车载行人检测方法及系统

摘要

本发明提出一种车载行人检测方法和系统，包括在计算机上利用行人图像正负样本库进行分类器训练；在DSP处理器上利用分类器对车载CCD摄像头获取的视频图像进行实时行人检测。本发明通过在行驶中的汽车上安装CCD摄像头获取汽车前方的视频图像，使用一个训练好的分类器对图像中的行人进行实时检测，实现了实时检测，为智能交通背景下行人安全保护提供了支持。

主权项

1.一种车载行人检测方法，其特征在于，包括以下步骤：在计算机上利用行人图像正负样本库进行级联分类器训练；在数字信号处理器DSP上进行实时行人检测；所述在DSP处理器上进行实时行人检测，包括以下步骤：S401，从车载电荷耦合器件CCD摄像头获取汽车前方的视频流的一帧，存入输入缓存冲区；S402，使用模拟视频解码器对视频流解码，选择其中的亮度分量构成灰度图像；S403，选择视频图像中心的大部分区域作为监视区域，认为行人出现在所述监视区域为不安全的；S404，使用大小为32×16的检测窗口对所述监视区域图像进行检测；所述对监视区域图像进行检测，包括以下步骤：S501，计算所述监视区域的积分图像，设置所述检测窗口的左上角像素(x，y)的位置为(0，0)；S502，利用所述级联分类器测试当前检测窗口内的图像区域，如果输出为1，则将当前窗口对应在所述灰度图像中的窗口的大小和位置存入数组中；S503，将所述检测窗口的水平位置向右移动2个像素，重复所述级联分类器的测试，直至所述检测窗口超出所述监视区域的水平范围；S504，将所述检测窗口的垂直位置向下移动4个像素，同时重置所述检测窗口的水平位置为0，重复上述两个步骤，直至所述检测窗口超出所述监视区域的高度范围；S505，将所述监视区域的水平尺寸和高度均缩小为原来的4/5；S405，重复所述对监视区域图像的检测4次； S406，合并所述4次检测中保存的矩形区域中互相包含或大部分重叠的矩形区域；S407，在视频输出缓冲中写入原灰度图像，并用矩形框标识被检测出的行人；所述在计算机上利用行人图像正负样本库进行级联分类器训练，包括以下步骤：S101，读入行人图像正样本集和负样本集对应的正、负样本；所述正样本为包含单个行人的图像，所述负样本为不包含行人的城市交通背景图像；S102，对每个样本，按照从左上到右下的顺序逐个计算其所包括的预定数量小方块的特征值；根据每个样本对应的所述预定数量的特征值大小，分别统计每个特征值在预定数值范围出现的次数，以得到对应维数的特征向量；所述小方块的特征值采用j×2进制表示，并且通过以下步骤计算得到：分别计算小方块中心点与周围j个点特征值的差值的绝对值；将所述j个绝对值分别与预定阈值θ比较，若小于所述阈值θ，则将对应点数值计作1，否则计作0；以及按照预定顺序将所述j个点对应的数值连成一个j位的2进制数以得到所述小方块的特征值；所述预定数值范围与所述j位的2进制数对应的10进制数值范围对应；S103，将每个样本对应的特征向量作为行对所有样本进行排列，得到对应的特征矩阵M；S104，对所述特征矩阵M，按基于Adaboost算法的方法训练得到一个级联分类器；所述按基于Adaboost算法的方法训练一个级联分类器，包括以下步骤：S301，读取特征矩阵M；S302，初始化由所述负样本集和正样本集构成的训练集中的样 本权重；S303，归一化所述样本权重，所述归一化样本权重为每个样本的原权重与所有训练样本的原权重之和的比值；S304，对所述d维特征向量中未被选择的特征，求其最佳阈值T，形成弱分类器，计算所述弱分类器的加权错误率，选择具有最小加权错误率ε_min的弱分类器加入到级联分类器中并设置权重，将其对应的特征标记为已被选择；所述最佳阈值T为所述训练集中所有正样本特征值Tp的加权平均值与所有负样本特征值的加权平均值Tn的算术平均值；所述具有ε_min的弱分类器加入到级联分类器后的权重设置为所述弱分类器的判据为其中，x为对应特征的特征值，f(x)＝1表示输入为行人图像，f(x)＝0表示输入为非行人图像。所述级联分类器的判据为其中，α_i为弱分类器的权重，x_i为弱分类器对应的特征的特征值，X＝(x₁，x₂，.....)，c(X)＝1表示输入图像包含行人，c(X)＝0表示输入图像不包含行人；调整所述训练集中的样本权重；所述调整训练集中的样本权重包括以下步骤：S305，利用所述弱分类器分类测试所有所述正/负样本；如果所述正/负样本被正确分类，则将其权重被调整为原权重乘以S306，重复选择，直至所述级联分类器的检测率和错误率满足指定要求；S307，设置所述级联分类器的阈值Tc为其包含的所有所述弱分类器的权重之和的一半； 所述级联分类器是在训练得到一个c层的级联分类器之后，将被当前级联分类器错分的负样本作为负样本集，和全部正样本组成训练集，训练得到一个新的级联分类器，加入到当前级联分类器的后面形成c+1层的级联分类器。如此重复操作，直到整个级联分类器的检测率和错误率满足指定要求；S105，将所述级联分类器进行整型化，并以文件形式保存。