基于導(dǎo)盲犬特征與車載攝像頭的盲人檢測識別方法與系統(tǒng)的制作方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于主動駕駛領(lǐng)域，具體說是一種基于導(dǎo)盲犬特征與車載攝像頭的盲人檢 測識別方法與系統(tǒng)。
【背景技術(shù)】
[0002] 近年來隨著汽車輔助駕駛項目的快速發(fā)展，基于車載攝像頭的行人檢測技術(shù)獲得 了長足的發(fā)展，并不斷應(yīng)用到汽車主動安全與主動駕駛項目中。目前，各個研發(fā)機構(gòu)只是檢 測出行人并且進行相關(guān)的告警，W提醒駕駛者需要注意前方有行人需要注意。針對行人類 型的檢測與識別，雖然對駕駛者也有很大的參考價值，但是由于技術(shù)等方面問題，還沒有相 關(guān)比較公開的研究資料。
[0003] 鑒于此，本發(fā)明提出一種基于組合特征的基于車載攝像頭的盲人檢測與識別方 法，通過該技術(shù)可W幫助駕駛者在遇到盲人等特殊群體的時候，能夠及時避讓或做出特殊 處理。

【發(fā)明內(nèi)容】

[0004] 針對現(xiàn)有技術(shù)中存在的上述不足之處，本發(fā)明要解決的技術(shù)問題是提供一種基于 導(dǎo)盲犬特征與車載攝像頭的盲人檢測識別方法與系統(tǒng)。
[0005] 本發(fā)明為實現(xiàn)上述目的所采用的技術(shù)方案是:一種基于導(dǎo)盲犬特征與車載攝像頭 的盲人檢測識別方法，包括W下步驟：
[0006] 車載視覺傳感器實時采集車輛周圍的原始圖像；
[0007] 根據(jù)導(dǎo)盲犬特征獲得每一帖原始圖像的導(dǎo)盲犬hog特征圖像，利用導(dǎo)盲犬分類器 判斷導(dǎo)盲犬hog特征圖像是否有導(dǎo)盲犬，若有則在原始圖像或?qū)と甴og特征圖像中標(biāo)記導(dǎo) 盲犬，若沒有則進行下一帖檢測；
[000引對導(dǎo)盲犬hog特征圖像在導(dǎo)盲犬頸部區(qū)域進行二值化處理，找出像素比例最小的 區(qū)域進行標(biāo)記連通，如果得到的連通區(qū)域與頸部區(qū)域的寬度之比在設(shè)定范圍內(nèi)，則認(rèn)為導(dǎo) 盲犬頸部區(qū)域有狗鏈，利用狗鏈標(biāo)記連通區(qū)域的末端，在末端利用行人分類器檢測是否有 行人，若有行人則在原始圖像或?qū)と甴og特征圖像中標(biāo)記行人，若沒有則進行下一帖檢 測;若沒有狗鏈則進行下一帖檢測；
[0009] 若狗鏈的另一端有行人，則依次利用盲杖分類器、盲鏡分類器在導(dǎo)盲犬hog特征圖 像中判斷該行人周圍區(qū)域是否有盲杖、盲鏡，若同時有則在導(dǎo)盲犬hog特征圖像中標(biāo)記盲 杖、盲鏡，并判定原始圖像中存在盲人;若沒有則進行下一帖檢測。
[0010] 所述行人分類器通過離線訓(xùn)練得到，具體包括：
[0011] 通過視頻采集傳感器采集樣本圖像；
[0012] 通過樣本圖像獲取行人hog特征圖像；
[0013] 在行人hog特征圖像上進行行人的訓(xùn)練學(xué)習(xí)，獲取行人的統(tǒng)計特征，即{fk(x)}，k =1，......，N，N為正整數(shù)，其中，
X表示輸入的行人hog特征圖 像，ht(x)表示第t個弱分類器，其計算結(jié)果加權(quán)at后即為Qtht(X)，加權(quán)求和后則構(gòu)成了強分 類器，fk(x)表示行人分類器的一個強分類器，故表示所有弱分類器加權(quán)求和后需要滿足的 闊值，當(dāng)整體權(quán)重之和大于化時，則認(rèn)為滿足該強分類器。
