汽車安全輔助駕駛技術(shù)-郭烈課件第四章

第四章

行人防碰撞預(yù)警技術(shù)主要內(nèi)容4.1引言4.2汽車與行人碰撞事故特點(diǎn)4.3行人保護(hù)與防碰撞預(yù)警技術(shù)研究進(jìn)展4.4行人檢測(cè)方法4.5基于視覺(jué)的行人防碰撞預(yù)警系統(tǒng)的實(shí)現(xiàn)4.6未來(lái)展望4.1引言汽車與行人碰撞是主要事故類型之一，也是導(dǎo)致行人傷亡的主要因素。從傷亡人員交通方式分析看，摩托車駕駛?cè)?、自行車騎車人和行人傷亡嚴(yán)重，由于自行車騎車人和行人在交通事故中常常處于弱勢(shì)地位，一旦與車輛發(fā)生交通事故，很容易受到傷害。我國(guó)交通大都在混合交通模式下。發(fā)達(dá)國(guó)家死于交通事故的大多是車內(nèi)的乘客，而我國(guó)更多的是行人、騎自行車或騎摩托車者。相對(duì)于駕駛員和乘員而言，行人、騎自行車人及其它等弱勢(shì)交通參與者在交通事故中的傷亡情況相當(dāng)嚴(yán)重。4.2汽車與行人碰撞事故特點(diǎn)1碰撞形式汽車正面與行人發(fā)生碰撞。最常見(jiàn)也是最危險(xiǎn)的一種碰撞形式，行人造成的傷害最大。汽車側(cè)面與行人發(fā)生刮擦，這對(duì)行人造成的直接傷害很小，在行人倒地時(shí)，頭部或身體的其他部位容易造成摔傷，可能被汽車碾壓，造成致命的傷害。2碰撞速度歐洲試驗(yàn)車輛委員會(huì)的研究表明，有2/3的人車碰撞事故中行人與車輛間的碰撞速度小于40km/h。我國(guó)國(guó)家標(biāo)準(zhǔn)GB/T24550-2009《汽車對(duì)行人的碰撞保護(hù)》規(guī)定碰撞時(shí)車輛以40km/h的速度正常行駛。3分布規(guī)律市區(qū)內(nèi)發(fā)生的概率較大行人傷亡人數(shù)中年長(zhǎng)者和男性人員死亡的概率要大周末比正常工作日行人傷亡率高在天氣條件惡劣、光照條件不好的情況下發(fā)生率高4受傷部位頭部和下肢是最容易受傷的兩個(gè)部位，其次是胸部、腹部、脊椎以及上肢。

