關(guān)于車載視覺的優(yōu)點(diǎn)和不足

　　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。為滿足人們對汽車安全性能要求的日益提高，越來越多的先進(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)美國高速公路安全管理局（NHTSA）的資料顯示，2008年美國由于交通事故導(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)國家相比，由于我國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)國家不同。

　　近年來，為保障行人安全、提高汽車主動(dòng)安全性能，國內(nèi)外一些科研院所對行人保護(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，完善對行人的保護(hù)。如Bajracharya等建立了雙目視覺行人保護(hù)集成系統(tǒng)，實(shí)現(xiàn)道路交通場景下40 m距離范圍內(nèi)行人的檢測與跟蹤。

　　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Enzweiler等分別針對統(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，通過設(shè)計(jì)不同尺度的分類器來檢測圖像中的行人。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)對模型進(jìn)行更新。中國科學(xué)技術(shù)大學(xué)程有龍等將行人檢測的先驗(yàn)知識(shí)融入到跟蹤模型自學(xué)習(xí)過程中，對被跟蹤行人進(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

　　1.1 Adaboost算法原理

　　Adaboost算法通過訓(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)分類器來遍歷圖像。為快速實(shí)現(xiàn)行人的檢測和防撞預(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)練過程如圖2所示。

關(guān)于車載視覺的優(yōu)點(diǎn)和不足

圖1 N階級(jí)聯(lián)分類器結(jié)構(gòu)示意

關(guān)于車載視覺的優(yōu)點(diǎn)和不足

圖2離散Adaboost訓(xùn)練算法

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

1.2樣本的離線訓(xùn)練與行人的在線檢測

　　本文采用Adaboost算法訓(xùn)練得到識(shí)別行人的級(jí)聯(lián)分類器，通過程序加載分類器實(shí)現(xiàn)行人的在線檢測，檢測流程如圖3所示。

　　樣本的離線訓(xùn)練模塊主要是為了獲得識(shí)別行人的級(jí)聯(lián)分類器，具體過程如下所示。

　?。?）樣本獲取及預(yù)處理：行人樣本通過離線手動(dòng)分割的車輛前方不同距離、不同走向、不同衣著和尺寸的行人圖像，統(tǒng)一縮放為16×32像素的尺寸；非行人樣本是從不含行人的背景圖像中分割得到的。為減小訓(xùn)練樣本的類內(nèi)差異，降低光照不同對訓(xùn)練結(jié)果的影響，采用直方圖均衡化方法對樣本進(jìn)行預(yù)處理。本文選擇的訓(xùn)練樣本共3 060幅，其中行人樣本2 100幅，非行人樣本960幅；

　?。?）樣本特征提?。哼x用P.Viola等提出的類Haar特征作為行人檢測的特征，該特征主要描述圖像模式相鄰區(qū)域的特征差異，可用積分圖快速計(jì)算矩形區(qū)域的特征值；

　?。?）訓(xùn)練結(jié)果：訓(xùn)練得到的級(jí)聯(lián)分類器由20級(jí)強(qiáng)分類器組成，每個(gè)強(qiáng)分類器包含了不同個(gè)數(shù)的弱分類器，每個(gè)弱分類器由一個(gè)類Haar特征、閾值和指示不等號(hào)方向組成。隨著分類器級(jí)數(shù)的增大，強(qiáng)分類器中所包含弱分類器即類Haar特征數(shù)量也越多。訓(xùn)練得到的前6級(jí)強(qiáng)分類器中所包含的類Haar特征及其數(shù)量見表1所示。

關(guān)于車載視覺的優(yōu)點(diǎn)和不足

　　行人在線檢測模塊是根據(jù)訓(xùn)練得到的分類器對待檢圖像的各子窗口進(jìn)行判別，檢測結(jié)果是一系列的目標(biāo)矩形，顯示行人在圖像中的位置，本文通過縮放檢測子窗口來遍歷待檢圖像，以分割圖像中大小未知的行人目標(biāo)，具體檢測過程如下。

　?。?）獲取大小為320×240像素的待檢圖像，設(shè)置最小檢測窗口大小為32×64像素，從圖像的左下角開始逐行向右每隔一個(gè)像素移動(dòng)檢測窗口，直至達(dá)到圖像邊緣為止；

　?。?）利用訓(xùn)練模塊得到的級(jí)聯(lián)分類器按圖1所示方法對各待檢子窗口進(jìn)行判決，完成該級(jí)檢測窗口大小的掃描：如果該待檢子窗口能通過所有級(jí)聯(lián)分類器則說明其為行人窗口；如果有任何一個(gè)強(qiáng)分類器不能通過就可以判定其為非行人窗口；

　?。?）按照試驗(yàn)確定的比例系數(shù)放大檢測子窗口大小，并按上述步驟重新對待檢圖像進(jìn)行掃描，獲取較大尺寸的行人目標(biāo)。

2基于Kalman濾波的行人跟蹤

　　使用離散Kalman濾波預(yù)測行人在下一時(shí)刻可能出現(xiàn)的區(qū)域，縮短目標(biāo)搜索時(shí)間，實(shí)現(xiàn)行人的快速跟蹤定位。行人跟蹤結(jié)果不但能獲得行人的運(yùn)動(dòng)軌跡，也能為行人的運(yùn)動(dòng)分析提供可靠的數(shù)據(jù)來源。

