自動(dòng)駕駛之基于視覺信息的行人檢測

　　使用CCD/CMOS攝像頭的行人檢測

　　1.行人定位

　　檢測步驟的目的是找到行人可能出現(xiàn)的區(qū)域，然后在這些區(qū)域中完成行人識(shí)別和跟蹤過程。與車輛檢測類似，該領(lǐng)域的三種主要方法是基于先驗(yàn)知識(shí)的方法、基于立體視覺的方法和基于運(yùn)動(dòng)的方法。

　　許多方法使用了人體的形狀信息。這些方法一般不需要時(shí)間維度的信息，可以避免背景變化帶來的問題。另一方面，由于行人運(yùn)動(dòng)過程中身體形狀多變，會(huì)給這種方法帶來極大的計(jì)算量。例如，Curio等研究人員首先根據(jù)局部圖像熵值來獲取主動(dòng)區(qū)域，然后進(jìn)行形狀匹配。該方法使用Λ形狀來表示多變的腿部形狀信息。此外，它們使用逆透視映射來檢測短距離障礙物。最后，他們使用DAF( Dynamic Activation Field，DAF)策略來進(jìn)行下一步的處理，如下圖所示。

　　左圖是使用熵信息、輪廓信息和三維信息來得到DAF，然后進(jìn)行初次行人檢測的示例。右圖是行人行走模型的典型步態(tài)，a-l是行人行走過程的12個(gè)階段。

　　另一種行人潛在區(qū)域的檢測方式是使用立體圖的方法，例如，有研究者使用基于多變量的判別分析方法來提取三維物體的特征，最終得到區(qū)分行人和周圍物體的三個(gè)有效變量。還有的研究者使用兩個(gè)車載攝像頭成對(duì)圖像中的位置差別來計(jì)算得到主體車輛與某特征點(diǎn)的距離。同時(shí)，他們使用梯度方向光流法來檢測物體的運(yùn)動(dòng)情況。結(jié)合立體視覺方法和運(yùn)動(dòng)信息方法的優(yōu)勢，他們提出了光流和深度約束法，該方法可以在多種情況下快速完成行人的檢測任務(wù)。

　　對(duì)于提取興趣區(qū)域而言，行人運(yùn)動(dòng)信息至關(guān)重要。基于運(yùn)動(dòng)信息的行人定位方法的一個(gè)優(yōu)勢是可以檢測被其他行人部分遺擋的行人。然而，該方法需要分析多幀的信息，這大大增加了運(yùn)行時(shí)間和計(jì)算量。同時(shí)，該方法不能檢測靜態(tài)的行人，所以該方法常常用于行人識(shí)別過程。

　　2.行人識(shí)別

　　確定行人可能出現(xiàn)的區(qū)域后，需要進(jìn)行行人識(shí)別過程，從面去掉錯(cuò)誤的區(qū)域。近剛的研究分為兩類：基于運(yùn)動(dòng)的方法和基于人體形狀的方法。第一類方法考慮了時(shí)間維度的信息，試圖檢測行人運(yùn)動(dòng)的周期性特征。第二類方法沒有用圖像序列中的特點(diǎn)，而是分析人體形狀信息。

　　運(yùn)動(dòng)模式，尤其是步態(tài)周期模式是區(qū)分行人和其他運(yùn)動(dòng)物體的一個(gè)重要信息。例如，有的研究者使用最大熵算法來研究行人運(yùn)動(dòng)所引發(fā)的圖像強(qiáng)度變化。他們利用運(yùn)動(dòng)過程分解得到的時(shí)間頻率和空間頻率信息，進(jìn)行模型的匹配過程。也有研究者使用時(shí)頻分析和帶 Harming窗的短時(shí)傅里葉變換來得到行走周期的變化信息。還有研究者使用自適應(yīng)時(shí)間延遲神經(jīng)網(wǎng)絡(luò)算法從輸入的圖像序列中提取局部時(shí)空特征，跟使用全局特征的方法不同，該方法在低計(jì)算量、低存儲(chǔ)需求的情況下，可以取得更好的識(shí)別別效果。

　　基于人體形狀的識(shí)別方法不僅可以識(shí)別運(yùn)動(dòng)行人，也可以識(shí)別靜態(tài)行人。該類方法的主要困難是光照變化、衣服變化、姿態(tài)變化和遮擋情況下的行人識(shí)別間題。

