摘 要：為了提高車輛的主動(dòng)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(dòng)視覺(jué)圖像傳感器的行人自動(dòng)安全保護(hù)系統(tǒng)。利用adadaboost檢測(cè)算法快速跟蹤檢測(cè)行人，利用卡爾曼高頻濾波檢測(cè)原理實(shí)時(shí)跟蹤檢測(cè)行人，從而獲得其正常運(yùn)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(shí)別為外行的級(jí)聯(lián)模型分類器。由車輛圖像視覺(jué)系統(tǒng)收集的車輛圖像被遍歷以獲得行人駕駛目標(biāo)。結(jié)合卡爾曼自動(dòng)濾波原理，自動(dòng)跟蹤自動(dòng)檢測(cè)采集的周圍行人的興趣目標(biāo)區(qū)域，建立檢測(cè)周圍行人的各種動(dòng)態(tài)感知和興趣目標(biāo)區(qū)域。跟蹤分析的結(jié)果可以用來(lái)跟蹤和分析駕駛員的汽車行駛軌跡。

關(guān)鍵詞：車輛視覺(jué);行人檢測(cè);行為識(shí)別

1 基于車輛視覺(jué)的行人檢測(cè)和行為識(shí)別綜述

近年來(lái)，為了有效保障汽車行人的安全，提高民用汽車的主動(dòng)安全保護(hù)性能，國(guó)內(nèi)外一些相關(guān)研究機(jī)構(gòu)對(duì)汽車行人主動(dòng)保護(hù)的安全技術(shù)進(jìn)行了廣泛的研究和深入的探討。在不斷完善汽車被動(dòng)安全系統(tǒng)應(yīng)用基礎(chǔ)的同時(shí)，他們也逐漸開(kāi)發(fā)和推廣了主動(dòng)安全保護(hù)系統(tǒng)的應(yīng)用，并結(jié)合行人安全保護(hù)的新理念和信息技術(shù)的發(fā)展引入應(yīng)用，不斷提高對(duì)行人的安全保護(hù)。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(yùn)動(dòng)跟蹤學(xué)習(xí)算法，將移動(dòng)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(guó)科技大學(xué)等。將交通行人跟蹤檢測(cè)的專業(yè)先驗(yàn)技術(shù)知識(shí)充分融入到自動(dòng)跟蹤檢測(cè)模型的自動(dòng)學(xué)習(xí)和開(kāi)發(fā)過(guò)程中，對(duì)自動(dòng)跟蹤的交通行人情況進(jìn)行全程動(dòng)態(tài)跟蹤和建模，從而在真實(shí)的交通監(jiān)控工作場(chǎng)景中準(zhǔn)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(kù)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(jì)算和分析參數(shù)，難以完全滿足大型車輛主動(dòng)安全事故預(yù)警等類似監(jiān)控系統(tǒng)較高的實(shí)時(shí)性要求。本文主要利用車載單目行人視覺(jué)識(shí)別傳感器，利用經(jīng)過(guò)訓(xùn)練的行人運(yùn)動(dòng)識(shí)別器的級(jí)聯(lián)和分類器功能，對(duì)站在車輛前方的行人進(jìn)行實(shí)時(shí)識(shí)別和采集，跟蹤其身體運(yùn)動(dòng)并記錄其高速運(yùn)動(dòng)時(shí)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(guò)程

BlinkAI Technologies發(fā)布了一款名為RoadSight的產(chǎn)品，旨在改善相機(jī)在弱光條件下的性能。本公司來(lái)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(jī)器學(xué)習(xí)算法實(shí)現(xiàn)了比傳統(tǒng)圖像信號(hào)處理器高500%的照度，從而改善了路邊目標(biāo)檢測(cè)等計(jì)算機(jī)視覺(jué)任務(wù)的挑戰(zhàn)場(chǎng)景。布林凱說(shuō)，這項(xiàng)技術(shù)目前正在接受汽車制造商、自動(dòng)駕駛和傳統(tǒng)一流供應(yīng)商的測(cè)試。在過(guò)去的幾年里，視覺(jué)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(gè)“大腦”，以提高相機(jī)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(méi)有足夠信號(hào)的情況下獲取你關(guān)心的信息。如何預(yù)測(cè)是否沒(méi)有信號(hào)或像素？第二個(gè)挑戰(zhàn)是降低傳感器的噪聲非常重要，因?yàn)槟阌行盘?hào)。這兩個(gè)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(huì)破壞信號(hào)，這在弱光環(huán)境中更為明顯。

