车载红外图像的行人检测与跟踪技术
合集下载
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
（ Ｃ ｏ ｌ ｌ ｅ ｇ ｅｏ ｆ Ｉ ｎ ｆ ｏ ｒ ｍ ａ ｔ ｉ ｏ ｎＳ ｃ ｉ ｅ ｎ ｃ ｅａ ｎ ｄＴ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ ， Ｄ ｏ ｎ ｇ Ｈ ｕ ａＵ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ， Ｓ ｈ ａ ｎ ｇ ｈ ａ ｉ ２ ０ １ ６ ２ ０ ， Ｃ ｈ ｉ ｎ ａ ） Ａ ｂ ｓ ｔ ｒ ａ ｃ ｔ ： Ｂ ａ ｓ ｅ ｄｏ ｎｔ ｈ ｅｃ ｈ ａ ｒ ａ ｃ ｔ ｅ ｒ ｉ ｓ ｔ ｉ ｃ ｓ ｏ ｆ ｖ ｅ ｈ ｉ ｃ ｌ ｅ ｉ ｎ ｆ ｒ ａ ｒ ｅ ｄｉ ｍ ａ ｇ ｅ ｓ ｗ ｅ ｄ ｅ ｔ ｅ ｃ ｔ ｐ ｅ ｄ ｅ ｓ ｔ ｒ ｉ ａ ｎ ｓ ｂ ｙ ｔ ｈ ｅ ｖ ｅ ｈ ｉ ｃ ｌ ｅ ｉ ｎ ｆ ｒ ａ ｒ ｅ ｄｉ ｍ ａ ｇ ｅ ｓ ｕ ｓ ｉ ｎ ｇｔ ｈ ｒ ｅ ｅ ｆ ｒ ａ ｍ ｅ ｄ ｉ ｆ ｆ ｅ ｒ ｅ ｎ ｃ ｅｍ ｅ ｔ ｈ ｏ ｄｗ ｈ ｉ ｃ ｈｉ ｓ ｂ ａ ｓ ｅ ｄｏ ｎｒ ｅ ｇ ｉ ｏ ｎｅ ｓ ｔ ｉ ｍ ａ ｔ ｉ ｏ ｎ ． Ｔ ｈ ｅ ｎｗ ｅｍ ａ ｋ ｅｐ ｅ ｄ ｅ ｓ ｔ ｒ ｉ ａ ｎｒ ｅ ｃ ｏ ｇ ｎ ｉ ｔ ｉ ｏ ｎｂ ａ ｓ ｅ ｄ ｏ ｎｔ ｈ ｅ ｇ ｅ ｏ ｍ ｅ ｔ ｒ ｉ ｃ ｆ ｅ ａ ｔ ｕ ｒ ｅ ｓ ａ ｎ ｄｍ ｏ ｔ ｉ ｏ ｎｃ ｈ ａ ｒ ａ ｃ ｔ ｅ ｒ ｉ ｓ ｔ ｉ ｃ ｓ ． Ｆ ｉ ｎ ａ ｌ ｌ ｙ ， ｐ ｅ ｄ ｅ ｓ ｔ ｒ ｉ ａ ｎｔ ｒ ａ ｃ ｋ ｉ ｎ ｇ ｉ ｓ ｉ ｍ ｐ ｌ ｅ ｍ ｅ ｎ ｔ ｅ ｄｕ ｓ ｉ ｎ ｇ ｃ ｏ ｎ ｔ ｏ ｕ ｒ ｍ ｏ ｍ ｅ ｎ ｔ ｍ ａ ｔ ｃ ｈ ｉ ｎ ｇｍ ｅ ｔ ｈ ｏ ｄ ． Ｔ ｈ ｅｅ ｘ ｐ ｅ ｒ ｉ ｍ ｅ ｎ ｔ ａ ｌ ｒ ｅ ｓ ｕ ｌ ｔ ｓ ｓ ｈ ｏ ｗｔ ｈ ａ ｔ ｔ ｈ ｅｐ ｒ ｏ ｐ ｏ ｓ ｅ ｄｍ ｅ ｔ ｈ ｏ ｄｃ ａ ｎｄ ｅ ｔ ｅ ｃ ｔ ａ ｎ ｄｔ ｒ ａ ｃ ｋｔ ｈ ｅ ｐ ｅ ｄ ｅ ｓ ｔ ｒ ｉ ａ ｎ ｓ ａ ｃ ｃ ｕ ｒ ａ ｔ ｅ ｌ ｙ ． Ｋ ｅ ｙｗ ｏ ｒ ｄ ｓ ： ｐ ｅ ｄ ｅ ｓ ｔ ｒ ｉ ａ ｎｄ ｅ ｔ ｅ ｃ ｔ ｉ ｏ ｎ ； ｐ ｅ ｄ ｅ ｓ ｔ ｒ ｉ ａ ｎｔ ｒ ａ ｃ ｋ ｉ ｎ ｇ ； ｖ ｅ ｈ ｉ ｃ ｌ ｅｉ ｎ ｆ ｒ ａ ｒ ｅ ｄ ； ｒ ｅ ｇ ｉ ｏ ｎｅ ｓ ｔ ｉ ｍ ａ ｔ ｉ ｏ ｎ ； ｔ ｈ ｒ ｅ ｅ ｆ ｒ ａ ｍ ｅ ｄ ｉ ｆ ｆ ｅ ｒ ｅ ｎ ｃ ｅ
１ ４ ］ 廓的新的矩不变量即轮廓矩不变量进行匹配 ［ 。
