實時行人檢測預警系統的設計及應用

張舜堯

摘要本文對實時行人預警系統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，對系統的實時性和準確性進行了驗證，有效實現了對行人生命安全的保護。

關鍵詞預警系統；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，所以行人檢測系統的設計及應用對于諸多領域均具有重要價值。比如說監控圖像檢索、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，從而實現對行人進行檢測及數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，以能夠對行人的行為動作作出分析的同時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行人檢測預警系統實施及行人檢測方法

2.1行人檢測預警系統的實施方案

行人檢測預警系統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。

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展過程中的完善產物，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，也就能夠實現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）統計學習。統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，戶外環境中的多種因素以及行人之間等等，均會導致出現遮蔽現象，當攝像機和行人動作出現同步的時候，也會進一步提高動態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，其中包括正面側面，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學習方法能夠實施和行人最為合適Haar特征選擇，同構構建相應的級聯分類器，借助于窗口中的強分類器所有器，也就能夠對行人特征實施相應判定，如果出現強分類器否決，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，步長度量則有連續性特點，所以可根據前幾幀提箱的信息對行人出現某一窗口進行估算，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分類器能夠對以上所得檢測數據實施驗證，并結合之前的經驗實施物體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。在轉換好感興趣區域的窗口之后，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，但是在行人側面檢測中并不適用。行人檢測預警系統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

隨著我國社會經濟的持續不斷增長及科技的日益創新，我國汽車市場現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，已經成為交通人員的研究重點。行人檢測預警系統則是在智能交通體系發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，實現了車輛智能化，增強了輔助駕駛措施，提高了交通安全。