[0014] 所述行人hog特征圖像通過W下步驟獲得：
[0015] 設(shè)計hog特征塊高寬比為1:1,16*16像素塊，塊中平均分割而成的四個單元像素 塊，大小為8*8;計算樣本hog特征的步長為8個像素；
[0016] 在YUV每個通道中，求出像素值的梯度方向的微分：▽/、=/(.v + l，.v)-^T，.v)， 對，=/(.r，.v)-斯:，:>'+1);其中，I(x，y)表示坐標(biāo)x，y的像素值；
[0017] 分別在X方向與y方向?qū)ξ⒎纸Y(jié)果進行積分，進而構(gòu)成像素點I(p，q)的梯度變化直 方圖的積分圖
其中，P，q分別為像素點I(P，q)的橫坐標(biāo)與縱 坐標(biāo)；
[0018] 查表計算每一個圖像塊的內(nèi)部的像素值的梯度變化之和：
[0019] RecSUM(r)=SUM(x-l,y-l)+SUM(x+w-l,y+h-l)-SUM(x-l,y+h-l)-SUM(x+w-l,y-1)
[0020] 其中，r表示圖像塊，h與W分別表示圖像塊的高與寬，RecSUM(r)表示圖像塊內(nèi)的梯 度變化之和；
[0021] 在YUVS個通道中，對每個通道根據(jù)W上步驟進行加權(quán)聯(lián)合計算，得到行人hog特 征圖像。
[0022] 所述導(dǎo)盲犬分類器通過離線訓(xùn)練得到，具體包括：
[0023] 通過視頻采集傳感器采集樣本圖像；
[0024] 通過樣本圖像獲取導(dǎo)盲犬hog特征圖像；
[0025] 在導(dǎo)盲犬hog特征圖像上進行導(dǎo)盲犬的訓(xùn)練學(xué)習(xí)，獲取導(dǎo)盲犬的統(tǒng)計特征，即{pk (X)}，k = 1，……，N，N為正整數(shù)，其中：
X表示輸入的導(dǎo)盲犬hog 特征圖像，ht(x)表示第t個弱分類器，其計算結(jié)果加權(quán)后即為a^thtU)，加權(quán)求和后則構(gòu) 成了強分類器，Pk(X)表示導(dǎo)盲犬分類器的一個強分類器，護k表示所有弱分類器加權(quán)求和后 需要滿足的闊值，當(dāng)整體權(quán)重之和大于護k時，則認(rèn)為滿足該強分類器。
[0026] 所述導(dǎo)盲犬hog特征圖像通過W下步驟獲得：
[0027] 設(shè)計hog特征塊高寬比為1:1，8*8像素塊，塊中平均分割而成的四個單元像素塊， 大小為4*4;計算樣本hog特征的步長為4個像素；
[002引袖晦冰拙篇迦佩腹巧^晚敞>:W -化一 1，.，'、-化.(..，')、阿-化V、"-化v，.v+：l); 卿，I(x，y)表示坐標(biāo)X，y的像素值；
[0029]分別在X方向與y方向?qū)ξ⒎纸Y(jié)果進行積分，進而構(gòu)成像素點I(p，q)的梯度變化直 方圖的積分圖：
其中，P，q分別為像素點I(P，q)的橫坐標(biāo)與縱 坐標(biāo)；
[0030]查表計算每一個圖像塊的內(nèi)部的像素值的梯度變化之和：
[0031 ] RecSUM(r) = SUM(x-l,y-l)+SUM(x+w-l,y+h-l)-SUM(x-l,y+h-l)-SUM(x+w-l,y- 1)
[0032] 其中，r表示圖像塊，h與W分別表示圖像塊的高與寬，RecSUM(r)表示圖像塊內(nèi)的梯 度變化之和；
