张舜尧

摘要本文对实时行人预警系统的设计及应用进行了深入分析，通过城市道路下的实录视频，对系统的实时性和准确性进行了验证，有效实现了对行人生命安全的保护。

关键词预警系统；行人检测；行车安全；聚合通道特征

1行人检测技术的概念

行人检测是计算机视觉领域中的一个重要技术，它在包含多门学科知识的背景条件下，能够准确采用视频图像检测行人情况，所以行人检测系统的设计及应用对于诸多领域均具有重要价值。比如说监控图像检索、高级人机界面及自动化安全等领域。行人检测是利用视觉传感器从具体信息及进行分析，从而实现对行人进行检测及数字图像处理等技术进行综合运用，并从中获取行人的具体信息及进行分析，从而实现对行人的识别及跟踪的一项技术。简单地讲，行人检测技术即为在计算机信息传感技术的应用基础上，实施检测行驶在汽车前面的行人，以能够对行人的行为动作作出分析的同时帮助汽车驾驶员采取相应处理措施，为道路交通安全提供有效保障。

2行人检测预警系统实施及行人检测方法

2.1行人检测预警系统的实施方案

行人检测预警系统主要是在汽车上安装，简单从物理角度來看其组成主要包括两部分，分别是运算单位以及信息采集单元。前者则是在借助于数字信号处理器对图像实施运算研究，后者则组成则可以分成三部分，其中分别是摄像头、车速传感器和角速度传感器，摄像头用来捕捉汽车行驶时前方的道路视频图像，车速传感器和角速度传感器主要用于提供车速信息，所有的传感单元都被安装在测试汽车内。

2.2行人检测方法

行人检测方法有两种，分别是基于简单图像处理及计算机视觉。

1）简单图像处理法。（1）相邻帧差分法。相邻帧差分法则是对不同时间中采集到的图像实施图像像素递减，基于像素变化合理预测行人情况。此方法的优点是简单快速、不受摄像机和光线变化带来的影响，缺点就是目标轮廓不清楚，对于行人的遮蔽及行为动作无法进行评估。三帧图像差分法则属于是帧差分法的在发展过程中的完善产物，该方法具有实时性的特点，所以被运用到行人运动目标的轮廓检测中。（2）背景差分方法。背景差分是指在建立好背景环境模型图像后，与当前模型图像做差分，如果像素结果大于当前设置的阈值，就可以认定为目标。背景差分法是最常使用的目标检测法，在实际应用过程中优点则为方便快捷，并且在设计过程中原理简单，但是同样也具有一定的缺点，也就是阈值选择和背景会影响到检测结果，所以该算法需要加强完善。（3）光流法。光流法的基本原理就是将图像当成运动场，不同的图像像素点均有各自的速度矢量，在实施相近运动矢量，也就能够实现目标的有效检测工作。这一方法在应用过程中场景因素对其检测结果的影响作用不大，所以导致其计算量特别大，实时性也较差。

2）计算机视觉方法。（1）模板匹配。模板匹配也能够称为图像处理方法，在其之前设定的模板中实施图像匹配，其中模板和待检测目标两者之间的形状具有一定类似或者相同。两者的相互匹配则需要将模板中心作为参考点，然后匹配图像的各个点，针对图像点，对模板和图像匹配的点数目进行计算。模板匹配的缺点是速度比较慢，为了提高速度，可以使用傅里叶变换方法。（2）统计学习。统计学习也称为机器学习，主要可以分成2个步骤，其中第1个是训练，第2个为检测，首先则需要从一系列正样本和负样本中训练处学习器，旨在区分开目标和其他物体，然后使用学习器检测和识别待测图像。

