智能车辆的行人检测技术研究

智能车辆的行人检测技术研究
2010-07-05 16:16:07 作者:撰文/郑州大学 机械工程学院 杨大鹏 高向东 刘红 莱芜钢铁集团有限公司 宋韩君 来源: 文字大小:[大][中][小]
减少道路交通事故的发生和人员伤亡已成为全社会广泛关注的问题，开展行人检测技术研究，及时告知驾驶员车辆前方有行人的存在，并进行安全预警，对减少和避免车辆与行人发生碰撞事故有着重大意义。



行人检测现状


由于行人检测面临的工作环境比较复杂，而且性能要求很高，因此成为计算机科学、图像处理、自动化与控制、人工智能和模式识别等多学科交叉的研究热点。行人检测的主要方法有基于传感器、基于特征提取、基于人体模型、基于统计分类、基于模板匹配等。


基于传感器的方法


目前用于行人检测的传感器主要有单目视觉、立体视觉、红外成像、微波雷达、激光测距等。这些传感器通过对车辆周边环境进行非接触式探测，获得周边的行人、车辆、障碍物等信息。


视觉是人类观察世界和认识世界的重要手段，驾驶者行车时所需要的信息90%来自视觉系统，交通信号、交通图案、道路标识等都可看作是环境与驾驶者的视觉通讯语言。单目视觉具有信息含量极为丰富、获取的信息面积大、可进行多车道检测、可同时进行道路检测和障碍物识别、维护费用比较低等优点。但是它获取的图像信息比较复杂，要处理的数据量很大，还容易受光照、天气和遮挡的影响。基于单目移动拍摄下的行人检测方法，把行人分解为多个部件进行识别。


立体视觉是从两个或更多视点观察同一事物，从而获得在不同视角下的感知图像，通过三角测量原理计算图像像素间的视差来获取景物的三维信息。该方法可以获得行人等与车辆的距离，部分解决行人遮挡问题。通过立体视觉分割算法将行人从背景中分割出来，然后利用神经网络进行目标分类识别。


红外成像的依据是物体的温度和发出热量的数量，可以在白天和夜间工作，也适用于雨雪天气。由于没有颜色和纹理结果，也没有光线的影响，所以行人识别更容易，但是容易受热源的影响。基于红外成像的实时的行人检测系统，设计了一种概率模板，然后进行模板匹配以确定图像中是否存在行人。


雷达技术和激光测距可以探测到车辆周围的深度信息，而且不受气候、光线等的影响， 它在测速、测距上具有很大的优势。雷达和激光测距在获取远距离图像信息上有着显著的优势，但是分辨率较低，不利于分类。基于雷达的城市交通场景特征，其目标是探索所有能从雷达传感器中获

取的信息，为行人检测选择合适的特征。


单一的传感器不能完成行人检测的需要，因此，多传感器融合就成为新的方向。具体来说就是采用不同类型的传感器检测不同类型的信息，然后对信息进行综合处理，充分利用各种传感器的优势，使得达到最优效果。单毫米波雷达与单光学摄像头信息融合的检测方法，采用雷达进行距离测量和摄像头进行车道标记检测。


基于特征提取的方法


行人检测中常用的特征有外观特征、运动特征和抽象特征，抽象特征既可以用来描述外观特征，也可以用来表示运动特征。


外观特征用于描述图像中的行人形状、尺寸、纹理等静态信息。基于外观特征的方法回避了由于摄像头的运动带来的背景图像变化的问题，能有效识别道路中的静止和行走的行人。有研究人员从图像序列中获取行人的形状，然后与设计的模板进行匹配，以判断是否存在行人。由于行人显示出的形状信息具有多样性，行人背景的复杂性以及部分遮挡现象，这些都增加了行人检测的难度。


运动特征用于描述行人运动时产生的变化和规律。通过计算运动区域的残余光流来分析运动体的刚性和周期性，根据非刚性的行人的运动比刚性的车辆运动具有较高的平均残余光流，将行人区分出来。光流计算法能够检测独立运动的对象，不需要预先知道场景的任何信息，并且能够适用于静止背景和运动背景的环境。但是需要连续几帧序列图像，增加了处理时间，不便于实时性检测行人。


由于单个的外观特征与运动特征存在着不好克服的局限性，多特征融合就成为学者们新的研究方向。考虑到大量的候选区和复杂的场景会使识别速度降低，只用外形特征训练一个好的分类器是困难的，因此有人提出了把外形特征和运动特征融合，组成一个特征集，用它来训练分类器。此外，比较了只用外形特征和外形特征与运动特征结合两种情况，显示了融合方法的优越性。


