一種基于紅外的夜間智能車前方行人檢測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于計算機視覺與模式識別、智能交通領(lǐng)域，具體為一種基于紅外的夜間 智能車前方行人檢測方法。
【背景技術(shù)】
[0002] 隨著近年來人工智能技術(shù)的不斷發(fā)展，各種智能車輛駕駛系統(tǒng)層出不窮，近年來 越來越受到國內(nèi)外相關(guān)學(xué)者的重視。隨著機動車保有量的迅速增長，給人們的生活和出行 帶來了很大的便利，但由此帶來的道路交通事故每年都給各個國家的人民生命財產(chǎn)和國民 經(jīng)濟造成巨大的損失。尤其是在夜間或者陰天情況下所發(fā)生的事故尤為嚴重（許騰，黃鐵 軍，田永鴻.車載視覺系統(tǒng)中的行人檢測技術(shù)綜述[J].中國圖像圖形學(xué)報，2013)。
[0003] 事實表明，行人檢測是車輛輔助駕駛系統(tǒng)及無人駕駛智能車領(lǐng)域的關(guān)鍵技術(shù)，它 能快速檢測車輛前方行人，及時進行安全預(yù)警及避障，減少或避免車輛與行人發(fā)生碰撞事 故，具有潛在的經(jīng)濟價值和廣泛的應(yīng)用前景。
[0004] 目前行人檢測主要有兩種途徑：一種是基于可見光圖像，另一種是基于紅外圖像。 與可見光成像相比，紅外成像具有顯著的優(yōu)點：由于紅外圖像是熱成像，在夜晚光線很暗的 情況下具有透過黑暗和煙霧的能力，且不受可見光的影響，實現(xiàn)對感興趣目標的遠距離、全 天候觀察?；诩t外圖像的夜間行人檢測技術(shù)可以實現(xiàn)在夜間或惡劣天氣條件下的行人檢 測與識別，與基于可見光圖像的行人檢測相比具有很大的優(yōu)勢。
[0005] 基于紅外圖像的行人檢測技術(shù)就是將紅外設(shè)備采集到的紅外圖像進行一系列預(yù) 處理后，使用算法將圖像中的行人準確檢測并識別出來，實現(xiàn)行人和非行人的分類?，F(xiàn)在智 能車輛檢測系統(tǒng)對于行人檢測算法魯棒性和實時性要求較高，紅外圖像下行人檢測系統(tǒng)一 般都包括感興趣區(qū)域（Regionofinterest，R0I)提取和目標識別兩大模塊。
[0006] 感興趣區(qū)域的提取算法大體分為基于溫度信息的方法、基于人體特征的方法及基 于顯著性區(qū)域的方法?；跍囟刃畔⒌姆指睿ㄈ鏡onanO'Malley,MartinGlavin,Edward Jones，AnEfficientRegionofInterestGenerationTechniqueforFar-Infrared PedestrianDetection.DigestofTechnicalPapers-InternationalConference onConsumerElectronics(ICCE' 08)，LasVegas，NV，USA，2008)是根據(jù)人體目標溫 度與背景物體之間的熱量差進行的，但此種方法的缺點是易將非行人的高溫物體分割 出來。基于人體特征的方法（如Barnich0，VanDroogenbroeckM.ViBe，Auniversal backgroundsubtractionalgorithmforvideosequences[J].ImageProcessing,IEEE Transactionson，2011)根據(jù)獲取紅外圖像中人體目標的典型特征建立模型，從而得到實 現(xiàn)行人目標的分割。這種方法的自適應(yīng)能力較強，但是不容易定義魯棒、快速的特征?；?于顯著性區(qū)域的方法（如AkulaA，KhannaN，GhoshR，etal.Adaptivecontour-based statisticalbackgroundsubtractionmethodformovingtargetdetectionin infraredvideosequences[J]·InfraredPhysics&Technology，2014)綜合考慮亮度、顏 色、方向等特征分割得到人體目標的顯著性區(qū)域。此種方法的缺點是環(huán)境復(fù)雜并且行人被 遮擋的情況下容易漏分割。
[0007] 根據(jù)利用信息的不同，目標識別可以分為基于運動的識別和基于形狀的識別兩 種方法，基于形狀的識別方法包括參數(shù)建模、模板匹配和統(tǒng)計分類三種?；谶\動的識 別方法（如FanX,MittalS,PrasadT,etal.PedestrianDetectionandTracking UsingDeformablePartModelsandKalmanFiltering[J].JournalofCommunication andComputer, 2013)指通過分析人運動時的步態(tài)（Gait)特征來識別行人。根據(jù)紅外 圖像的特征，一般使用基于形狀的識別方法檢測行人目標。基于形狀的識別方法（如 DanielOlmedaa,CristianoPremebida,UrbanoNunes,JoseMariaArmingol,Arturo delaEscaleraa.Pedestriandetectioninfarinfraredimages[J].Integrated Computer-AidedEngineering, 2013)指通過分析目標的灰度、邊緣和紋理信息來對目標 進行識別?