4.3行人保護(hù)與防碰撞預(yù)警技術(shù)研究進(jìn)展4.3.1被動(dòng)安全行人保護(hù)研究進(jìn)展

汽車被動(dòng)安全技術(shù)研究是為了在事故發(fā)生時(shí)，最大可能地保護(hù)車輛內(nèi)部乘員及外部人員，使直接損失降到最小，主要包括碰撞安全技術(shù)、碰撞后傷害減輕與防護(hù)技術(shù)等。1主要研究方法主要通過(guò)碰撞試驗(yàn)和計(jì)算機(jī)仿真數(shù)學(xué)模型來(lái)模擬和再現(xiàn)汽車與行人碰撞事故，從中尋找碰撞事故的規(guī)律，進(jìn)而探索有效保護(hù)行人的方法。1)碰撞試驗(yàn)研究碰撞試驗(yàn)有兩種方法：一種是利用行人各子系統(tǒng)沖擊器與實(shí)車或者汽車部件進(jìn)行碰撞試驗(yàn)；另外一種是以行人假人模型與實(shí)車進(jìn)行碰撞試驗(yàn)。歐洲試驗(yàn)車輛委員會(huì)的碰撞試驗(yàn)主要包括：成人或兒童頭部模塊和發(fā)動(dòng)機(jī)罩上表面的碰撞試驗(yàn)；腿部模塊和保險(xiǎn)杠的碰撞試驗(yàn)；大腿模塊和發(fā)動(dòng)機(jī)罩前緣的碰撞試驗(yàn)，碰撞試驗(yàn)設(shè)定的速度為40km/h。日本將行人保護(hù)作為J-NCAP的獨(dú)立評(píng)價(jià)項(xiàng)目，其《行人頭部保護(hù)標(biāo)準(zhǔn)》法規(guī)只評(píng)價(jià)行人的頭部傷害。2)假人模型利用行人假人模型或尸體與實(shí)車進(jìn)行碰撞試驗(yàn)的方法能比較全面真實(shí)地再現(xiàn)各種碰撞事故，從而獲得人體各部位的損傷機(jī)理和承受極限等重要數(shù)據(jù)。2009年本田第三代行人假人“POLARIII”。同年廣本第八代雅閣轎車?yán)迷摷偃四Ｐ驮谥袊?guó)汽車技術(shù)研究中心進(jìn)行了實(shí)車碰撞試驗(yàn)。3)計(jì)算機(jī)仿真模擬計(jì)算機(jī)仿真模擬的方法是利用行人和車輛模型進(jìn)行各種碰撞事故的再現(xiàn)，獲取碰撞過(guò)程中人體的運(yùn)動(dòng)和身體各部位的受力情況，并對(duì)其進(jìn)行運(yùn)動(dòng)學(xué)、動(dòng)力學(xué)分析，從而得到人體與車輛發(fā)生碰撞時(shí)的損傷機(jī)理，尋求減輕人體損傷的解決方案。按行人模型建模方法，有多剛體模型和有限元模型。多剛體行人模型用集中質(zhì)量代替人體的主要環(huán)節(jié)，通過(guò)動(dòng)力學(xué)鉸鏈實(shí)現(xiàn)各部分的連接，集中質(zhì)量上附著描述人體幾何外形的橢球面，以模擬人體與周圍環(huán)境之間的相互作用。有限元行人模型是利用有限元網(wǎng)格離散人體組織。常用的建模軟件有美國(guó)LSTC公司的LS-DYNA3D軟件和法國(guó)ESI公司的PAM-CRASH軟件，下圖是日本豐田開(kāi)發(fā)的THUMS有限元模型。我國(guó)在汽車-行人碰撞事故的數(shù)字化再現(xiàn)方面的研究進(jìn)展：清華大學(xué)進(jìn)行車輛與行人碰撞事故再現(xiàn)，研究摩擦系數(shù)、行人拋射角度等不確定因素的影響；吉林大學(xué)利用PC-Crash建立行人汽車碰撞模型，研究車速與行人拋距的關(guān)系；湖南大學(xué)著重分析了事故過(guò)程中的人體各部分的動(dòng)力學(xué)響應(yīng)；上海交通大學(xué)從運(yùn)動(dòng)分析和人體損傷的角度重構(gòu)人車碰撞事故全過(guò)程；江蘇大學(xué)基于PC-Crash軟件建立行人汽車碰撞模型，仿真分析事故發(fā)生后人體頭部與車體前部碰撞點(diǎn)的分布規(guī)律。2主要應(yīng)用系統(tǒng)1)碰撞緩沖防護(hù)系統(tǒng)對(duì)于最基本的行人保護(hù)技術(shù)，主要涉及車身吸能材料的應(yīng)用。發(fā)動(dòng)機(jī)艙蓋段面上采用緩沖結(jié)構(gòu)設(shè)計(jì)，是目前國(guó)內(nèi)汽車廠商較為常見(jiàn)的做法。保險(xiǎn)杠是人車碰撞過(guò)程中最先碰到的部件，也是造成腿部骨折的主要原因。新開(kāi)發(fā)的保險(xiǎn)杠大多采用高密度泡沫材料或新的設(shè)計(jì)結(jié)構(gòu)，通過(guò)泡沫的彈性或結(jié)構(gòu)的變形吸能性，可以控制對(duì)腿部的沖擊過(guò)程，減小撞擊力量。福特公司通過(guò)改進(jìn)保險(xiǎn)杠技術(shù)，以減少對(duì)腿部的傷害，在適當(dāng)?shù)牡胤綄⑴渲枚嗉呙芏扰菽牧?，通過(guò)車前燈燈罩的可變形結(jié)構(gòu)，使其具有吸收沖力的特性，其目的是減小沖撞時(shí)施加于行人腿部的沖擊力，同時(shí)減少車前燈玻璃破碎時(shí)可能引起的腿部受傷風(fēng)險(xiǎn)。

