0056]步驟S20，提取所述前方圖像中的感興趣區(qū)域；
[0057]在本實施例中，采集到所述前方圖像后，可基于采集的實時圖像中行人可能發(fā)生碰撞的位置信息進行估計，對部分不可能出現(xiàn)行人及行人不處于危險區(qū)域的圖像不計入檢測，例如去除圖像的上下部分像素的天空和地面場景，以及圖像左右部分像素的道路兩邊場景，從而得到行人的感興趣區(qū)域。所述感興趣區(qū)域(Reg1ns of Interest,R0I))的檢測方法包括運動檢測方法、基于形狀檢測方法以及區(qū)域閾值化方法。例如，所述運動檢測方法通過檢測前方圖像中的運動信息，結(jié)合光流分析的運動檢測來進行感興趣區(qū)域的分割，即基于相同顏色像素小區(qū)域連貫運動，每個像素點都被賦予了一個屬于某給定小區(qū)域的可能概率，而且每個小區(qū)域的移動都被按照運動的概率模型進行分類以準備下一階段的行人識另IJ，通過唯一的有著連貫一致性運動的區(qū)域，然后基于幀間分析對一個直線路徑進行投票，只有在一組幀中檢測到一個規(guī)則的軌跡，才認為找到一個行人，并以此得到感興趣區(qū)域。進一步地，還可通過一個過零點檢測算法，利用了過去6幀中的歷史像素值的時空高斯卷積，再通過利用擴展的二階卡爾曼濾波器處理遮擋，以獲得感興趣區(qū)域。
[0058]步驟S30，利用預設的行人分類器檢測所述感興趣區(qū)域，得到所述感興趣區(qū)域中的行人圖像。
[0059]在本實施例中，利用預設的行人分類器檢測所述感興趣區(qū)域，所述檢測所述感興趣區(qū)域優(yōu)選包括:1)利用所述行人分類器在線檢測所述感興趣區(qū)域；2)通過多幀校驗方法篩選行人分類器的檢測結(jié)果。所述通過多幀校驗方法篩選行人分類器的檢測結(jié)果是，保留連續(xù)多幀圖像中均出現(xiàn)的同一目標且被行人分類器連續(xù)檢測為行人的結(jié)果，去除連續(xù)多幀圖像中均出現(xiàn)的同一目標且被行人分類器連續(xù)判斷為非行人的結(jié)果。最終，根據(jù)檢測結(jié)果，得到所述感興趣區(qū)域中的行人圖像。所述行人分類器優(yōu)選包括Adaboost迭代算法分類器、SVM(Support Vector Machine，支持向量機)分類器。
[0060]本實施例提出的行人檢測方法，在車輛行駛過程中，先采集車輛的前方圖像，然后提取所述前方圖像中的感興趣區(qū)域，再通過預設行人分類器對所述感興趣區(qū)域進行檢測，得到所述感興趣區(qū)域中的行人圖像，而不是只能通過人為確定車輛前方的行人，本方案對采集的前方圖像分析提取感興趣區(qū)域，并根據(jù)預設行人分類器對所述感興趣區(qū)域進行檢測得到對應的行人圖像，實現(xiàn)了車輛行駛過程中，自動對道路上的行人進行檢測。
[0061]進一步地，為提高行人檢測的準確性，基于第一實施例提出本發(fā)明行人檢測方法的第二實施例，在本實施例中，參照圖2，所述步驟S20包括:
[0062]步驟S21，對采集的所述前方圖像進行濾波處理，得到處理后的圖像；
[0063]步驟S22，對處理后的所述圖像進行區(qū)域閾值化，得到感興趣區(qū)域。
[0064]在本實施例中，采集到前方圖像后，先通過濾波處理的方法去除前方圖像的噪聲和噪點干擾，然后對處理后的圖像進行區(qū)域閾值化，值得閾值化圖像，所述區(qū)域閾值化方法優(yōu)選為:根據(jù)所述前方圖像中每個像素水平領域的像素灰度值的統(tǒng)計特征確定劃分閾值，對輸入圖像進行二值化處理得到二值圖像；再通過形態(tài)學腐蝕運算濾除二值圖像中的噪點像素，并運用形態(tài)學膨脹運算填補弱連接區(qū)域，最后提取所述二值圖像中的所有連通區(qū)域作為感興趣區(qū)域。
