張舜堯

摘要本文對實時行人預警系統(tǒng)的設計及應用進行了深入分析，通過城市道路下的實錄視頻，對系統(tǒng)的實時性和準確性進行了驗證，有效實現(xiàn)了對行人生命安全的保護。

關鍵詞預警系統(tǒng)；行人檢測；行車安全；聚合通道特征

1行人檢測技術的概念

行人檢測是計算機視覺領域中的一個重要技術，它在包含多門學科知識的背景條件下，能夠準確采用視頻圖像檢測行人情況，所以行人檢測系統(tǒng)的設計及應用對于諸多領域均具有重要價值。比如說監(jiān)控圖像檢索、高級人機界面及自動化安全等領域。行人檢測是利用視覺傳感器從具體信息及進行分析，從而實現(xiàn)對行人進行檢測及數(shù)字圖像處理等技術進行綜合運用，并從中獲取行人的具體信息及進行分析，從而實現(xiàn)對行人的識別及跟蹤的一項技術。簡單地講，行人檢測技術即為在計算機信息傳感技術的應用基礎上，實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幫助汽車駕駛員采取相應處理措施，為道路交通安全提供有效保障。

2行人檢測預警系統(tǒng)實施及行人檢測方法

2.1行人檢測預警系統(tǒng)的實施方案

行人檢測預警系統(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施運算研究，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算機視覺。

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間中采集到的圖像實施圖像像素遞減，基于像素變化合理預測行人情況。此方法的優(yōu)點是簡單快速、不受攝像機和光線變化帶來的影響，缺點就是目標輪廓不清楚，對于行人的遮蔽及行為動作無法進行評估。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，該方法具有實時性的特點，所以被運用到行人運動目標的輪廓檢測中。（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，與當前模型圖像做差分，如果像素結果大于當前設置的閾值，就可以認定為目標。背景差分法是最常使用的目標檢測法，在實際應用過程中優(yōu)點則為方便快捷，并且在設計過程中原理簡單，但是同樣也具有一定的缺點，也就是閾值選擇和背景會影響到檢測結果，所以該算法需要加強完善。（3）光流法。光流法的基本原理就是將圖像當成運動場，不同的圖像像素點均有各自的速度矢量，在實施相近運動矢量，也就能夠?qū)崿F(xiàn)目標的有效檢測工作。這一方法在應用過程中場景因素對其檢測結果的影響作用不大，所以導致其計算量特別大，實時性也較差。

2）計算機視覺方法。（1）模板匹配。模板匹配也能夠稱為圖像處理方法，在其之前設定的模板中實施圖像匹配，其中模板和待檢測目標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，然后匹配圖像的各個點，針對圖像點，對模板和圖像匹配的點數(shù)目進行計算。模板匹配的缺點是速度比較慢，為了提高速度，可以使用傅里葉變換方法。（2）統(tǒng)計學習。統(tǒng)計學習也稱為機器學習，主要可以分成2個步驟，其中第1個是訓練，第2個為檢測，首先則需要從一系列正樣本和負樣本中訓練處學習器，旨在區(qū)分開目標和其他物體，然后使用學習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。首先，行人之間最顯著的一個不同點就是外部特征，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，均會導致出現(xiàn)遮蔽現(xiàn)象，當攝像機和行人動作出現(xiàn)同步的時候，也會進一步提高動態(tài)視頻圖像檢測目標及運動分析的復雜性，在行人檢測中難度也就會隨之加大。同時，在畫面中行人可以從任何一個角度出現(xiàn)，其中包括正面?zhèn)让?，甚至背面等等，所以，行人檢測算法的實時性和魯棒性也成為研究的一個重點熱題。

3.1行人檢測

行人檢測除了對行人進行臉部識別之外，Haar特征也被安防監(jiān)控領域廣泛應用。本文研究重點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，以此基于圖像實施行人側面特征進行檢測及評估，在此過程中采用OCS和窗口拆分兩種算法提高檢測效率。本文基于整體側面行人的特征進行訓練分類檢測，在檢測階段，對橫穿道路行人的側面特征可用于行人特征訓練。使用AdaBoost學習方法能夠?qū)嵤┖托腥俗顬楹线mHaar特征選擇，同構構建相應的級聯(lián)分類器，借助于窗口中的強分類器所有器，也就能夠?qū)π腥颂卣鲗嵤┫鄳卸?，如果出現(xiàn)強分類器否決，則也就代表檢測結果為非行人。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時性的同時提高檢測效率，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或者以上特定窗口，每一個窗口均能夠被所對應一幀圖像搜索到。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，所以可根據(jù)前幾幀提箱的信息對行人出現(xiàn)某一窗口進行估算，并跟蹤行人，在此過程中不但能夠減少算法處理時間，也可以基于行人畫面空間特點及變化，進行合理的選擇，并針對畫面實施相應的數(shù)量差分與畫面分布。

3.3行人驗證

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)實施驗證，并結合之前的經(jīng)驗實施物體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檢測方法，然而，HOG特征的缺點是在計算整幀圖像時特別耗費時間，所以，HOG特征只能在驗證階段進行篩選誤報工作。在轉(zhuǎn)換好感興趣區(qū)域的窗口之后，對窗口的HOG特征進行計算。在計算完成后特征向量描述窗口之后，采用已經(jīng)成功進行離線訓練的線性SVM分類器實施檢測，以此對行人及非行人進行相應的區(qū)分。而HOG特征的應用不僅有效的減少了誤報，同時還可以幫助線性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)，但是在行人側面檢測中并不適用。行人檢測預警系統(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面樣本信息進行采集，在場景方面針對性極其強烈，所以在一定程度上也提高了其實時性的簡化條件。其次，由于AdaBoost學習方法和線性SVM分類器是2個不同的分類器，所以應先采用AdaBoost方法完成本次訓練，在對行人側面的整體樣本訓練過程中，使用了規(guī)格為20Pixelx40Pixel共7 345個正樣本以及149000個負樣本。而線性SVM分類器的訓練完成共使用了規(guī)格為64Pixelx128Pixel共5189個正樣本以及19587個負樣本。

4結論

隨著我國社會經(jīng)濟的持續(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。行人檢測預警系統(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用價值，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)，實現(xiàn)了車輛智能化，增強了輔助駕駛措施，提高了交通安全。