3行人检测模块

行人检测面临的挑战主要有下面几点。首先，行人之间最显著的一个不同点就是外部特征，如衣服颜色、衣服款式、体型、身高、姿势以及相关动作等等。其次，在检测过程中，户外环境中的多种因素以及行人之间等等，均会导致出现遮蔽现象，当摄像机和行人动作出现同步的时候，也会进一步提高动态视频图像检测目标及运动分析的复杂性，在行人检测中难度也就会随之加大。同时，在画面中行人可以从任何一个角度出现，其中包括正面侧面，甚至背面等等，所以，行人检测算法的实时性和鲁棒性也成为研究的一个重点热题。

3.1行人检测

行人检测除了对行人进行脸部识别之外，Haar特征也被安防监控领域广泛应用。本文研究重点则是借助于汽车上安装的摄像头，从而得到汽车前方的视频图像，以此基于图像实施行人侧面特征进行检测及评估，在此过程中采用OCS和窗口拆分两种算法提高检测效率。本文基于整体侧面行人的特征进行训练分类检测，在检测阶段，对横穿道路行人的侧面特征可用于行人特征训练。使用AdaBoost学习方法能够实施和行人最为合适Haar特征选择，同构构建相应的级联分类器，借助于窗口中的强分类器所有器，也就能够对行人特征实施相应判定，如果出现强分类器否决，则也就代表检测结果为非行人。通常情况下非行人的背景特征在分类器的前几级，也就能够被成功否决，所以能够显著提升检测有效性。

3.2优化检测

从空间角度分析综合考虑实时性的同时提高检测效率，可采用窗口拆分的方法。窗口拆分法是将一帧图像拆分为两个或者以上特定窗口，每一个窗口均能够被所对应一帧图像搜索到。行人在移动过程中，在画面上显示的距离比较小，步长度量则有连续性特点，所以可根据前几帧提箱的信息对行人出现某一窗口进行估算，并跟踪行人，在此过程中不但能够减少算法处理时间，也可以基于行人画面空间特点及变化，进行合理的选择，并针对画面实施相应的数量差分与画面分布。

3.3行人验证

使用HOG特征和线性SVW分类器能够对以上所得检测数据实施验证，并结合之前的经验实施物体HOG特征识别和检测，因此，HOG特征已成为行人检测使用最广泛的一个检测方法，然而，HOG特征的缺点是在计算整帧图像时特别耗费时间，所以，HOG特征只能在验证阶段进行筛选误报工作。在转换好感兴趣区域的窗口之后，对窗口的HOG特征进行计算。在计算完成后特征向量描述窗口之后，采用已经成功进行离线训练的线性SVM分类器实施检测，以此对行人及非行人进行相应的区分。而HOG特征的应用不仅有效的减少了误报，同时还可以帮助线性SVM分类器正确检测到行人的位置。

3.4样本库和分类器应用

现有的样本库在研究方向中，虽然在性能方面具有良好的表现，但是在行人侧面检测中并不适用。行人检测预警系统检测对象主要为横穿马路行人，所以在本次研究中，主要是针对横穿道路行人侧面样本信息进行采集，在场景方面针对性极其强烈，所以在一定程度上也提高了其实时性的简化条件。其次，由于AdaBoost学习方法和线性SVM分类器是2个不同的分类器，所以应先采用AdaBoost方法完成本次训练，在对行人侧面的整体样本训练过程中，使用了规格为20Pixelx40Pixel共7 345个正样本以及149000个负样本。而线性SVM分类器的训练完成共使用了规格为64Pixelx128Pixel共5189个正样本以及19587个负样本。

4结论

随着我国社会经济的持续不断增长及科技的日益创新，我国汽车市场现已步入到成长飞跃的阶段，随着汽车的大量增加，道路交通事故的发生量也日益增长，因此，有效减少交通事故，能够显著提升行车安全，已经成为交通人员的研究重点。行人检测预警系统则是在智能交通体系发展中的组成部分之一，其在道路安全中有着重要的研究意义和应用价值，本文通过对行人检测算法的深入分析探讨，建立了行人检测系统，实现了车辆智能化，增强了辅助驾驶措施，提高了交通安全。