黃志杰++楊廣柱

摘要：隨著城市化進程的逐漸加快，城市道路交通環(huán)境的發(fā)展情況越來越復雜，人民群眾日常出行的安全性很難得到保障。為了改善這種狀況，車輛行人檢測系統的應用受到了產業(yè)界的高度重視，能夠及時的檢測到運行中的行人，第一時間作出危險預測，從而有效的避免安全事故的發(fā)生。機器視覺是一種常見的行人檢測傳感器，本文將基于機器視覺的車輛行人檢測系統中的關鍵技術進行分析，并且針對分析結果對行人檢測系統技術未來的發(fā)展情況進行展望。

關鍵詞：機器視覺；車輛行人檢測系統；關鍵技術

中圖分類號：TP391.4 文獻標識碼：A 文章編號：1007-9416（2017）02-0115-02

行人檢測系統是確保車輛能夠安全運行的前提條件，在保持安全車距、防止發(fā)生碰撞事故等方面都有著積極的意義。通過行人檢測系統的使用，車輛能夠自主的對周圍環(huán)境進行實時檢測，并且根據檢測結果進行準確的分析，給駕駛員提供更加準確的意見，有助于駕駛員在第一時間對周圍環(huán)境中的安全隱患做出反應，對行人進行有效的保護，為人民群眾的日常出行提供了基本保障。

1 基于機器視覺的車輛行人檢測系統技術流程

基于機器視覺的車輛行人檢測系統在設計的過程中，主要涉及到三個流程，分別是預處理階段、分類檢測階段和決策報警階段。預處理階段能夠通過機器視覺傳感器獲取到準確的車輛前方圖像信息，并且自主的對這些圖像信息進行預處理，像是降噪、增強等步驟，這樣就能夠獲得更加清晰的圖像，有助于駕駛員對車輛前方的情況作出更加明智的判斷。分類檢測階段主要利用圖像分割、模型提取等先進的圖像處理技術對圖像中的信息進行區(qū)域分割，也就是行人的候選區(qū)域，然后利用ROIS手段對行人的候選區(qū)域作出進一步的判斷，從而更加準確的判斷出每個區(qū)域內是否存在行人，對行動中的行人作出更加準確的檢測。決策報警階段是指對運動中的行人進行跟蹤，利用先進的科學技術對行人的運行軌跡進行預測，從而制定出更加準確規(guī)避計劃，對于提高行人檢測系統的精準度有很大的幫助。另外，當行人檢測系統經過分析之后發(fā)現可能會出現運動中的行人與車輛相互碰撞的情況，決策報警系統也會在第一時間發(fā)出警告，提醒駕駛員不要作出導致碰撞的操作[1]。圖1為基于機器視覺的車輛行人檢測系統技術流程圖。

2 基于機器視覺的車輛行人檢測系統的關鍵技術

2.1 區(qū)域分割

區(qū)域分割是基于機器視覺的車輛行人檢測系統的關鍵技術之一，對于這種關鍵技術的分析可以從運動、立體視覺、圖像特征、規(guī)則四個角度進行，表1為基于這四種因素分析方法的優(yōu)點和缺點。

2.1.1 基于運動的車輛行人檢測系統

基于機器視覺的車輛行人檢測系統區(qū)域分割與基于監(jiān)控場景來構造背景模型進行分割的方法有很大的差異，車輛行人檢測系統中的攝像機始終處于運動的狀態(tài)，在分析的過程中會采用光流分析方法或者幀間運動估計方法?；谶\動的車輛行人檢測系統主要通過對地面位置的估計和人體身高的區(qū)間范圍進行分析，即便是分辨率比較低的圖像也能夠很好的進行檢測，提高了檢測結果的魯棒性。但是，這種方式在使用過程中也存在著一定的缺點，就是無法準確的進行自身運動的估算，對于車上輔助設備的依賴比較嚴重。

2.1.2 基于立體視覺表1 區(qū)域分割關鍵技術的優(yōu)缺點的車輛行人檢測系統

隨著科學技術的不斷完善，立體視覺技術在各個領域中的應用越來越廣泛，基于立體視覺的車輛行人檢測系統也受到產業(yè)界的高度重視。在基于立體視覺技術的方法中，應用最廣泛的就是利用立體攝像機獲取3D場景信息，通過對3D場景信息的分析來估計地面位置，結合人體身高區(qū)域范圍進行更加準確的分割?；诹Ⅲw視覺的車輛行人檢測系統的優(yōu)勢在于對環(huán)境變化的魯棒性較高，能夠為其他模塊提供更加有用的信息。但是，立體視覺算法在使用過程中還是存在一定的缺陷，無法對圖像區(qū)域中盲點的位置進行準確的分析，計算速率相對較慢[2]。