　　據(jù)悉，研究者Gavrila使用模板來匹配行人，然后調(diào)整這些配區(qū)域，最后使用徑向基函數(shù)對(duì)這些區(qū)域進(jìn)行分類。有研究者也使用了基于輪廓信息的四配方法。首先，基于拉普拉斯濾波來檢測邊沿，進(jìn)面得到二值邊沿圖。然后，利用距離變換將邊沿圖轉(zhuǎn)換為DT圖。最后，使用DT圖跟模板進(jìn)行匹配，小于特定閾值的被看作是真正的行人區(qū)域。為了減少計(jì)算量，有的研究者使用主動(dòng)搜索法完成后續(xù)的圖像差分搜索計(jì)算過程。有的研究者還指出之前的方法所提取的運(yùn)動(dòng)信息主要是攝像頭的運(yùn)動(dòng)而非行人的運(yùn)動(dòng)，所以他們主要在靜態(tài)圖上完成行人識(shí)別過程，利用的是行人腿部的信息。有的研究者使用 Adaboost訓(xùn)練算法將一組分類準(zhǔn)準(zhǔn)確率略高于50%的弱分類器整合成一個(gè)準(zhǔn)確率接近100%的強(qiáng)分類器。有研究者提出單幀分類算法，將獲取的圖像分成許多子區(qū)域。然后在每個(gè)子區(qū)域上分別進(jìn)行分類操作，得到局部的判別結(jié)果，最后使用特征向量分類器整合這些局部結(jié)果。研究者Bertozzi等人在基于人體形狀的方法中引入蟻群優(yōu)化算法，得到行人存在的潛在區(qū)域。

　　許多單步法也使用了人體形狀信息。研究者Papagcorgiou等人使用小波模板定義了物體的形狀。小波模板包含了大量對(duì)應(yīng)于不同小波子集不同尺度上的規(guī)則區(qū)域。不同區(qū)域間的關(guān)系可以用小波系數(shù)來表示和加以限制。雖然不同區(qū)域的強(qiáng)度會(huì)有較大變化，但其關(guān)系卻變化不大。 Elein等研究人使用基于小波的特征提取算法和模板匹配方式來檢測行人。他們對(duì)訓(xùn)練圖像分塊后使用Haar小波變換提取相關(guān)特征，得到特征模板，然后將測試圖像的特征向量跟模板進(jìn)行匹配，得到檢測結(jié)果。

　　3.行人跟蹤

　　行人跟蹤能夠有效評(píng)估行人的運(yùn)動(dòng)過程，同時(shí)預(yù)測可能的碰撞情況，從而成為現(xiàn)階段的一個(gè)研究熱點(diǎn)。跟蹤過程中會(huì)綜合使用位置、速度、形狀和圖像序列中的其他特征?？柭鼮V波、 Condensation算法和動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)也被用到該任務(wù)中。

　　借助行人的線性形狀模型，研究者Philomin等人使用 Condensation器來完成目標(biāo)的跟蹤任務(wù)，最終使用準(zhǔn)蒙特卡洛方法將其轉(zhuǎn)化為高維問題， Gavrila等人使用特定的(α-β)跟蹤器來估計(jì)物體的狀態(tài)參數(shù)。跟蹤器本身是一個(gè)卡爾曼濾波器，其速度固定，帶有穩(wěn)態(tài)增益。由于檢測過程已經(jīng)成功解決了物體的形變問題，跟蹤器只需要完成定位任務(wù)。研究者Bertozzi等人使用卡爾曼濾波器來估計(jì)行人位置，計(jì)算行人運(yùn)動(dòng)，進(jìn)而實(shí)現(xiàn)行人跟蹤。

　　使用紅外攝像頭的行人檢測

　　盡管大量研究人員使用視覺信息進(jìn)行行人檢測，但該類方法在實(shí)際應(yīng)用中仍然存在許多困難。例如室外場景的復(fù)雜多變，行人外形因?yàn)榉?、姿態(tài)和運(yùn)動(dòng)面變化多端。由于車輛處于運(yùn)動(dòng)狀態(tài)，背景場景的變化也不可避免。

　　為解決這些問題，近期的一些研究在智能車輛系統(tǒng)中使用了熱電堆和紅外傳感器。由于行人比周圍背景的溫度高，有研究人員使用熱電堆傳感器來探測視野中的物體?；谕瑯拥脑砝恚醒芯空呤褂眉t外傳感器進(jìn)行行人檢測。可以從這些二推熱圖像中分析形態(tài)學(xué)特征和熱特征，進(jìn)面找到行人。

　　熱電堆和紅外傳感器的優(yōu)點(diǎn)是檢測過程簡便易行。檢測率高于傳傳統(tǒng)的基于視覺的方法。下圖形象地說明了利用紅外圖像從周圍環(huán)境檢出行人的過程。此外，基于紅外攝像頭的方法似乎是唯一可靠的夜間行人檢測方法

　　立體紅外攝像頭系統(tǒng)的預(yù)處理過程

　　a)最初的輸人圖 b)注意力焦點(diǎn)區(qū)域

　　熱電堆和紅外傳感器的另一個(gè)優(yōu)點(diǎn)是不需要照亮周圍環(huán)境，就可以被動(dòng)地完成行人檢測任務(wù)。因此，它們對(duì)環(huán)境不產(chǎn)生額外的干找，是一種環(huán)境友好型的傳感器。紅外攝像頭的唯一缺點(diǎn)是其成本較高，這限制了它的應(yīng)用范圍。今后，如何使用低成本的車載紅外攝像頭完成行人檢測將成為一個(gè)熱點(diǎn)問題。