摘 要：為了提高車輛的主動安全性，保證城市交通環(huán)境中行人的安全，提出了一種基于小型車輛自動視覺圖像傳感器的行人自動安全保護系統(tǒng)。利用adadaboost檢測算法快速跟蹤檢測行人，利用卡爾曼高頻濾波檢測原理實時跟蹤檢測行人，從而獲得其正常運行軌跡。該算法利用離散函數(shù)adaboost訓(xùn)練樣本的分類哈爾特特征，得到樣本被識別為外行的級聯(lián)模型分類器。由車輛圖像視覺系統(tǒng)收集的車輛圖像被遍歷以獲得行人駕駛目標。結(jié)合卡爾曼自動濾波原理，自動跟蹤自動檢測采集的周圍行人的興趣目標區(qū)域，建立檢測周圍行人的各種動態(tài)感知和興趣目標區(qū)域。跟蹤分析的結(jié)果可以用來跟蹤和分析駕駛員的汽車行駛軌跡。

關(guān)鍵詞：車輛視覺;行人檢測;行為識別

1 基于車輛視覺的行人檢測和行為識別綜述

近年來，為了有效保障汽車行人的安全，提高民用汽車的主動安全保護性能，國內(nèi)外一些相關(guān)研究機構(gòu)對汽車行人主動保護的安全技術(shù)進行了廣泛的研究和深入的探討。在不斷完善汽車被動安全系統(tǒng)應(yīng)用基礎(chǔ)的同時，他們也逐漸開發(fā)和推廣了主動安全保護系統(tǒng)的應(yīng)用，并結(jié)合行人安全保護的新理念和信息技術(shù)的發(fā)展引入應(yīng)用，不斷提高對行人的安全保護。清華大學(xué)江帆提出了一種融合跟蹤模型技術(shù)的在線行人運動跟蹤學(xué)習(xí)算法，將移動離線模式學(xué)習(xí)和在線交互模式學(xué)習(xí)相結(jié)合，快速更新跟蹤模型。程有龍，中國科技大學(xué)等。將交通行人跟蹤檢測的專業(yè)先驗技術(shù)知識充分融入到自動跟蹤檢測模型的自動學(xué)習(xí)和開發(fā)過程中，對自動跟蹤的交通行人情況進行全程動態(tài)跟蹤和建模，從而在真實的交通監(jiān)控工作場景中準確跟蹤那些復(fù)雜的交通行人。多通道傳感器數(shù)據(jù)信息庫的融合和行人監(jiān)控模型的融合往往需要大量的數(shù)據(jù)計算和分析參數(shù)，難以完全滿足大型車輛主動安全事故預(yù)警等類似監(jiān)控系統(tǒng)較高的實時性要求。本文主要利用車載單目行人視覺識別傳感器，利用經(jīng)過訓(xùn)練的行人運動識別器的級聯(lián)和分類器功能，對站在車輛前方的行人進行實時識別和采集，跟蹤其身體運動并記錄其高速運動時的軌跡，為前方車輛駕駛員和行人的有效安全預(yù)警工作提供重要的技術(shù)數(shù)據(jù)參考。

2 研究過程

BlinkAI Technologies發(fā)布了一款名為RoadSight的產(chǎn)品，旨在改善相機在弱光條件下的性能。本公司來源于哈佛大學(xué)于麻省理工學(xué)院生物醫(yī)學(xué)成像中心的研究成果。RoadSight使用機器學(xué)習(xí)算法實現(xiàn)了比傳統(tǒng)圖像信號處理器高500%的照度，從而改善了路邊目標檢測等計算機視覺任務(wù)的挑戰(zhàn)場景。布林凱說，這項技術(shù)目前正在接受汽車制造商、自動駕駛和傳統(tǒng)一流供應(yīng)商的測試。在過去的幾年里，視覺感知性能得到了顯著提高。然而，在弱光條件下為算法提供高質(zhì)量的數(shù)據(jù)尤其具有挑戰(zhàn)性。RoadSight在傳感器后面放置了一個“大腦”，以提高相機性能。

在光線不足或其他情況下，人工智能面臨兩大挑戰(zhàn)。首先是在沒有足夠信號的情況下獲取你關(guān)心的信息。如何預(yù)測是否沒有信號或像素？第二個挑戰(zhàn)是降低傳感器的噪聲非常重要，因為你有信號。這兩個因素相互影響。例如，電子設(shè)備中的熱噪聲和其他噪聲源會破壞信號，這在弱光環(huán)境中更為明顯。