2.1.3 基于圖像特征的車輛行人檢測系統

基于圖像特征的車輛行人檢測系統是最簡單的檢測方法，通過直接對圖像的強度值進行閾值分類而獲取車輛前方的準確信息，幫助駕駛員作出更加明智的判斷。眾所周知，在正常情況下，人體的溫度要比周圍環(huán)境的溫度高，因此可以通過對紅外圖像中的熱點區(qū)域進行分析，從而對行人的候選區(qū)域進行分割。在選擇閾值的時候，可以從單一閾值和多閾值兩個方面進行考慮。在對紅外圖像進行分割的時候，應該首先分割出圖像中比較明亮的區(qū)域，從而對地面位置進行估計，結合人體身高的區(qū)域范圍進行更加準確的分析?；趫D像特征的分析方法最大的優(yōu)勢就是不需要依賴于其他的設備，能夠直接對圖像進行分析。但是，這種情況只是針對比較單一的環(huán)境，當周圍環(huán)境變得非常復雜的時候，就無法對魯棒性作出更加完善的定義[3]。

2.1.4 基于規(guī)則的車輛行人檢測系統

在使用車輛行人檢測系統的時候，針對不同的檢測場景，人們會制定一些特殊的規(guī)定來縮小搜索的范圍，從而作出更加準確的判斷。像是在進行場景驅動搜索的時候，不需要對場景中所有的行人進行檢測，只需要對與被測車輛有聯系的行人進行檢測。利用是否存在滿足車輛尺寸限制的水平和垂直邊緣來觸發(fā)檢測，當存在對象唄車輛局部遮擋的時候，才會進行跟蹤檢測，在一定程度上縮小了檢測的范圍。這種檢測方法的優(yōu)勢在于能夠更加直觀、高效的對行人進行跟蹤檢測，在特定場景中的實用性較強。但是，這種方法只是在特定的場景中才會發(fā)揮最大的作用，沒有一種能夠適合所有場景的規(guī)則，普適性比較差[4]。

2.2 目標識別

2.2.1 提取目標特征

提取目標特征主要分為三個方面，分別是對原有特征進行改進、對新特征進行提取和在非可視光譜上的應用。對原有特征進行改進是指對梯度方向直方圖特征的改善，梯度方向直方圖具有緯度高、計算復雜的基本特征，要想更加快速的進行信息提取，就必須要進行原有特征的改進。近幾年來，學術界對特征表示領域的研究越來越集中，對于梯度空間分布的描述也更加的完善，其維度特征日益顯著，計算過程也更加的復雜，對于新特征提取的加速更是勢在必行[5]。

2.2.2 分類器的構造

在車輛行人檢測系統運行的過程中，最常見的分類器為SVM和Boosting，為了提升車輛行人檢測系統的使用效果，對SVM分類器和Boosting分類器的改進是非常必要的。SVM分類器的構造建立在結構風險最小化原理的基礎之上，一經提出就受到了學術界的高度追捧。隨著時代的不斷進步，SVM分類器的構造也應該進行適當的完善，進一步的提升其分類性能，為車輛行人檢測系統的正常使用提供基本保障。Boosting分類器中的Adaboost的算法在車輛行人檢測系統中的應用最為廣泛，具有實時人臉檢測的功能。但是，在實際使用的過程中，經常會出現由于視角不同而造成嚴重的問題，不利于車輛行人檢測系統的正常運行[6]。

3 基于機器視覺的車輛行人檢測系統技術的展望

目前，基于機器視覺的車輛行人檢測系統技術在汽車領域中的應用已經非常廣泛，逐漸呈現出兩種發(fā)展方向。從產業(yè)界的角度來看，要想提高車輛行人檢測系統在實際應用中的可靠性和有效性，需要通過對產業(yè)界的集成來推出更加實用的產品，促進產業(yè)界產品的全面、穩(wěn)定發(fā)展。從研究接的角度來看，要加強對行人檢測系統技術難題的研究與解決，針對不同的場景環(huán)境制定不同的解決方案，及時面對陰天、雨天等特殊的天氣狀況，也能夠充分發(fā)揮出車輛行人檢測系統的重要作用。另外，還要制定更加完善的行人檢測系統性能評價標準，為車輛行人檢測系統的正常使用提供基本保障[7]。

4 結語

綜上分析可知，隨著城市化進程的飛速發(fā)展，道路交通環(huán)境的發(fā)展情況越來越復雜，行人檢測系統技術在車輛運行中受到了高度的重視。本文基于機器視覺的車輛行人檢測系統技術進行分析，明確系統構建的流程，針對其中區(qū)域分割和目標識別兩項關鍵技術進行研究，了解不同技術的優(yōu)點和缺點，最后根據綜述分析內容對未來的技術研究做展望和分析。

參考文獻

[1]李琦.面向行人群信息提取的視頻圖像目標跟蹤算法研究[D].北京交通大學，2013.

[2]樊龍夫.智能交通行人檢測系統的分類技術研究[D].中國科學技術大學，2010.

[3]郭強.基于運動特性的行人檢測技術研究[D].吉林大學，2011.

[4]鄧錦豪.基于視頻圖像的行人檢測算法研究[D].華南理工大學，2011.

[5]尹金楷.基于樣本比對法的車輛前方運動行人檢測系統設計[J].輕工科技，2014，09：72-73.

[6]許騰，黃鐵軍，田永鴻.車載視覺系統中的行人檢測技術綜述[J].中國圖象圖形學報，2013，04：359-367.

[7]張鉑.基于CCD攝像頭的車輛前方道路行人檢測[D].吉林大學，2014.