；趨?shù)建模的方法（YuG，SapiroG，MallatS.Solvinginverseproblems withpiecewiselinearestimators:fromGaussianmixturemodelstostructured sparsity[J]·ImageProcessing,IEEETransactionson, 2012)指根據(jù)人體結(jié)構(gòu)的知識， 構(gòu)造一個明確的2D或3D參數(shù)模型，通過提取圖像的底層特征來求解模型，從而識別行 人。這種方法的優(yōu)點是具有明確的模型，可以處理遮擋問題，并且可以推斷出人體的姿 態(tài)。缺點是模型比較難構(gòu)建，模型求解也比較復(fù)雜?；谀０迤ヅ涞姆椒ㄍㄟ^存儲一些 灰度或者輪廓模板來表示行人，識別的時候只需要度量模板與輸入窗口的距離就可以識別 行人?；谀０迤ヅ涞乃惴ǎㄈ鏢unH，HuaC,LuoY.Amulti-stageclassifierbased algorithmofpedestriandetectioninnightwithanearinfraredcameraina movingcar[C],IEEEFirstSymposiumon. 2004)的優(yōu)點是計算簡單，缺點是由于行人姿 態(tài)的復(fù)雜性，很難構(gòu)造出足夠的模板以處理不同的姿態(tài)?；诮y(tǒng)計分類的方法（如Cheng TY,HermanC.Motiontrackingininfraredimagingforquantitativemedical diagnosticapplications[J] ·InfraredPhysics&Technology, 2014)通過機器學(xué)習(xí)從一 系列訓(xùn)練數(shù)據(jù)中學(xué)習(xí)得到一個分類器，用該分類器來表示行人，然后利用該分類器對輸入 窗口進行識別。此方法比較魯棒，但是需要很多訓(xùn)練數(shù)據(jù)，并且很難解決姿態(tài)和遮擋的問 題。
[0008] 綜上所述，盡管目前的紅外車載行人檢測方法已經(jīng)初有成效，但在檢測準確率、 檢測效率和魯棒性方面仍然迫切需要進一步改進。

【發(fā)明內(nèi)容】

[0009] 本發(fā)明的目的在于提出一種實時魯棒的智能車前方夜間紅外圖像行人檢測方法， 以期提高已有的紅外行人檢測方法準確率、實時性，通過本檢測方法在國內(nèi)研發(fā)的無人駕 駛智能車上進行測試，測試結(jié)果表明測試的效果滿足了智能車自主行駛的實時性和魯棒性 要求。
[0010] 為實現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案為一種實時魯棒的智能車前方夜間紅外 圖像行人檢測方法，其包括如下步驟：
[0011] (1)首先利用平滑濾波方法、形態(tài)學(xué)處理技術(shù)對輸入紅外圖像序列進行去噪預(yù)處 理；
[0012] (2)通過基于像素梯度垂直投影法捕捉輸入圖像序列中的行人預(yù)選區(qū)域，根據(jù)行 人幾何特征從行人預(yù)選區(qū)域中提取感興趣區(qū)域（regionsofinterest，ROIs);
[0013] (3)提取紅外圖像多級二值模式特征（Multi-levelbinarypattern,MBP)描述感 興趣區(qū)域；
[0014] ⑷利用支持向量機（supportvectormachine,SVM)算法離線訓(xùn)練行人分類器模 型；
[0015] (5)利用該分類器模型在線判斷感興趣區(qū)域為目標行人或背景。
[0016] 進一步的，步驟（1)所述平滑濾波方法是對紅外攝像儀器獲取到的紅外圖像序列 進行中值濾波以去除圖像中孤立的噪聲點；步驟（1)中所述形態(tài)學(xué)處理技術(shù)是通過形態(tài)學(xué) 腐蝕運算濾除圖像中較小的噪聲像素，并利用形態(tài)學(xué)膨脹運算填補弱連接區(qū)域（weakly connectedregions)〇
[0017] 進一步的，步驟（2)所述行人預(yù)選區(qū)域利用紅外成像熱輻射的特點，導(dǎo)致圖像中 行人區(qū)域與周圍區(qū)域灰度值變化明顯，通過像素梯度投影方法確定行人預(yù)選區(qū)域；步驟 (2)所述行人幾何特征是根據(jù)行人寬高比約束分割出大概的行人區(qū)域。
[0018] 進一步的，步驟（4)所述離線訓(xùn)練行人分類器具體指：收集含有行人的圖片樣 本和僅含有背景的圖片樣本構(gòu)成訓(xùn)練樣本空間，提取訓(xùn)練集的多級二值模式特征，采 用迭代收集困難樣本的訓(xùn)練機制對訓(xùn)練集進行學(xué)習(xí)；所述學(xué)習(xí)采用基于直方圖交叉核 (histogramintersectionkernel,HIK)的支持向量機學(xué)習(xí)算法，獲得支持向量機行人 分類器；圖片樣本由手工裁剪得到，高度均大于或等于12個像素，樣本尺度調(diào)整為64像 素X128像素。
[0019] 與現(xiàn)有遠紅外夜間車載行人檢測技術(shù)相比，本發(fā)明具有如下優(yōu)點和效果：步驟 (1)中對輸入圖像的平滑濾波及形態(tài)學(xué)處理大大降低了圖像的噪聲，使得感興趣區(qū)域提取 階段的處理更準確；步驟（2)所述