本田雅閣碰撞緩沖防護(hù)系統(tǒng)2)主動(dòng)防護(hù)發(fā)動(dòng)機(jī)罩系統(tǒng)除了汽車保險(xiǎn)杠之外，發(fā)動(dòng)機(jī)罩的前緣和發(fā)動(dòng)機(jī)罩本身在碰撞過(guò)程中是造成行人大腿及骨盆處傷害和頭部傷害的另一主要因素。主動(dòng)防護(hù)發(fā)動(dòng)機(jī)罩能夠使發(fā)動(dòng)機(jī)在汽車發(fā)生碰撞時(shí)瞬間鼓起，使得人體不是碰撞在堅(jiān)硬車殼上，而是碰撞在柔性與圓滑的表面上。寶馬5系采用主動(dòng)式發(fā)動(dòng)機(jī)罩技術(shù)，當(dāng)發(fā)生行人碰撞事故時(shí)可降低行人頭部與發(fā)動(dòng)機(jī)罩下面的結(jié)構(gòu)發(fā)生硬接觸受傷的風(fēng)險(xiǎn)。日產(chǎn)推出的發(fā)動(dòng)機(jī)罩彈升技術(shù)依據(jù)前保險(xiǎn)杠內(nèi)的碰撞傳感器，如果檢測(cè)到碰撞到行人，會(huì)自動(dòng)啟動(dòng)發(fā)動(dòng)機(jī)罩彈升控制模塊。奔馳新E級(jí)轎車的彈起式發(fā)動(dòng)機(jī)蓋可彈起50毫米，通過(guò)前保險(xiǎn)杠感應(yīng)器，使用彈簧產(chǎn)生上彈力，利用電磁螺線管開(kāi)鎖，彈起后駕駛者可以自行關(guān)閉發(fā)動(dòng)機(jī)蓋，系統(tǒng)自動(dòng)復(fù)原。福特公司在全新的捷豹XK上使用“爆發(fā)式行人撞擊引擎蓋抬升系統(tǒng)(PDBS)”