研究 发 现， 行 人 的 长 宽 比 Ｃ的 范 围 大 约 为 １ ． ４～ ４之间的某个值。需要说明的是， 这里对行人 弯腰、 躺倒等情况不做考虑， 仅考虑直立行走状态。 故只要标定区域的最小外接矩形满足上面的条件， 就将其判别为行人。 基于几何特征的识别 方 法 的 实 验 结 果 如 图 ５ （ ａ ） 所示， 由图中可以看出， 程序识别出三个目标， 这三个目标均符合上述长宽比要求， 但从视觉判断， 图像最左边的物体并不能判为行人， 即产生了误判， 因此本文又结合了行人的运动速率特征对目标进行 综合判别。 运动速率特征是通过对运动目标质心速率的计 算来求取的。通过公式（ ３ ） 和（ ４ ） 可以求得质心。 × ｆ （ ｘ ， ｙ ） ∑ｘ Ｗｎ ｘ ＝ ｎ （ ｘ ， ｙ ） ∑ｆ
（ ２ ）
Ｋ 的补偿计算同 Ｋ ， 将补偿后的图像再进行 式中， ｉ ＋ １ ｉ 三帧差分 计 算， 就可以得到较为满意的行人检测 结果。 （ ａ ） 为车载红外图像； 图３ （ ｂ ） 为阈值分割 图３ 结果； 图３ （ ｃ ） 为经区域估计算法补偿后 Ｋ ｉ － １与 Ｋ ｉ 的差分结果； 图３ （ ｄ ） 为基于区域估计的三帧差分结 果。比较可以看出， 基于区域估计算法的三帧差分 法可以对车载红外图像这种动背景图像进行有效的 行人检测， 该方法完整的检测出行人的轮廓， 保留了 绝大多数细节信息。
１ 引 言 目前， 越来越多的汽车厂家开始开发和使用车 载夜视系统来提高驾驶安全性， 如图 １所示为奔驰 Ｓ 级红外显示系统。车载夜视系统通常使用的是被 动红外夜视技术。被动红外夜视是通过接收物体发 出的不同能量的红外辐射， 并将信号进行放大， 最后 在显示装置上将物体的影像显现出来。被动红外夜 视系统显示质量较好， 有较高性价比， 更重要的是其 作用距离可以满足汽车红外夜视系统的具体要求， 十分适合视距在数百至数千米的汽车红外夜视系统 中使用。专家预测， 在不久的将来随着科技的发展 和夜视系统生产成本的降低， 车载夜视系统将会全 面普及
用特征提取算法进行识别。本文的研究内容针对的
图２ 三帧差分法算法流程图
是车载红外图像的行人， 对被标定区域的判别只有 两种可能： 即行人与非行人（ 动物、 车辆等） 。如只 选取几何特征（ 如长宽比等） 进行识别， 但由于路面 上的诸多复杂情况， 发现出现了明显的误判现象， 加 入了运动特征后识别（ 这里指运动速率） ， 则达到了
［ ５ ］
故在夜间发生， 专家们在对各类交通事故进行系统 研究分析后得出 ： 若驾驶员能在事故发生前提早 几秒钟意识到会有交通事故发生， 并采取了相应的
基金项目： 国家自然基金项目（ Ｎ ｏ ． ６ １ ０ ７ ２ ０ ９ ０ ） 资助。 作者简介： 苏晓倩（ １ ９ ８ ６－） ， 女， 硕士， 主要研究工作是夜视图 像处理。 收稿日期： ２ ０ １ １ １ ０ ２ ６ ； 修订日期： ２ ０ １ １ １ ２ ２ ７
［ ８ ， １ ０ ］
（ ｃ ） 前二帧差分结果 （ ｄ ） 区域三帧差分结果 图３ 图像分割结果比较
３ 行人识别 行人识别的目的就是在行人检测的基础上， 利 用特征提取等方法， 进一步将行人从背景中分离出 来， 为后续行人的跟踪提供条件打下坚实的基
