí)施相應(yīng)判定，如果出現(xiàn)強(qiáng)分類器否決，則也就代表檢測結(jié)果為非行人。通常情況下非行人的背景特征在分類器的前幾級，也就能夠被成功否決，所以能夠顯著提升檢測有效性。

3.2優(yōu)化檢測

從空間角度分析綜合考慮實(shí)時(shí)性的同時(shí)提高檢測效率，可采用窗口拆分的方法。窗口拆分法是將一幀圖像拆分為兩個(gè)或者以上特定窗口，每一個(gè)窗口均能夠被所對應(yīng)一幀圖像搜索到。行人在移動過程中，在畫面上顯示的距離比較小，步長度量則有連續(xù)性特點(diǎn)，所以可根據(jù)前幾幀提箱的信息對行人出現(xiàn)某一窗口進(jìn)行估算，并跟蹤行人，在此過程中不但能夠減少算法處理時(shí)間，也可以基于行人畫面空間特點(diǎn)及變化，進(jìn)行合理的選擇，并針對畫面實(shí)施相應(yīng)的數(shù)量差分與畫面分布。

3.3行人驗(yàn)證

使用HOG特征和線性SVW分類器能夠?qū)σ陨纤脵z測數(shù)據(jù)實(shí)施驗(yàn)證，并結(jié)合之前的經(jīng)驗(yàn)實(shí)施物體HOG特征識別和檢測，因此，HOG特征已成為行人檢測使用最廣泛的一個(gè)檢測方法，然而，HOG特征的缺點(diǎn)是在計(jì)算整幀圖像時(shí)特別耗費(fèi)時(shí)間，所以，HOG特征只能在驗(yàn)證階段進(jìn)行篩選誤報(bào)工作。在轉(zhuǎn)換好感興趣區(qū)域的窗口之后，對窗口的HOG特征進(jìn)行計(jì)算。在計(jì)算完成后特征向量描述窗口之后，采用已經(jīng)成功進(jìn)行離線訓(xùn)練的線性SVM分類器實(shí)施檢測，以此對行人及非行人進(jìn)行相應(yīng)的區(qū)分。而HOG特征的應(yīng)用不僅有效的減少了誤報(bào)，同時(shí)還可以幫助線性SVM分類器正確檢測到行人的位置。

3.4樣本庫和分類器應(yīng)用

現(xiàn)有的樣本庫在研究方向中，雖然在性能方面具有良好的表現(xiàn)，但是在行人側(cè)面檢測中并不適用。行人檢測預(yù)警系統(tǒng)檢測對象主要為橫穿馬路行人，所以在本次研究中，主要是針對橫穿道路行人側(cè)面樣本信息進(jìn)行采集，在場景方面針對性極其強(qiáng)烈，所以在一定程度上也提高了其實(shí)時(shí)性的簡化條件。其次，由于AdaBoost學(xué)習(xí)方法和線性SVM分類器是2個(gè)不同的分類器，所以應(yīng)先采用AdaBoost方法完成本次訓(xùn)練，在對行人側(cè)面的整體樣本訓(xùn)練過程中，使用了規(guī)格為20Pixelx40Pixel共7 345個(gè)正樣本以及149000個(gè)負(fù)樣本。而線性SVM分類器的訓(xùn)練完成共使用了規(guī)格為64Pixelx128Pixel共5189個(gè)正樣本以及19587個(gè)負(fù)樣本。

4結(jié)論

隨著我國社會經(jīng)濟(jì)的持續(xù)不斷增長及科技的日益創(chuàng)新，我國汽車市場現(xiàn)已步入到成長飛躍的階段，隨著汽車的大量增加，道路交通事故的發(fā)生量也日益增長，因此，有效減少交通事故，能夠顯著提升行車安全，已經(jīng)成為交通人員的研究重點(diǎn)。行人檢測預(yù)警系統(tǒng)則是在智能交通體系發(fā)展中的組成部分之一，其在道路安全中有著重要的研究意義和應(yīng)用價(jià)值，本文通過對行人檢測算法的深入分析探討，建立了行人檢測系統(tǒng)，實(shí)現(xiàn)了車輛智能化，增強(qiáng)了輔助駕駛措施，提高了交通安全。