3)行人安全氣囊系統(tǒng)發(fā)動(dòng)機(jī)罩以及前擋風(fēng)玻璃附近設(shè)置安全氣囊，兩者配合使用。發(fā)動(dòng)機(jī)蓋氣囊在保險(xiǎn)杠上方緊靠保險(xiǎn)杠處開(kāi)始展開(kāi)。碰撞前由一個(gè)碰撞預(yù)警傳感器激發(fā)，50至75微秒內(nèi)完成充氣。充氣后的安全氣囊在兩個(gè)前大燈之間的部位展開(kāi)，由保險(xiǎn)杠頂面向上伸展到發(fā)動(dòng)機(jī)蓋表面以上，保證了兒童頭部和成人腿部的安全。共有兩種：一是發(fā)動(dòng)機(jī)罩氣囊，二是周圍安全氣囊，兩者配合使用可減少最常見(jiàn)的行人傷亡事故如。豐田360°安全氣囊系統(tǒng)4.3.2主動(dòng)安全行人保護(hù)研究進(jìn)展1制動(dòng)輔助系統(tǒng)如果車輛存在與行人發(fā)生碰撞的危險(xiǎn)，駕駛者踩下制動(dòng)踏板時(shí)速度比在控制單元中儲(chǔ)存的正常值要快，制動(dòng)輔助系統(tǒng)就自動(dòng)起作用，建立最大的制動(dòng)壓力，使制動(dòng)減速度很快上升到最大值。奔馳S系制動(dòng)系統(tǒng)是對(duì)PRE-SAFE預(yù)安全系統(tǒng)的進(jìn)一步的提升，輔助緊急轉(zhuǎn)向避讓系統(tǒng)可預(yù)防行人碰撞的發(fā)生。該系統(tǒng)和車輛自適應(yīng)巡航控制系統(tǒng)配合工作，雷達(dá)把探測(cè)的信號(hào)傳遞給系統(tǒng)的電腦。如果電腦判斷出與前面的物體距離迅速縮短，因而在碰撞發(fā)生前對(duì)車輛自動(dòng)進(jìn)行制動(dòng)，并能與奔馳的制動(dòng)輔助系統(tǒng)協(xié)同工作。制動(dòng)輔助系統(tǒng)能用圖像和聲音信號(hào)提醒駕駛員發(fā)生追尾的風(fēng)險(xiǎn)。奔馳公司最早研制了制動(dòng)輔助系統(tǒng)(BAS)，該系統(tǒng)不僅可避免追尾等碰撞事故，而且也能對(duì)行人起到有效的保護(hù)作用。2智能安全駕駛?cè)溯o助系統(tǒng)為駕駛?cè)颂峁┸囕v周圍環(huán)境信息，增強(qiáng)視野，可以選擇不同的控制模式，有效保障行車安全及車外行人安全，避免車禍發(fā)生或?qū)抵磷钚　０ò踩到y(tǒng)、危險(xiǎn)預(yù)警系統(tǒng)、防撞系統(tǒng)等。涉及到傳感器技術(shù)、通信技術(shù)、信息顯示技術(shù)、駕駛狀態(tài)監(jiān)控技術(shù)等。這些車載設(shè)備包括安裝在車身各個(gè)部位的傳感器、激光雷達(dá)、紅外線、超聲波傳感器、盲點(diǎn)探測(cè)器等，具有事故監(jiān)測(cè)功能，能隨時(shí)通過(guò)聲音、圖像等方式向駕駛員提供車輛周圍及車輛本身的必要信息，并可以自動(dòng)或半自動(dòng)地進(jìn)行車輛控制，從而有效地防止事故的發(fā)生。沃爾沃S60具有自動(dòng)制動(dòng)功能的碰撞警示系統(tǒng)(CWAB)4.3.3紅外夜視輔助系統(tǒng)夜視系統(tǒng)原理是將人們?nèi)庋劭床灰?jiàn)的紅外線轉(zhuǎn)化成為可見(jiàn)光。在擋風(fēng)玻璃內(nèi)側(cè)，一個(gè)小型紅外線攝像機(jī)可以記錄車輛前方的環(huán)境，并將其顯示在駕駛艙儀表板的顯示屏上。豐田NightView夜視系統(tǒng)，不僅可以識(shí)別夜間道路上的車輛情況，還新增加了行人檢測(cè)功能，更大限度地避免了交通事故的發(fā)生。夜視對(duì)路邊的行人進(jìn)行辨識(shí)需要一個(gè)處理過(guò)程，因此行駛速度和天氣條件成為制約該系統(tǒng)正常發(fā)揮的因素。目前該系統(tǒng)只能在車速15～60km/h范圍內(nèi)工作，如果車速太快就來(lái)不及對(duì)捕捉到的圖形進(jìn)行處理，另外在某些情況下，大雨天，雨刷器工作將對(duì)系統(tǒng)造成干擾使其無(wú)法對(duì)行人進(jìn)行辨識(shí)。

寶馬7系的紅外夜視系統(tǒng)可以在夜間通過(guò)熱成像技術(shù)清楚的顯示出道路上或路旁的行人。奔馳S500的NightViewAssist奧迪A8和A6的夜視輔助系統(tǒng)，除了可以讓駕駛者看清近光燈照不到的障礙物，還可以通過(guò)遠(yuǎn)紅外熱成像攝像頭捕捉到車輛前方一定范圍內(nèi)的熱源，讓駕駛者提前作出反應(yīng)。4.4行人檢測(cè)方法

4.4.1基于視覺(jué)傳感器的行人檢測(cè)優(yōu)點(diǎn)：檢測(cè)信息量大、性價(jià)比高基本步驟：

1)通過(guò)車載CCD對(duì)車輛周圍的信息進(jìn)行采集；

2)對(duì)獲得的圖像進(jìn)行相應(yīng)的預(yù)處理；

3)進(jìn)行圖像目標(biāo)的分類，即在經(jīng)過(guò)預(yù)處理的圖像中進(jìn)行行人目標(biāo)的分類，確定是否存在行人目標(biāo)；