１ １ ］ 。常用的特征识别方法有颜色特征识别、 几何 础［
［ ７ ］
ｆ （ ｍ＋ ｐ ， ｎ ＋ ｑ ） ｋ ｉ － １
（ １ ）
Ｍ Ａ Ｄ （ ｐ ， ｑ ） 为最小绝对误差； ｆ 与ｆ 为Ｋ 其中， ｋ ｋ ｉ与 ｉ ｉ － １ Ｋ 的灰度值。相对位移量由公式（ ２ ） 计算得出： ｉ － １
Ｔ Ｓ ＝ ［ ｄ ｘ ， ｄ ｙ ］ ＝ ａ ｒ ｇｍ ｉ ｎＳ Ａ Ｄ Δ （ ｄ ｘ ， ｄ ｙ ）
区域估计的具体算法为： 分别用 Ｋ ， Ｋ ， Ｋ ｉ － １ ｉ ｉ ＋ １ 表示视频序列中三帧连续的图像， 在Ｋ 中选取区 ｉ － １ 域大小为 ６ ４× ６ ４的区域作为模板区域， 在Ｋ ｉ中搜 寻匹配 Ｋ 中参考模板的最优区域， 根据公式（ １ ） ｉ － １
激 光 与 红 外 Ｎ ｏ ． ８ ２ ０ １ ２ Βιβλιοθήκη Baidu 苏晓倩等 车载红外图像的行人检测与跟踪技术
·图像与信号处理·
车载红外图像的行人检测与跟踪技术
苏晓倩， 孙韶媛， 戈 曼， 谯 帅， 谷小婧
（ 东华大学信息科学与技术学院， 上海 ２ ０ １ ６ ２ ０ ）
摘 要： 针对车载红外图像的特点， 采用基于区域估计的帧差法实现车载红外图像中的行人检 测， 再通过行人的几何特征和运动速率特征进行行人的识别， 最后运用轮廓矩匹配算法进行行 人的跟踪。实验结果表明所采用的方法具有较好的行人检测及跟踪效果。 关键词： 行人检测； 行人跟踪； 车载红外； 区域估计； 三帧差法 中图分类号： Ｔ Ｐ ３ ９ １ ． ４ １ 文献标识码： Ａ Ｄ Ｏ Ｉ ： １ ０ ． ３ ９ ６ ９ ／ ｊ ． ｉ ｓ ｓ ｎ ． １ ０ ０ １ ５ ０ ７ ８ ． ２ ０ １ ２ ． ０ ８ ． ０ ２ ６
９ ５ ０
激 光 与 红 外 第 ４ ２卷
目前对车载红外图像行人的检测与跟踪方法研 究主要有以下特点： ① 在行人检测环节大多选取光 流法
［ ７ ］
Ａ Ｄ （ ｐ ， ｑ ） 最小的点， 并计算出 Ｋ 最优匹配点为使 Ｍ ｉ 与Ｋ 的相对位移量 Δ Ｓ ， 这个相对位移量可以用来 ｉ － １ 补偿 Ｋ ， 计算公式如下： ｉ
第４ ２卷 第 ８期 激 光 与 红 外 ２ ０ １ ２年 ８月 Ｌ Ａ Ｓ Ｅ Ｒ ＆ Ｉ Ｎ Ｆ Ｒ Ａ Ｒ Ｅ Ｄ
Ｖ ｏ ｌ ． ４ ２ ， Ｎ ｏ ． ８ Ａ ｕ ｇ ｕ ｓ ｔ ， ２ ０ １ ２
１ ０ ０ １ ５ ０ ７ ８ （ ２ ０ １ ２ ） ０ ８ ０ ９ ４ ９ ０ ５ 文章编号：
［ １ － ４ ］
正确措施， 则绝大多数事故都可能避免。因此， 车载 红外技术在车辆辅助驾驶系统中的应用越来越受到
６ ］ 人们的关注 ［ 。同时， 车载红外图像的行人检测与
跟踪技术的研究， 成为车辆辅助驾驶系统中的关键 技术之一。
图１ 奔驰 Ｓ 级红外系统显示
。近年来， 交通事故频发， 并且大多数事
９ ５ １
较好的识别效果。 通常情况下由行人的形状特征， 可将其近似为 矩形， 求取运动目标的长宽比也就是求取矩形（ 这 里指得是最小外接矩形） 的长宽比， 如图 ４所示。
（ ｂ ） 所示。 目标图像， 识别出的两个行人如图 ５