[0033] 在YUVS個通道中，對每個通道根據(jù)W上步驟進行加權(quán)聯(lián)合計算，得到導(dǎo)盲犬hog 特征圖像。
[0034] 所述盲杖分類器通過離線訓(xùn)練得到，具體包括：
[0035] 通過視頻采集傳感器采集樣本圖像；
[0036] 通過樣本圖像獲取盲杖hog特征圖像；
[0037] 在盲杖hog特征圖像上進行盲杖的訓(xùn)練學(xué)習(xí)，獲取盲杖的統(tǒng)計特征，即{qk(x)}，k =1，……，N，N為正整數(shù)，其中：
X表示輸入的盲杖hog特征圖 像，ht(x)表示第t個弱分類器，其計算結(jié)果加權(quán)a"后即為a" tht(x)，加權(quán)求和后則構(gòu)成了強 分類器，Qk(X)表示盲杖分類器的一個強分類器，護k表示所有弱分類器加權(quán)求和后需要滿足 的闊值，當(dāng)整體權(quán)重之和大于e"k時，則認(rèn)為滿足該強分類器。
[0038] 所述盲杖hog特征圖像通過W下步驟獲得：
[0039] 設(shè)計hog特征塊高寬比為2:1，8*4像素塊，塊中平均分割而成的兩個單元像素塊， 大小為4*4;計算樣本hog特征的步長為2個像素；
[0040] 袖晦浪試績箇細(xì)渡的微>:% =而+ 1，切-巧X，分，對y =娘:，/)-/知y+0 ; 其中，Kx, y)表示坐標(biāo)x，y的像素值；
[0041] 分別在X方向與y方向?qū)ξ⒎纸Y(jié)果進行積分，進而構(gòu)成像素點I(p，q)的梯度變化直 方圖的積分圖：
其中，P，q分別為像素點Kp,q)的橫坐標(biāo)與縱 坐標(biāo)；
[0042] 查表計算每一個圖像塊的內(nèi)部的像素值的梯度變化之和：
[0043] RecSUM(r) = SUKx-I, y-l)+SUM(x+w-l,y+h-l)-SUM(x-l,y+h-l)-SUM(x+w-l,y-1)
[0044] 其中，r表示圖像塊，h與W分別表示圖像塊的高與寬，RecSUM(r)表示圖像塊內(nèi)的梯 度變化之和；
[0045] 在YUVS個通道中，對每個通道根據(jù)W上步驟進行加權(quán)聯(lián)合計算，得到盲杖hog特 征圖像。
[0046] 所述盲鏡分類器通過離線訓(xùn)練得到，具體包括：
[0047] 通過視頻采集傳感器采集樣本圖像；
[0048] 通過樣本圖像獲取盲鏡hog特征圖像；
[0049] 在盲鏡hog特征圖像上進行盲鏡的訓(xùn)練學(xué)習(xí)，獲取盲鏡的統(tǒng)計特征，即{Tk(x)}，k =1，......，N，N為正整數(shù)，其中
X表示輸入的盲鏡hog特征圖 像，ht(x)表示第t個弱分類器，其計算結(jié)果加權(quán)a"/*后即為a"/tht(x)，加權(quán)求和后則構(gòu)成了 強分類器，rk(x)表示盲鏡分類器的一個強分類器，於/k表示所有弱分類器加權(quán)求和后需要 滿足的闊值，當(dāng)整體權(quán)重之和大于e"/ k時，則認(rèn)為滿足該強分類器。
[0050] 所述盲鏡hog特征圖像通過W下步驟獲得：
[0051] 設(shè)計hog特征塊高寬比為1:1，4*4像素塊，塊中平均分割而成的四個單元像素塊， 大小為2*2;計算樣本hog特征的步長為2個像素；
[0052] 在YUV每個通道中，求出像素值的梯度方向的微分:W,=化取.V)，巧=/(.叫-咐..1'+1); 其中，I(x，y)表示坐標(biāo)x，y的像素值；
[0053] 分別在X方向與y方向?qū)ξ⒎纸Y(jié)果進行