4)目標(biāo)定位與跟蹤，即對(duì)第三步確定的行人目標(biāo)進(jìn)行定位與跟蹤。

1基于形狀模型的方法避免由于背景變化和攝像機(jī)運(yùn)動(dòng)帶來(lái)的問(wèn)題，依靠行人形狀特征來(lái)識(shí)別行人，能識(shí)別出運(yùn)動(dòng)和靜止的行人。意大利帕爾瑪大學(xué)AlbertoBroggi教授等利用形態(tài)學(xué)特征和行人形狀的對(duì)稱性來(lái)探測(cè)和識(shí)別行人的。首先建立一定的假設(shè)約束，在單目序列圖像中尋找有一定特征的行人，通過(guò)一行表示行人頭和肩膀的二值模型來(lái)搜索頭部，并用一個(gè)簡(jiǎn)單的相關(guān)函數(shù)定位頭部所在的位置，最后通過(guò)基于立體視覺(jué)技術(shù)的測(cè)距方式來(lái)求取行人的底邊界。德國(guó)Daimler-Chrysler研究中心開(kāi)發(fā)的行人檢測(cè)系統(tǒng)首先在等級(jí)模板匹配過(guò)程中應(yīng)用行人輪廓特征來(lái)鎖定候選目標(biāo)。采用基于距離變換的形狀匹配方法，通過(guò)等級(jí)模板獲取目標(biāo)形狀的可變性，并結(jié)合形狀和參數(shù)空間由粗到細(xì)的方法，然后在目標(biāo)分類中根據(jù)亮度信息運(yùn)用徑向基函數(shù)來(lái)驗(yàn)證候選目標(biāo)。兩大難點(diǎn)：一是由于行人是非剛性的物體，其形狀信息具有多樣性，即使同一個(gè)人穿著不同的衣服其形狀也會(huì)有很大的改變，檢測(cè)算法就需要考慮其形狀的多樣性，因此會(huì)增加一些不確定性，從而導(dǎo)致計(jì)算量的加大；二是由于行人的運(yùn)動(dòng)，相對(duì)于車輛而言，行人身體的某些部分的信息可能是不完全的，這就無(wú)形中增加了基于形狀信息行人檢測(cè)方法的難度。

2基于運(yùn)動(dòng)特性的方法利用人體運(yùn)動(dòng)的周期性特性來(lái)確定圖像中的行人。針對(duì)運(yùn)動(dòng)著的行人，不適合檢測(cè)靜止的行人。基于光流的行人檢測(cè)方法是利用行人運(yùn)動(dòng)的光流特性來(lái)識(shí)別行人。Daimler-Benz研究中心的研究就是利用行人與像平面平行的方向行走時(shí)腿部周期性的運(yùn)動(dòng)特征，從彩色序列圖像中識(shí)別出行人。首先將每幅圖像分割成一些子圖像并對(duì)各像素按顏色/位置特征空間進(jìn)行聚類，通過(guò)在連續(xù)的圖像中匹配相應(yīng)的類，并對(duì)各類進(jìn)行跟蹤。然后利用一種快速多項(xiàng)式分類器估計(jì)基于類形狀特征的時(shí)間變化來(lái)初步選擇可能屬于人腿的類。最后通過(guò)時(shí)延神經(jīng)網(wǎng)絡(luò)對(duì)提取的屬于行人腿的類進(jìn)行訓(xùn)練，從而判斷是否存在行人。