嘈雜的信號(hào)沒(méi)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(jī)攝像頭那樣對(duì)光敏感，但是在黑暗中我們能比視頻模式下的智能手機(jī)看得更清楚。這不是因?yàn)槲覀兘邮盏礁嗟墓?，而是因?yàn)槲覀兊拇竽X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(xiàng)任務(wù)。

這項(xiàng)技術(shù)來(lái)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(jì)算機(jī)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(shí)現(xiàn)呢？如何衡量圖像信號(hào)處理器的改進(jìn)？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(shí)驗(yàn)分析

BlinkAI做了一個(gè)比較方法，將相機(jī)的增益增加到一個(gè)點(diǎn)，并處理噪聲來(lái)放大去噪后的圖像，使它看起來(lái)像一個(gè)在明亮場(chǎng)景中的相機(jī)。以及如何應(yīng)對(duì)迎面而來(lái)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(dòng)態(tài)范圍的問(wèn)題。BlinkAI系統(tǒng)的一個(gè)特點(diǎn)是它可以提供HDR函數(shù)。此外，布林凱市仍在開(kāi)發(fā)應(yīng)對(duì)雨雪的方法。挑戰(zhàn)在于如何在低功耗設(shè)備上高效實(shí)現(xiàn)這一點(diǎn)。對(duì)于自動(dòng)車輛來(lái)說(shuō)，真正的挑戰(zhàn)在于它們有限的計(jì)算能力，而且它們可以做得很好。這意味著相機(jī)需要在黑暗中看得更清楚，并且空間和成本的限制強(qiáng)調(diào)了算法的重要性。因?yàn)樵黾哟罅總鞲衅魇前嘿F的，而且對(duì)于汽車來(lái)說(shuō)是不可行的。也有一些尺寸限制，例如，嚴(yán)格的汽車攝像頭的最大尺寸是1/2英寸，這限制了進(jìn)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(jī)都是100萬(wàn)到200萬(wàn)像素。當(dāng)然，汽車制造商希望在未來(lái)獲得更高的分辨率，比如800萬(wàn)到1200萬(wàn)像素，但我們?nèi)匀痪窒抻谛鞲衅骱透〉拿總€(gè)像素面積。從物理學(xué)的角度來(lái)看，我們很難得到我們需要的信息。更智能的計(jì)算方法使用特定的模式來(lái)有效地利用數(shù)據(jù)中的視覺(jué)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(jī)，你可以拍攝星空的美麗照片。BlinkAI是從幾個(gè)光子或像素推斷出來(lái)的，但與智能手機(jī)的主要區(qū)別在于，手機(jī)的攝像頭通過(guò)將曝光時(shí)間延長(zhǎng)至2至5秒來(lái)進(jìn)行補(bǔ)償。然而，自動(dòng)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(yǔ)

行人檢測(cè)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(cè)的基礎(chǔ)上分析行人的運(yùn)動(dòng)狀態(tài)和車輛造成的危險(xiǎn)程度。如果車輛和行人之間可能發(fā)生碰撞，將及時(shí)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(shí)，系統(tǒng)啟動(dòng)減速或緊急制動(dòng)，有效保證了行人的安全。實(shí)驗(yàn)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(dòng)調(diào)整裝置來(lái)提高白天強(qiáng)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(biāo)的特征，增加訓(xùn)練樣本或改進(jìn)訓(xùn)練方法。同時(shí)，結(jié)合紅外傳感器，研究了夜間行人檢測(cè)。

參考文獻(xiàn)：

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

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

作者簡(jiǎn)介：周海生（1986-），男，浙江杭州人，本科，研究方向：控制工程。