基于人体模型的方法


基于模型的行人检测方法是通过定义行人形状模型，在图像的各个部位匹配该模型以找到目标。这种方法具有明确的模型、识别速度快、可以处理部分遮挡问题，但是合适的模型很难构建。行人的模型主要有一维人体模型、二维人体模型和三维人体模型。


一维模型是最简单的人体模型，因为可以将身体的各个部分直接用直线来模拟，也被称为线性模型。可以通过使用背景减除法从摄像机序列图像中自动分割出行人的轮廓，建立行人的统计形状模型。然后建立线性点分布模型使用主成分分析降低维数，找到8维变形

空间。


二维人体模型是应用最广泛的模型，例如一种名为coarse-to-fine的行人检测方法，该方法把一个人建模成人体自然部位的组装，所用部位包括头肩、躯干和腿，首先用全身检测器找到行人候选区，然后用基于贝叶斯决策的组合算法进一步确定候选者中的行人，实验结果表明这种方法有很好的检测性能。


三维人体模型也被称为立体模型，主要是利用球、椭圆柱、广义锥台等模型来描述人体的结构细节。这种模型在处理姿态问题、视角变化和遮挡问题上有显著优势，但是这种模型要求更多的计算参数。由圆柱体组成的三维模型，通过采用卡尔曼滤波获得图像模型的参数估计。


基于统计分类的方法


基于统计分类的方法是通过机器学习从一系列训练数据中学习得到一个分类器，然后利用该分类器对输入窗口进行识别。目前常用的统计分类的方法有神经网络、支持向量机和Adaboost等。


基于单个的分类机制不能满足使用者需求，于是研究者又提出了组合的分类机制，即将多个单分类器按照一定的结构组织起来，综合判断检测目标，同时获取不同分类器的优点。


基于模板匹配的方法


模板匹配是从目标图像中寻找已知模板图像的过程，通过将模板图像在目标图像上平移并计算平移位置处模板图像与目标图像重叠部分的相似性，如果满足事先设定的参数要求，则可以认为在目标图像中存在模板图像所代表的图像区域，该图像区域在目标图像中的位置也同时获得。基于模板匹配的方法能够检测与识别静止的行人和运动的行人。有研发人员设计了一个基于视觉的用于智能车设计方面的行人检测算法，它先对从安装在车辆上的摄像机获得的视频帧进行小波变换，然后使用多尺度模板匹配来确定帧中是否包含行人信息，并对行人进行定位。



存在的问题及展望


行人检测是智能车辆、辅助驾驶与智能交通的研究热点，随着计算机科学、电子技术、图像处理、人工智能与模式识别的发展，行人检测已经在多学科交叉中取得了可喜的成绩。尽管很多学者进行了有益尝试，并且取得了可喜的成绩，但是由于行人检测存在大量很难解决的问题，使得行人检测一直是一个挑战。目前存在的问题主要有以下几个方面：


(1)行人检测对象：行人穿着各种颜色和样式的衣服，在行走中可能带着大面积的遮挡物；行人通常走在杂乱无章的自然环境中，存在着大量轮廓像人的物体和非站立行人；人的同一姿态面对摄像机的角度不同，则会使获得的图像上行人表现出不同的形状；行人检测面临的是开放性的

环境，要考虑不同天气(雨、雪、雾等)、光线变化等。


(2)行人检测方法：随着研究的深入，原有方法得到完善，新的方法大量出现，然而现有的方法还难以同时满足检测速度快、检测率高和误报率低。


(3)性能评价系统：一个标准的行人检测评价系统可以评价各种行人检测方法的综合性能，分析它们的优、缺点，为进一步的开展工作提供便利，目前还没有标准的评价指标。


从目前发展来看，采用多传感器融合技术是行人检测的主要研究方向，采用不同传感器获取信息，然后选择合适的方法进行信息融合，使得获得的信息具有单传感器不具备的优势；如何选择更好的特征或者恰当地选择多种特征进行综合处理也是研究的热点；从图像中快速、准确地识别出行人是研究的目标，现有地分类机制与模板匹配方法还不能很好的实现，需要进一步完善。


随着行人检测研究的深入，检测方法的不断完善，也会推动智能车辆、辅助驾驶系统和智能交通系统的发展。在研究界解决了关键技术难点之后，产业界也会逐步推出实验产品和实用产品。可以预见道路交通安全问题会得到很大的改善，车辆的安全驾驶也会得到保障。