美國(guó)馬里蘭大學(xué)根據(jù)人的周期性運(yùn)動(dòng)使得其自相關(guān)也具有周期性的特點(diǎn)，應(yīng)用短時(shí)傅立葉變換Hanning視窗來(lái)分析探測(cè)目標(biāo)模板相關(guān)性信號(hào)。運(yùn)用光流特性作為分割方法時(shí)，通過(guò)探測(cè)有一定形狀和與光流有相似值的一般特征如顏色等節(jié)點(diǎn)，并在序列圖像中對(duì)它們進(jìn)行跟蹤?；谶\(yùn)動(dòng)的行人檢測(cè)局限性：1)為了有效地提取出運(yùn)動(dòng)節(jié)奏特征要求行人腳或腿是可見(jiàn)的；2)識(shí)別時(shí)需要連續(xù)幾幀序列圖像，這樣延誤了行人的識(shí)別，增加了處理時(shí)間；3)不能識(shí)別靜止的行人，特別是當(dāng)行人有一些復(fù)雜的動(dòng)作如徘徊、轉(zhuǎn)彎和跳躍等時(shí)很難進(jìn)行識(shí)別。

3基于模板匹配的方法通過(guò)定義行人形狀模型，在圖像的各個(gè)部位匹配該模型以找到目標(biāo)。建立的行人模型主要有線性模型、輪廓模型以及立體模型等。線性模型線性模型基于人運(yùn)動(dòng)的實(shí)質(zhì)是骨骼的運(yùn)動(dòng)，因此可以將身體的各個(gè)部分以直線來(lái)模擬。Karaulova等建立了人體運(yùn)動(dòng)學(xué)的分層模型，用于單目視頻序列中人體的跟蹤。美國(guó)馬里蘭大學(xué)應(yīng)用背景相減法從靜止CCD獲得的圖像中自動(dòng)分割出行人邊緣輪廓，得到行人的統(tǒng)計(jì)形狀模型。

輪廓模型跟蹤思想是利用封閉的曲線輪廓來(lái)表達(dá)運(yùn)動(dòng)目標(biāo)，并且該輪廓能夠自動(dòng)連續(xù)地更新。美國(guó)卡內(nèi)基梅隆大學(xué)的LiangZhao根據(jù)身體局部形狀及其極強(qiáng)的相關(guān)性，利用自閉塞的輪廓線或身體局部的側(cè)面輪廓線對(duì)行人進(jìn)行跟蹤。美國(guó)明尼蘇達(dá)州大學(xué)的O.Masoud等利用靜止的單目CCD對(duì)序列灰度圖像進(jìn)行行人跟蹤，主要用于在交叉路口行人跟蹤控制。立體模型利用廣義錐臺(tái)、橢圓柱、球等三維模型來(lái)描述人體的結(jié)構(gòu)細(xì)節(jié)，這種模型要求更多的計(jì)算參數(shù)和匹配過(guò)程中更大的計(jì)算量。4基于統(tǒng)計(jì)分類的方法首先需要考慮的問(wèn)題是特征的表達(dá)。輪廓特征表達(dá)，如Dalal等提出梯度方向直方圖（HOG）特征；Wu等利用手動(dòng)設(shè)定的Edgelet特征描繪人體特定部位的輪廓。在分類學(xué)習(xí)算法中，神經(jīng)網(wǎng)絡(luò)、Adaboost與SVM是人們較多采用的分類學(xué)習(xí)算法。美國(guó)麻省理工大學(xué)AI實(shí)驗(yàn)室：一種可訓(xùn)練的目標(biāo)探測(cè)方法。行人檢測(cè)主要是基于小波模板概念，按照?qǐng)D像中小波相關(guān)系數(shù)子集定義目標(biāo)形狀的小波模板。直立人體圖像經(jīng)過(guò)Harr小波變換后的系數(shù)有特定的規(guī)律，可以用一個(gè)模板來(lái)表示。他們對(duì)圖像中每個(gè)特定大小的窗口以及該窗口進(jìn)行一定范圍的比例縮放得到的窗口進(jìn)行Harr小波變換，然后利用支持向量機(jī)檢測(cè)變換的結(jié)果是否與小波模板匹配，如果匹配成功則認(rèn)為檢測(cè)到一個(gè)行人。美國(guó)麻省理工大學(xué)AI實(shí)驗(yàn)室行人檢測(cè)結(jié)果：人工神經(jīng)網(wǎng)絡(luò)主要應(yīng)用是對(duì)利用視覺(jué)信息探測(cè)到的可能含有行人區(qū)域進(jìn)行分類識(shí)別。LiangZhao和C.Thorpe利用立體視覺(jué)進(jìn)行目標(biāo)區(qū)域分割，然后合并和分離子目標(biāo)候選圖像成滿足行人尺寸和形狀約束的子圖像，將所有探測(cè)到的可能含有行人目標(biāo)的矩形區(qū)域輸入到BP神經(jīng)網(wǎng)絡(luò)進(jìn)行行人的識(shí)別。C.Wohler開(kāi)發(fā)了一套實(shí)時(shí)探測(cè)與跟蹤可能包含行人圖像區(qū)域的立體視覺(jué)算法，然后根據(jù)行人腿典型運(yùn)動(dòng)模式應(yīng)用延時(shí)神經(jīng)網(wǎng)絡(luò)來(lái)對(duì)行人進(jìn)行分類。B.Heisele將時(shí)延神經(jīng)網(wǎng)絡(luò)用于實(shí)現(xiàn)對(duì)行人腿的分類。日本采用卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到行人檢測(cè)分類器?；谝曈X(jué)傳感器行人檢測(cè)方法的比較