2.1 Kalman濾波算法原理

　　Kalman濾波由動(dòng)態(tài)過程模型和反饋修正環(huán)節(jié)組成。動(dòng)態(tài)過程模型實(shí)現(xiàn)預(yù)測功能，反饋修正環(huán)節(jié)則把增益和殘差的乘積作為強(qiáng)制函數(shù)作用在模型上。設(shè)系統(tǒng)的狀態(tài)方程和觀測方程如下：

　　關(guān)于車載視覺的優(yōu)點(diǎn)和不足

　　式中：Xk是時(shí)刻k的n維狀態(tài)向量；Zk是時(shí)刻k的m維觀測向量；n階方陣Фk-1為狀態(tài)轉(zhuǎn)移矩陣；m×n階矩陣Hk為觀測矩陣；Wk-1、Vk是2個(gè)服從正態(tài)分布的零均值高斯白噪聲序列，方差陣分別為Qk、Rk。

　　Kalman濾波過程可由預(yù)測方程：

　　關(guān)于車載視覺的優(yōu)點(diǎn)和不足

　　和濾波遞推方程：

　　表示，其中：

　　為濾波器增益；

　　為預(yù)測誤差方差陣；

　　關(guān)于車載視覺的優(yōu)點(diǎn)和不足

　　為濾波誤差方差陣。

2.2行人跟蹤

　　根據(jù)Kalman濾波原理，本文對檢測得到的車輛前方行人質(zhì)心位置和行人外接矩形的高度與寬度進(jìn)行跟蹤。在每幀圖像中，行人的狀態(tài)可以用其質(zhì)心的位置、位置變化率和外界矩形框的大小來表示。假設(shè)（xt,yt）代表行人區(qū)域質(zhì)心點(diǎn)在第t幀圖像的像素位置；（Δxt,Δyt）分別代表質(zhì)心的變化；（ht,wt）是包圍行人外接矩形的高度和寬度；（Δht,Δwt）是高度和寬度的變化。因此，在第t幀圖像中行人的狀態(tài)向量可以表示為：

　　由于行人的運(yùn)動(dòng)速度較慢，相鄰2幀圖像之間的時(shí)間間隔較短，可假設(shè)行人在單位時(shí)間間隔內(nèi)做勻速運(yùn)動(dòng)，狀態(tài)轉(zhuǎn)移矩陣可以表示如下：

　　關(guān)于車載視覺的優(yōu)點(diǎn)和不足

　　為了觀測道路區(qū)域各個(gè)狀態(tài)變量，取觀測向量Zt=（xt,yt,ht,wt）T,選取系統(tǒng)測量矩陣為：

關(guān)于車載視覺的優(yōu)點(diǎn)和不足

　　為應(yīng)用Kalman濾波跟蹤車輛前方行人，必須確定狀態(tài)變量和誤差方差矩陣的初始值。本文在連續(xù)2幀圖像成功實(shí)現(xiàn)行人的識(shí)別定位后開始進(jìn)行基于Kalman濾波跟蹤。假設(shè)檢測到行人的圖像是第t幀和t+1幀，初始狀態(tài)向量X0可表示為：

關(guān)于車載視覺的優(yōu)點(diǎn)和不足

　　此外，還需要定義相應(yīng)的協(xié)方差矩陣P0.由于Pt隨著獲取更多的圖像反復(fù)更新，為此可以給它一個(gè)較大的初值。假設(shè)預(yù)測位置在x和y方向上離真實(shí)位置具有±10個(gè)像素誤差，在x和y方向上速度離真實(shí)速度有±5個(gè)像素誤差。由于行人腿部的運(yùn)動(dòng)，使得行人外界矩形的寬度要比高度有較大的變化，所以假設(shè)外接矩形窗口的高度與實(shí)際行人矩形窗口的高度誤差有±5個(gè)像素，高度的變化率有±3個(gè)像素誤差；寬度的誤差為±10個(gè)像素，寬度的變化率有±5個(gè)像素誤差。由此，誤差協(xié)方差矩陣P0可定義為：

關(guān)于車載視覺的優(yōu)點(diǎn)和不足

　　除了X0和P0,還需要估計(jì)系統(tǒng)狀態(tài)方程和測量方程的誤差協(xié)方差矩陣Q和R。通過觀察，可認(rèn)為系統(tǒng)狀態(tài)噪聲如下：在x和y方向上系統(tǒng)定位誤差的標(biāo)準(zhǔn)偏差是5個(gè)像素，由此進(jìn)一步認(rèn)為速度的標(biāo)準(zhǔn)偏差為每幀2個(gè)像素。而行人外界矩形窗口的高度標(biāo)準(zhǔn)偏差為3個(gè)像素，其變化率為1個(gè)像素，行人矩形窗口寬度的標(biāo)準(zhǔn)偏差為5個(gè)像素，其變化率為2個(gè)像素。因此，狀態(tài)變量噪聲協(xié)方差矩陣可以表示為：