（ ａ ） 目标识别结果 １ （ ｂ ） 目标识别结果 ２ 图５ 目标识别结果
４ ６ ４ １ ６ Ｍ Ａ Ｄ （ ｐ ， ｑ ）＝ （ ｍ ， ｎ ）－ ∑ ∑ ｆ ｋ ｉ ｍ－ １ ｎ － １ ６ ４× ６ ４
， 这种方法具有较好的适应性， 但缺点是计
［ ８ ］
算量大， 耗时， 虚警率高等； ② 在行人跟踪环节大多 选取卡尔曼滤波方法 ， 这种方法的不足之处在于
［ ９ ］
随着跟踪的进行， 跟踪误差逐渐增加。由于难以建 立精确的运动模型， 跟踪精度较差 。针对以上问 题和车载红外图像的特点， 选取基于区域估计的三 帧差分法进行行人检测， 既能清晰地检测出行人的 轮廓， 同时也减少了计算量。再通过行人的几何特 征和运动速率特征进行行人的识别， 最后通过轮廓 矩匹配算法进行行人跟踪， 实时更新模板， 有效地减 小跟踪误差， 提高了跟踪的精度。 ２ 行人检测 本文的研究内容主要是针对车载红外图像进行 的， 由红外图像的特点可以得出， 温度高的物体亮度 高， 由于道路上的行人具有主动发热的特点， 相比于 路面其他物体如道路、 树木等， 行人温度明显高于其 他物体。红外图像尽管图像结构较简单， 但用简单 的阈值分割法并不能取得满意的分割结果， 这是因 为这种方法存在一些限制因素： 诸如拍摄所用到的 设备， 光照条件等， 所以导致了待检测的行人和目标 背景之间的亮度值差异可能并不明显。采用帧间差 分法可弥补阈值分割法的不足。三帧差分法
（ ａ ） 车载红外图像 （ ｂ ） 阈值分割结果
是
对普通二帧图像差分的改进， 能更精确地检测出运 动目标的位置和形状参数， 从而更好地获取运动目 标的信息。三帧差分法的算法流程图如图 ２所示。 但对于车载红外图像而言， 由于摄像机被安装在运 动车辆上， 摄像机会随着车辆向前行驶而跟着向前 运动， 这样也就产生了动态的背景
４ 行人跟踪 采用基于轮廓矩的递归特征匹配方法进行行人 跟踪， 在行人跟踪过程中， 灰度并不是最重要的参 数， 而形状才是最重要的， 基于灰度的 Ｈ ｕ矩方法有
１ ３ ］ 时并不能有效和正确的表征轮廓特征 ［ 。因而， 在
图４ 最小外接矩形示意图
Ｈ ｕ 矩不变理论的基础上进行改进， 运用基于物体轮
Ｐ ｅ ｄ ｅ ｓ ｔ ｒ ｉ ａ ｎｄ ｅ ｔ ｅ ｃ ｔ ｉ ｏ ｎａ ｎ ｄｔ ｒ ａ ｃ ｋ ｉ ｎ ｇｏ ｆ ｖ ｅ ｈ ｉ ｃ ｌ ｅ ｉ ｎ ｆ ｒ ａ ｒ ｅ ｄｉ ｍａ ｇ ｅ ｓ
Ｓ ＵＸ ｉ ａ ｏ ｑ ｉ ａ ｎ ， Ｓ Ｕ ＮＳ ｈ ａ ｏ ｙ ｕ ａ ｎ ， Ｇ ＥＭ ａ ｎ ， Ｑ Ｉ Ａ ＯＳ ｈ ｕ ａ ｉ ， Ｇ ＵＸ ｉ ａ ｏ ｊ ｉ ｎ ｇ
。针对静态
背景的三帧差分法已不能满足研究的需要， 因此本 文提出一种基于区域的三帧差分法， 即在三帧差分 之前， 先对车载图像进行区域估计。
特征识别、 纹理特征识别， 以及运动特征识别方法， 由于红外图像缺少颜色与纹理特征， 采用选取几何 特征与运动特征相结合的方法进行行人识别。首先
１ ２ ］ ， 然后再利 对分割后的二值图像进行多目标标定 ［
１ ４ ］ 廓的新的矩不变量即轮廓矩不变量进行匹配 ［ 。
