基于車載視覺(jué)的行人檢測(cè)與跟蹤方法

　　摘要： 為提高城市交通環(huán)境下車輛主動(dòng)安全性，保障行人安全，提出了基于車載視覺(jué)傳感器的行人保護(hù)方法。利用Adaboost 算法實(shí)現(xiàn)行人的快速檢測(cè)，結(jié)合Kalman 濾波原理跟蹤行人，以獲取其運(yùn)行軌跡。 該方法利用離散Adaboost 算法訓(xùn)練樣本類Haar 特征，得到識(shí)別行人的級(jí)聯(lián)分類器，遍歷車載視覺(jué)采集的圖像，以獲取行人目標(biāo)；結(jié)合Kalman 濾波原理，對(duì)檢測(cè)到的行人目標(biāo)進(jìn)行跟蹤，建立檢測(cè)行人的動(dòng)態(tài)感興趣區(qū)域，利用跟蹤結(jié)果分析行人的運(yùn)行軌跡。 試驗(yàn)表明： 該方法平均耗時(shí)約80 ms /幀，檢測(cè)率達(dá)到88%; 結(jié)合Kalman 濾波原理跟蹤后，平均耗時(shí)降到55 ms /幀，實(shí)時(shí)性較好。

　　隨著汽車保有量的不斷增加，道路交通事故和因車禍傷亡的人數(shù)居高不下。 為滿足人們對(duì)汽車安全性能要求的日益提高，越來(lái)越多的先進(jìn)技術(shù)被應(yīng)用到汽車主動(dòng)安全領(lǐng)域。在道路交通事故中，主要的受害群體是參與交通系統(tǒng)中的行人和騎自行車的人等。據(jù)美國(guó)高速公路安全管理局（ NHTSA） 的資料顯示，2008 年美國(guó)由于交通事故導(dǎo)致69 000 個(gè)行人死亡或者受傷、4 378 個(gè)行人死亡，行人死亡人數(shù)占全年交通事故死亡總?cè)藬?shù)的11. 7%。2007 年我國(guó)因交通事故導(dǎo)致行人死亡的人數(shù)為21 106 人，占交通事故死亡總?cè)藬?shù)的25. 9%，行人受傷人數(shù)為70 838 人，占交通事故受傷總?cè)藬?shù)的18. 6%. 與一些發(fā)達(dá)國(guó)家相比，由于我國(guó)的交通模式主要是混合交通模式，導(dǎo)致交通事故死亡原因和傷害模式與發(fā)達(dá)國(guó)家不同。

　　近年來(lái)，為保障行人安全、提高汽車主動(dòng)安全性能，國(guó)內(nèi)外一些科研院所對(duì)行人保護(hù)技術(shù)進(jìn)行了研究探討，在不斷完善汽車被動(dòng)安全系統(tǒng)的同時(shí)，逐漸發(fā)展和應(yīng)用主動(dòng)安全系統(tǒng)，結(jié)合行人保護(hù)概念和技術(shù)的引入，完善對(duì)行人的保護(hù)。 如Bajracharya等建立了雙目視覺(jué)行人保護(hù)集成系統(tǒng)，實(shí)現(xiàn)道路交通場(chǎng)景下40 m 距離范圍內(nèi)行人的檢測(cè)與跟蹤。

　　Munder 等融合行人的點(diǎn)分布形狀模型和紋理特征建立了行人識(shí)別分類器，采用基于粒子濾波的貝葉斯方法實(shí)現(xiàn)行人的跟蹤。德國(guó)Enzweiler 等分別針對(duì)統(tǒng)計(jì)學(xué)習(xí)中的小波特征、線性支持向量機(jī)以及神經(jīng)網(wǎng)絡(luò)的方法進(jìn)行比較分析，通過(guò)設(shè)計(jì)不同尺度的分類器來(lái)檢測(cè)圖像中的行人。清華大學(xué)的江帆等提出一種基于模型融合的行人跟蹤算法，結(jié)合離線學(xué)習(xí)和在線互學(xué)習(xí)對(duì)模型進(jìn)行更新。中國(guó)科學(xué)技術(shù)大學(xué)程有龍等將行人檢測(cè)的先驗(yàn)知識(shí)融入到跟蹤模型自學(xué)習(xí)過(guò)程中，對(duì)被跟蹤行人進(jìn)行動(dòng)態(tài)建模，從而實(shí)現(xiàn)在真實(shí)監(jiān)控場(chǎng)合下跟蹤具有復(fù)雜運(yùn)動(dòng)的行人。多傳感器信息融合以及行人模型的建立要求較大的計(jì)算量和計(jì)算參數(shù)，很難滿足類似車輛主動(dòng)安全預(yù)警等系統(tǒng)實(shí)時(shí)性要求。 本文采用車載單目視覺(jué)傳感器，利用訓(xùn)練得到的行人識(shí)別級(jí)聯(lián)分類器實(shí)時(shí)獲取車輛前方的行人，并對(duì)其進(jìn)行跟蹤以記錄其運(yùn)動(dòng)軌跡，從而為駕駛員和行人的有效預(yù)警提供技術(shù)參考。

　　1 基于Adaboost 算法的行人檢測(cè)

　　1. 1 Adaboost 算法原理

　　Adaboost 算法通過(guò)訓(xùn)練得到由分類能力一般的弱分類器疊加而成的強(qiáng)分類器，再將若干個(gè)強(qiáng)分類器串連成一個(gè)級(jí)聯(lián)分類器來(lái)遍歷圖像。為快速實(shí)現(xiàn)行人的檢測(cè)和防撞預(yù)警，鑒于Adaboost 算法的特點(diǎn)，本文選擇離散Adaboost 算法訓(xùn)練得到識(shí)別行人的級(jí)聯(lián)分類器，以快速排除圖像中大部分非行人窗口，其結(jié)構(gòu)如圖1 所示。 其中，各階段的強(qiáng)分類器訓(xùn)練過(guò)程如圖2 所示。

　　圖1 N 階級(jí)聯(lián)分類器結(jié)構(gòu)示意

　　圖2 離散Adaboost 訓(xùn)練算法

　　從其訓(xùn)練過(guò)程可知，該算法主要通過(guò)調(diào)整訓(xùn)練樣本的權(quán)重，強(qiáng)化對(duì)錯(cuò)誤分類樣本的訓(xùn)練，最后通過(guò)權(quán)重組合級(jí)聯(lián)所有的弱分類器形成強(qiáng)分類器。