嘈雜的信號沒有你關(guān)心的信息，但是人類一直在這樣做。我們的眼睛不像一些智能手機攝像頭那樣對光敏感，但是在黑暗中我們能比視頻模式下的智能手機看得更清楚。這不是因為我們接收到更多的光，而是因為我們的大腦能夠更好地處理原始的嘈雜信息。借助特殊的神經(jīng)網(wǎng)絡(luò)和算法，路虎現(xiàn)在可以完成這項任務(wù)。

這項技術(shù)來自醫(yī)學(xué)成像領(lǐng)域。布林凱的創(chuàng)始人之一在哈佛醫(yī)學(xué)院做了博士后研究，在那里他領(lǐng)導(dǎo)了重建醫(yī)學(xué)圖像的深度學(xué)習(xí)的發(fā)展，例如計算機斷層掃描和磁共振成像掃描，它們處理帶有噪聲的原始數(shù)據(jù)。那么，同樣的技術(shù)如何在汽車工業(yè)中實現(xiàn)呢？如何衡量圖像信號處理器的改進？在什么情況下我們才能獲得良好的信噪比？

3 汽車領(lǐng)域的實驗分析

BlinkAI做了一個比較方法，將相機的增益增加到一個點，并處理噪聲來放大去噪后的圖像，使它看起來像一個在明亮場景中的相機。以及如何應(yīng)對迎面而來的街燈造成的眩光。前置攝像頭可以適應(yīng)環(huán)境。這是高動態(tài)范圍的問題。BlinkAI系統(tǒng)的一個特點是它可以提供HDR函數(shù)。此外，布林凱市仍在開發(fā)應(yīng)對雨雪的方法。挑戰(zhàn)在于如何在低功耗設(shè)備上高效實現(xiàn)這一點。對于自動車輛來說，真正的挑戰(zhàn)在于它們有限的計算能力，而且它們可以做得很好。這意味著相機需要在黑暗中看得更清楚，并且空間和成本的限制強調(diào)了算法的重要性。因為增加大量傳感器是昂貴的，而且對于汽車來說是不可行的。也有一些尺寸限制，例如，嚴格的汽車攝像頭的最大尺寸是1/2英寸，這限制了進一步的信息捕捉。就圖像分辨率而言，目前，大多數(shù)汽車規(guī)格的相機都是100萬到200萬像素。當(dāng)然，汽車制造商希望在未來獲得更高的分辨率，比如800萬到1200萬像素，但我們?nèi)匀痪窒抻谛鞲衅骱透〉拿總€像素面積。從物理學(xué)的角度來看，我們很難得到我們需要的信息。更智能的計算方法使用特定的模式來有效地利用數(shù)據(jù)中的視覺特征，即使數(shù)據(jù)并不完全存在，從而獲得更高的可靠性。例如，使用智能手機，你可以拍攝星空的美麗照片。BlinkAI是從幾個光子或像素推斷出來的，但與智能手機的主要區(qū)別在于，手機的攝像頭通過將曝光時間延長至2至5秒來進行補償。然而，自動車輛必須在1/30或1/60秒內(nèi)捕獲數(shù)據(jù)并立即處理。

4 結(jié)語

行人檢測技術(shù)是汽車安全輔助駕駛研究領(lǐng)域的重要組成部分。下一步是在行人檢測的基礎(chǔ)上分析行人的運動狀態(tài)和車輛造成的危險程度。如果車輛和行人之間可能發(fā)生碰撞，將及時向駕駛員發(fā)送警告信息。當(dāng)駕駛員未能采取有效措施避免碰撞時，系統(tǒng)啟動減速或緊急制動，有效保證了行人的安全。實驗表明，本文的研究工作還存在一些不足，考慮的因素不全面，受光照條件的影響。下一步將采用CCD孔徑自動調(diào)整裝置來提高白天強光照或暗光照條件下的成像質(zhì)量，并研究如何提取有效代表和區(qū)分行人目標的特征，增加訓(xùn)練樣本或改進訓(xùn)練方法。同時，結(jié)合紅外傳感器，研究了夜間行人檢測。

參考文獻：

[1]劉源.基于車載視覺的行人檢測及行為識別[D].電子科技大學(xué)，2019.

[2]張?zhí)煸?，張舜?基于視覺的車載行人檢測保護相關(guān)技術(shù)[J].電子技術(shù)與軟件工程，2017（06）：235.

作者簡介：周海生（1986-），男，浙江杭州人，本科，研究方向：控制工程。