研究 发 现， 行 人 的 长 宽 比 Ｃ的 范 围 大 约 为 １ ． ４～ ４之间的某个值。需要说明的是， 这里对行人 弯腰、 躺倒等情况不做考虑， 仅考虑直立行走状态。 故只要标定区域的最小外接矩形满足上面的条件， 就将其判别为行人。 基于几何特征的识别 方 法 的 实 验 结 果 如 图 ５ （ ａ ） 所示， 由图中可以看出， 程序识别出三个目标， 这三个目标均符合上述长宽比要求， 但从视觉判断， 图像最左边的物体并不能判为行人， 即产生了误判， 因此本文又结合了行人的运动速率特征对目标进行 综合判别。 运动速率特征是通过对运动目标质心速率的计 算来求取的。通过公式（ ３ ） 和（ ４ ） 可以求得质心。 × ｆ （ ｘ ， ｙ ） ∑ｘ Ｗｎ ｘ ＝ ｎ （ ｘ ， ｙ ） ∑ｆ
（ ２ ）
Ｋ 的补偿计算同 Ｋ ， 将补偿后的图像再进行 式中， ｉ ＋ １ ｉ 三帧差分 计 算， 就可以得到较为满意的行人检测 结果。 （ ａ ） 为车载红外图像； 图３ （ ｂ ） 为阈值分割 图３ 结果； 图３ （ ｃ ） 为经区域估计算法补偿后 Ｋ ｉ － １与 Ｋ ｉ 的差分结果； 图３ （ ｄ ） 为基于区域估计的三帧差分结 果。比较可以看出， 基于区域估计算法的三帧差分 法可以对车载红外图像这种动背景图像进行有效的 行人检测， 该方法完整的检测出行人的轮廓， 保留了 绝大多数细节信息。
１ 引 言 目前， 越来越多的汽车厂家开始开发和使用车 载夜视系统来提高驾驶安全性， 如图 １所示为奔驰 Ｓ 级红外显示系统。车载夜视系统通常使用的是被 动红外夜视技术。被动红外夜视是通过接收物体发 出的不同能量的红外辐射， 并将信号进行放大， 最后 在显示装置上将物体的影像显现出来。被动红外夜 视系统显示质量较好， 有较高性价比， 更重要的是其 作用距离可以满足汽车红外夜视系统的具体要求， 十分适合视距在数百至数千米的汽车红外夜视系统 中使用。专家预测， 在不久的将来随着科技的发展 和夜视系统生产成本的降低， 车载夜视系统将会全 面普及
用特征提取算法进行识别。本文的研究内容针对的
图２ 三帧差分法算法流程图
是车载红外图像的行人， 对被标定区域的判别只有 两种可能： 即行人与非行人（ 动物、 车辆等） 。如只 选取几何特征（ 如长宽比等） 进行识别， 但由于路面 上的诸多复杂情况， 发现出现了明显的误判现象， 加 入了运动特征后识别（ 这里指运动速率） ， 则达到了
［ ５ ］
故在夜间发生， 专家们在对各类交通事故进行系统 研究分析后得出 ： 若驾驶员能在事故发生前提早 几秒钟意识到会有交通事故发生， 并采取了相应的
基金项目： 国家自然基金项目（ Ｎ ｏ ． ６ １ ０ ７ ２ ０ ９ ０ ） 资助。 作者简介： 苏晓倩（ １ ９ ８ ６－） ， 女， 硕士， 主要研究工作是夜视图 像处理。 收稿日期： ２ ０ １ １ １ ０ ２ ６ ； 修订日期： ２ ０ １ １ １ ２ ２ ７
［ ８ ， １ ０ ］
（ ｃ ） 前二帧差分结果 （ ｄ ） 区域三帧差分结果 图３ 图像分割结果比较
３ 行人识别 行人识别的目的就是在行人检测的基础上， 利 用特征提取等方法， 进一步将行人从背景中分离出 来， 为后续行人的跟踪提供条件打下坚实的基
