行人检测和行人跟踪必威体育精装版研究方法总结.doc

行人检测和行人跟踪必威体育精装版方法总结 行人检测方法 1概述 基于计算机视觉的行人检测由于其在车辆辅助驾驶系统中的重要应用价值成为当前计算机视觉和智能车辆领域最为活跃的研究课题之一. 其核心是利用安装在运动车辆上的摄像机检测行人，从而估计出潜在的危险以便采取策略保护行人。基于视觉的行人检测系统一般包括两个模块：感兴趣区分割和目标识别[1] 行人检测除了具有一般人体检测具有的服饰变化、姿态变化等难点外，由于其特定的应用领域还具有以下难点：摄像机是运动的，这样广泛应用于智能监控领域中检测动态目标的方法便不能直接使用；行人检测面临的是一个开放的环境，要考虑不同的路况、天气和光线变化，对算法的鲁棒性提出了很高的要求；实时性是系统必须满足的要求，这就要求采用的图像处理算法不能太复杂. 根据分割所用的信息，可将 ROIs 分割的方法分为基于运动、基于距离、基于图像特征和基于摄像机参数四种方法。基于运动的方法通过检测场景中的运动区域来得到 ROIs。基于距离的方法通过测量目标到汽车的距离来得到ROIs . 可以用来测距的传感器主要包括雷达和立体视觉。基于图像特征的方法指通过检测与行人相关的图像特征从而得到 ROIs 。对于可见光图像来说，常用的特征包括竖直边缘、局部区域的熵和纹理等. 对于红外图像来说，主要根据人体尤其是人 脸的温度比周围环境温度较高这一特征，通过检测一些“热点” (Hot spot) 来得到 ROIs。摄像机的安装位置和摄像机参数也是一个很重要的考虑因素. 它对行人在图像上出现的位置和每个位置上目标的大小给出了很多限制, 合理利用这 些限制可以大大地缩小有哪些信誉好的足球投注网站空间。 根据利用的信息的不同，目标识别可以分为基于运动的识别和基于形状的识别两种方法。基于运动的识别方法指通过分析人运动时的步态 (Gait) 特征来识别行人. 人体的步态具有特定的周期性，通过分析图像序列的周期性, 然后与行人步 态的周期性的模式相比较, 就可以识别出行人。 基于形状的识别方法指通过分析目标的灰度、边缘和纹理信息来对目标进行识别。基于形状的方法包括：基于明确人体模型的方法，基于模板匹配的方法，基于统计分类的方法。 基于明确人体模型的方法指根据人体结构的知识，构造一个明确的 2D 或 3D 参数模型，通过提取图像的底层特征来求解模型, 从而识别行人。 基于模板匹配的方法通过存储一些灰度或者轮廓模板来表示行人，识别的时候只需要度量模板与输入窗口的距离就可以识别行人。 基于统计分类的方法通过机器学习从一系列训练数据中学习得到一个分类器，用该分类器来表示行人，然后利用该分类器对输入窗口进行识别。基于统计模型的方法主要包括两个步骤：特征提取和分类器设计. 特征提取的目的是降低数据的维数，得到能反映模式本质属性的特征，方便后面的分类；分类器设计属于机器学习领域的范畴，其目的是得到一个计算复杂度较低，并且推广性较好的分类器. 针对行人识别问题，可根据分类器的设计方法将现有的基于统计分类的方法分为基于神经网络(NN) 的方法，基于支持向量机 (SVM) 的方法和基于 Adaboost 的方法[1]。 [1] 贾慧星，章毓晋.车辆辅助驾驶系统中基于计算机视觉的行人检测研究综述.自动化学报.2007.33 行人检测常用的研究方法 行人检测包括了行人目标的分类和行人的跟踪等方面, 涉及到计算机视觉、模式识别和人工智能领域的许多核心课题, 是一个具有挑战性的困难问题。目前, 在许多文献中提出了多种关于行人检测的方法, 常用的方法有基于运动特性的方法、基于形状信息的方法、基于行人模型的方法、立体视觉的方法、神经网络方法、小波和支持向量机的方法等。 基于形状信息的方法 由于行人探测是在车辆运动的状态下进行的, 这样会带来摄像机的运动, 从而背景图像也会相应发生变化。基于形状信息的行人检测方法回避了由于背景变化和摄像机运动带来的问题, 主要是依靠行人形状特征来识别行人, 因此基于形状的行人检测方法能识别出运动和静止的行人。 意大利帕尔玛大学的Alberto B roggi 教授在AR 2GO项目中采用一种基于外形的行人检测算法。算法首先根据行人相对于垂直轴有很强的垂直边缘对称性、尺寸和外貌比例等在图像中找到感兴趣区域, 然后提取垂直边缘, 选择具有高垂直对称性的区域。通过计算边缘的熵值去掉图像中始终一致的区域。在剩下的具有对称性的候选区域中, 寻找目标侧向和底部边界画出矩形方框, 通过包含行人头部模型匹配定位行人头部。在市区试验表明, 当视野中有完整的行人存在时能得到较好的效果, 在10~ 40m 的范围内都可以正确地进行识别, 并且可以较好地适应复杂的外界环境。 德国DaimlerO Chrysler研究中心的Gavri la开发的行人检测系统在城市交通助手UTA 中进行了试验