關(guān)于車載視覺的優(yōu)點(diǎn)和不足

　　類似地，定義測量方程在x和y方向上的標(biāo)準(zhǔn)偏差為3個(gè)像素，高度標(biāo)準(zhǔn)偏差為2個(gè)像素，寬度的標(biāo)準(zhǔn)偏差為3個(gè)像素。因此：

關(guān)于車載視覺的優(yōu)點(diǎn)和不足

　　利用上述的狀態(tài)預(yù)測和更新方程以及初始條件，可估計(jì)每一幀圖像狀態(tài)向量X^k（-）和相應(yīng)的協(xié)方差矩陣Pk（+）。協(xié)方差矩陣Pk（+）表示預(yù)測下一幀檢測行人矩形窗口位置的不確定范圍，Pk（+）越大，估計(jì)值越不穩(wěn)定，搜索區(qū)域也就越大，此時(shí)，自動(dòng)調(diào)整搜索區(qū)域[17].

3試驗(yàn)及分析

行人檢測與跟蹤識(shí)別流程如下：

　?。?）按照圖3所示的在線檢測模塊分析CCD采集的序列圖像中是否存在行人，并記錄行人目標(biāo)矩形的相關(guān)信息；

　?。?）如果在序列圖像中連續(xù)2幀檢測到行人，則啟動(dòng)行人跟蹤程序，并用檢測結(jié)果更新Kalman濾波器，使其能預(yù)測下一幀中行人可能存在的區(qū)域；

　?。?）對預(yù)測區(qū)域按照以下策略進(jìn)行修正：以行人質(zhì)心位置的估計(jì)值作為中心，將預(yù)測得出的行人矩形的高度和寬度各放大1.5倍，建立行人搜索的感興趣區(qū)域，在新的感興趣區(qū)域中用級(jí)聯(lián)分類器進(jìn)行目標(biāo)檢測，然后將檢測到的行人質(zhì)心和矩形寬度與高度作為下一步預(yù)測的初始值；

　　表2行人檢測與跟蹤試驗(yàn)結(jié)果統(tǒng)計(jì)

圖4是車輛由靜止到運(yùn)動(dòng)狀態(tài)下對前方1個(gè)行人的跟蹤結(jié)果

　　行人在車輛靜止時(shí)背對著車輛向前方行走，行走到一定位置之后等候車輛起動(dòng)，待車輛向前行駛一段距離后，行人繼續(xù)向前運(yùn)動(dòng)，并伴有橫穿道路等動(dòng)作。從圖5的跟蹤曲線可以看出，識(shí)別行人的外接矩形寬度變化比較顯著，這符合實(shí)際情況，由于行人行走時(shí)腿部跨度造成封閉矩形寬度變化明顯；由于行人相對于本車的距離變化是連續(xù)的，使得行人外接矩形的高度變化比較連續(xù)。

　　試驗(yàn)表明，光照條件不同會(huì)對行人的識(shí)別與跟蹤結(jié)果產(chǎn)生一定影響，尤其當(dāng)光照較強(qiáng)時(shí)，行人某些部位與地面或背景融為一體，灰度差值很小，造成行人定位不精確或者識(shí)別失效，如圖6所示。

4結(jié)束語

　　本文提出一種基于Adaboost算法的行人檢測方法，根據(jù)行人運(yùn)動(dòng)速度慢的特點(diǎn)，提出利用Kalman濾波對行人外接矩形的中心及其寬度和高度進(jìn)行預(yù)測，建立動(dòng)態(tài)可變的行人搜索感興趣區(qū)域，使每幀圖像處理的平均耗時(shí)由80 ms左右降至55 ms,從而滿足實(shí)時(shí)性要求。試驗(yàn)表明，本文方法能夠識(shí)別車輛前方靜止和運(yùn)動(dòng)的行人，檢測率達(dá)到約88%。

　　行人檢測技術(shù)是汽車安全輔助駕駛研究領(lǐng)域的重要組成部分，下一步需要在行人檢測的基礎(chǔ)上，分析其運(yùn)動(dòng)狀態(tài)以及本車對其構(gòu)成的危險(xiǎn)程度。在車輛與行人可能發(fā)生碰撞時(shí)，及時(shí)向駕駛員發(fā)出警示信息，當(dāng)駕駛員沒有采取有效避碰措施時(shí)，系統(tǒng)啟動(dòng)減速或緊急制動(dòng)等操作，有效保障行人的安全。

　　試驗(yàn)表明，本文研究工作還存在一定的不足，考慮因素還不全面，受光照條件的影響較。下一步擬采取CCD光圈自動(dòng)調(diào)節(jié)裝置來改善白天強(qiáng)光照條件或者暗光照條件的成像質(zhì)量，并研究如何提取有效表征和區(qū)分行人目標(biāo)的特征、增加訓(xùn)練樣本或者改進(jìn)訓(xùn)練方法。同時(shí)，結(jié)合紅外傳感器研究傍晚或夜間等條件下的行人檢測。