１ １ ］ 。常用的特征识别方法有颜色特征识别、 几何 础［
［ ７ ］
ｆ （ ｍ＋ ｐ ， ｎ ＋ ｑ ） ｋ ｉ － １
（ １ ）
Ｍ Ａ Ｄ （ ｐ ， ｑ ） 为最小绝对误差； ｆ 与ｆ 为Ｋ 其中， ｋ ｋ ｉ与 ｉ ｉ － １ Ｋ 的灰度值。相对位移量由公式（ ２ ） 计算得出： ｉ － １
Ｔ Ｓ ＝ ［ ｄ ｘ ， ｄ ｙ ］ ＝ ａ ｒ ｇｍ ｉ ｎＳ Ａ Ｄ Δ （ ｄ ｘ ， ｄ ｙ ）
区域估计的具体算法为： 分别用 Ｋ ， Ｋ ， Ｋ ｉ － １ ｉ ｉ ＋ １ 表示视频序列中三帧连续的图像， 在Ｋ 中选取区 ｉ － １ 域大小为 ６ ４× ６ ４的区域作为模板区域， 在Ｋ ｉ中搜 寻匹配 Ｋ 中参考模板的最优区域， 根据公式（ １ ） ｉ － １
激 光 与 红 外 Ｎ ｏ ． ８ ２ ０ １ ２ Βιβλιοθήκη Baidu 苏晓倩等 车载红外图像的行人检测与跟踪技术
·图像与信号处理·
车载红外图像的行人检测与跟踪技术
苏晓倩， 孙韶媛， 戈 曼， 谯 帅， 谷小婧
（ 东华大学信息科学与技术学院， 上海 ２ ０ １ ６ ２ ０ ）
摘 要： 针对车载红外图像的特点， 采用基于区域估计的帧差法实现车载红外图像中的行人检 测， 再通过行人的几何特征和运动速率特征进行行人的识别， 最后运用轮廓矩匹配算法进行行 人的跟踪。实验结果表明所采用的方法具有较好的行人检测及跟踪效果。 关键词： 行人检测； 行人跟踪； 车载红外； 区域估计； 三帧差法 中图分类号： Ｔ Ｐ ３ ９ １ ． ４ １ 文献标识码： Ａ Ｄ Ｏ Ｉ ： １ ０ ． ３ ９ ６ ９ ／ ｊ ． ｉ ｓ ｓ ｎ ． １ ０ ０ １ ５ ０ ７ ８ ． ２ ０ １ ２ ． ０ ８ ． ０ ２ ６
９ ５ ０
激 光 与 红 外 第 ４ ２卷
目前对车载红外图像行人的检测与跟踪方法研 究主要有以下特点： ① 在行人检测环节大多选取光 流法
［ ７ ］
Ａ Ｄ （ ｐ ， ｑ ） 最小的点， 并计算出 Ｋ 最优匹配点为使 Ｍ ｉ 与Ｋ 的相对位移量 Δ Ｓ ， 这个相对位移量可以用来 ｉ － １ 补偿 Ｋ ， 计算公式如下： ｉ
第４ ２卷 第 ８期 激 光 与 红 外 ２ ０ １ ２年 ８月 Ｌ Ａ Ｓ Ｅ Ｒ ＆ Ｉ Ｎ Ｆ Ｒ Ａ Ｒ Ｅ Ｄ
Ｖ ｏ ｌ ． ４ ２ ， Ｎ ｏ ． ８ Ａ ｕ ｇ ｕ ｓ ｔ ， ２ ０ １ ２
１ ０ ０ １ ５ ０ ７ ８ （ ２ ０ １ ２ ） ０ ８ ０ ９ ４ ９ ０ ５ 文章编号：
［ １ － ４ ］
正确措施， 则绝大多数事故都可能避免。因此， 车载 红外技术在车辆辅助驾驶系统中的应用越来越受到
６ ］ 人们的关注 ［ 。同时， 车载红外图像的行人检测与
跟踪技术的研究， 成为车辆辅助驾驶系统中的关键 技术之一。
图１ 奔驰 Ｓ 级红外系统显示
。近年来， 交通事故频发， 并且大多数事
９ ５ １
较好的识别效果。 通常情况下由行人的形状特征， 可将其近似为 矩形， 求取运动目标的长宽比也就是求取矩形（ 这 里指得是最小外接矩形） 的长宽比， 如图 ４所示。