[0065]進一步地，為提高行人檢測的準確性，基于第一實施例提出本發(fā)明行人檢測方法的第三實施例，在本實施例中，參照圖3，所述步驟S30包括:
[0066]步驟S31，通過自適應直方圖均衡化的方法增強所述感興趣區(qū)域與背景區(qū)域的對比度，得到行人區(qū)域圖像；
[0067]在本實施例中，在采集到所述感興趣區(qū)域后，優(yōu)選通過適應直方圖均衡化的方法增強所述感興趣區(qū)域與背景區(qū)域的對比度，并根據(jù)所述感興趣區(qū)域與背景區(qū)域的亮度差異，確定所述感興趣區(qū)域與背景區(qū)域的邊界輪廓，最后根據(jù)所述感興趣區(qū)域的邊界輪廓獲取行人區(qū)域圖像，可以理解的是，也可通過邊緣檢測算法進行邊緣處理或動態(tài)雙閾值方法進行二值化處理，增強所述感興趣區(qū)域與背景區(qū)域之間亮度差異，根據(jù)所述亮度差異確定邊界輪廓，并根據(jù)所述邊界輪廓獲取所述行人區(qū)域圖像。
[0068]步驟S32，通過所述行人分類器檢測所述行人區(qū)域圖像，獲取所述行人分類器中與所述行人區(qū)域圖像對應的行人樣本；
[0069]步驟S33，根據(jù)獲取的所述行人樣本確定所述行人區(qū)域圖像中的行人圖像。
[0070]在本實施例中，通過預設的行人分類器檢測所述行人區(qū)域圖像，所述檢測方式為:將所述行人分類器中的各個行人樣本與所述行人區(qū)域圖像進行比對，并在檢測到所述行人分類器中與所述行人區(qū)域圖像匹配的行人樣本時，將所述檢測到的行人樣本作為檢測結(jié)果，根據(jù)所述檢測結(jié)果確定所述行人區(qū)域圖像中的行人圖像。
[0071]進一步地，為提高行人檢測的靈活性，基于第一、第二或第三實施例提出本發(fā)明行人檢測方法的第四實施例，在本實施例中，參照圖4，所述步驟S30之后，所述行人檢測方法包括:
[0072]步驟S40，獲取所述行人圖像作為行人樣本；
[0073]步驟S50，將獲取的所述行人樣本加入訓練樣本集；
[0074]步驟S60，利用所述訓練樣本集訓練所述行人分類器，得到更新后的行人分類器。
[0075]在本實施例中，先獲取所述行人圖像作為行人樣本，然后將獲取的所述行人樣本加入訓練樣本集，最后，利用所述訓練樣本集訓練所述行人分類器，得到更新后的行人分類器。實現(xiàn)在行人檢測過程中，可將實時獲取的行人圖像加入訓練樣本集，并根據(jù)訓練樣本集訓練行人分類器，如Adaboost分類器或SVM分類器，最后，使得訓練樣本集中的行人樣本數(shù)量更多，提高了行人檢測的準確性。也就是為了在車輛行駛過程中，通過不斷提取各種行人樣本對行人分類器進行在線更新從而提高算法的適應性。
[0076]進一步地，為提高行人檢測的靈活性，基于第一、第二或第三實施例提出本發(fā)明行人檢測方法的第五實施例，在本實施例中，參照圖5，所述步驟S30之后，所述行人檢測方法還包括:
[0077]步驟S70，在車輛行駛過程中，若檢測到行人圖像中的行人離當前車輛的距離小于預設閾值，則輸出預設的告警信息。
[0078]在本實施例中，在車輛行駛過程中，在檢測到行人圖像中的行人離當前車輛的距離小于預設閾值時，可以理解的是，所述預設閾值根據(jù)具體需要進行設置，例如，當車輛的行駛速度較高如60公里每小時，則所述預設閾值可為10米，如當車輛的行駛速度較低如30公里每小時，則所述預設閾值可為5米等等。當行人離當前車輛的距離小于預設閾值時，優(yōu)選輸出預設的告警信息，如發(fā)出警鳴聲、或者通過所述車輛預設的LED燈發(fā)出閃爍信號等等。進一步地，還可根據(jù)車輛當前的行駛速度以及所述距離，確定是否要進行降速操作，若所述當前的行駛速度以及所述距離可能會出現(xiàn)危險事故，則可根據(jù)當前的行駛速度以及所述距離將所述車輛降低至相應的安全行駛速度，其中所述距離越小，所述安全行駛速度越低。
[0079