（ ｂ ） 所示。 目标图像， 识别出的两个行人如图 ５
（ ａ ） 目标识别结果 １ （ ｂ ） 目标识别结果 ２ 图５ 目标识别结果
４ ６ ４ １ ６ Ｍ Ａ Ｄ （ ｐ ， ｑ ）＝ （ ｍ ， ｎ ）－ ∑ ∑ ｆ ｋ ｉ ｍ－ １ ｎ － １ ６ ４× ６ ４
， 这种方法具有较好的适应性， 但缺点是计
［ ８ ］
算量大， 耗时， 虚警率高等； ② 在行人跟踪环节大多 选取卡尔曼滤波方法 ， 这种方法的不足之处在于
［ ９ ］
随着跟踪的进行， 跟踪误差逐渐增加。由于难以建 立精确的运动模型， 跟踪精度较差 。针对以上问 题和车载红外图像的特点， 选取基于区域估计的三 帧差分法进行行人检测， 既能清晰地检测出行人的 轮廓， 同时也减少了计算量。再通过行人的几何特 征和运动速率特征进行行人的识别， 最后通过轮廓 矩匹配算法进行行人跟踪， 实时更新模板， 有效地减 小跟踪误差， 提高了跟踪的精度。 ２ 行人检测 本文的研究内容主要是针对车载红外图像进行 的， 由红外图像的特点可以得出， 温度高的物体亮度 高， 由于道路上的行人具有主动发热的特点， 相比于 路面其他物体如道路、 树木等， 行人温度明显高于其 他物体。红外图像尽管图像结构较简单， 但用简单 的阈值分割法并不能取得满意的分割结果， 这是因 为这种方法存在一些限制因素： 诸如拍摄所用到的 设备， 光照条件等， 所以导致了待检测的行人和目标 背景之间的亮度值差异可能并不明显。采用帧间差 分法可弥补阈值分割法的不足。三帧差分法
（ ａ ） 车载红外图像 （ ｂ ） 阈值分割结果
是
对普通二帧图像差分的改进， 能更精确地检测出运 动目标的位置和形状参数， 从而更好地获取运动目 标的信息。三帧差分法的算法流程图如图 ２所示。 但对于车载红外图像而言， 由于摄像机被安装在运 动车辆上， 摄像机会随着车辆向前行驶而跟着向前 运动， 这样也就产生了动态的背景
４ 行人跟踪 采用基于轮廓矩的递归特征匹配方法进行行人 跟踪， 在行人跟踪过程中， 灰度并不是最重要的参 数， 而形状才是最重要的， 基于灰度的 Ｈ ｕ矩方法有
１ ３ ］ 时并不能有效和正确的表征轮廓特征 ［ 。因而， 在
图４ 最小外接矩形示意图
Ｈ ｕ 矩不变理论的基础上进行改进， 运用基于物体轮
Ｐ ｅ ｄ ｅ ｓ ｔ ｒ ｉ ａ ｎｄ ｅ ｔ ｅ ｃ ｔ ｉ ｏ ｎａ ｎ ｄｔ ｒ ａ ｃ ｋ ｉ ｎ ｇｏ ｆ ｖ ｅ ｈ ｉ ｃ ｌ ｅ ｉ ｎ ｆ ｒ ａ ｒ ｅ ｄｉ ｍａ ｇ ｅ ｓ
Ｓ ＵＸ ｉ ａ ｏ ｑ ｉ ａ ｎ ， Ｓ Ｕ ＮＳ ｈ ａ ｏ ｙ ｕ ａ ｎ ， Ｇ ＥＭ ａ ｎ ， Ｑ Ｉ Ａ ＯＳ ｈ ｕ ａ ｉ ， Ｇ ＵＸ ｉ ａ ｏ ｊ ｉ ｎ ｇ
。针对静态
背景的三帧差分法已不能满足研究的需要， 因此本 文提出一种基于区域的三帧差分法， 即在三帧差分 之前， 先对车载图像进行区域估计。
特征识别、 纹理特征识别， 以及运动特征识别方法， 由于红外图像缺少颜色与纹理特征， 采用选取几何 特征与运动特征相结合的方法进行行人识别。首先
１ ２ ］ ， 然后再利 对分割后的二值图像进行多目标标定 ［