我國(guó)對(duì)基于視覺(jué)傳感器的行人檢測(cè)技術(shù)的研究廈門大學(xué)提出基于隱式形狀模型的行人檢測(cè)方法；中國(guó)科技大學(xué)以及西安交通大學(xué)]均采用了利用支持向量機(jī)的統(tǒng)計(jì)分類識(shí)別方法；大連理工大學(xué)研究了基于支持向量機(jī)的行人檢測(cè)方法；上海交通大學(xué)提出了一種coarse-to-fine的行人檢測(cè)方法，將人體建模成各自然部位的組裝。遇到的問(wèn)題如何提高在惡劣環(huán)境下的可靠性，避免受光照、天氣等條件的影響；視覺(jué)傳感器無(wú)法獲得精確的距離信息。4.4.2基于紅外傳感器的行人檢測(cè)行人的體溫要比周圍環(huán)境溫度高，并且他們的熱量發(fā)射相對(duì)于背景來(lái)說(shuō)要高的多。因此行人在紅外圖像中呈現(xiàn)更高的灰度值。美國(guó)馬里蘭大學(xué)基于紅外圖像概率模板的實(shí)時(shí)行人檢測(cè)算法美國(guó)俄亥俄州立大學(xué)利用支持向量機(jī)的方法對(duì)紅外圖像中的行人候選區(qū)域行人分類，結(jié)合卡爾曼預(yù)測(cè)估計(jì)和均值轉(zhuǎn)換對(duì)行人進(jìn)行跟蹤。意大利帕爾瑪大學(xué)的P.Grisler和德國(guó)大眾公司利用紅外圖像中行人與其它背景物之間有明顯的熱量對(duì)稱性和外形比例進(jìn)行行人的定位和識(shí)別。意大利帕爾瑪大學(xué)ARGO實(shí)驗(yàn)室提出了利用紅外立體成像對(duì)行人進(jìn)行檢測(cè)。

4.4.3基于雷達(dá)傳感器的行人檢測(cè)雷達(dá)技術(shù)可得到車輛周圍的深度信息，易于解決機(jī)器視覺(jué)技術(shù)在距離信息方面的難題，而且不受天氣、陽(yáng)光等的影響。微波雷達(dá)傳感器在特殊條件下具有一定優(yōu)勢(shì)。由于人體內(nèi)含有大量的水份，能可靠地區(qū)分行人和其他的道路參與者。采用微波雷達(dá)技術(shù)進(jìn)行行人探測(cè)算法主要是基于對(duì)行人特殊反射特征的估計(jì)，將行人從其他障礙物進(jìn)行分離主要是估計(jì)雷達(dá)信號(hào)中這些典型的人體反射信號(hào)。雷達(dá)系統(tǒng)一般與視覺(jué)系統(tǒng)共同應(yīng)用到車輛上，通過(guò)兩種傳感器的融合，可以得到更為準(zhǔn)確的道路環(huán)境信息。激光測(cè)距傳感器德國(guó)烏爾姆大學(xué)與IBEO汽車傳感器公司研究開(kāi)發(fā)的IBEO激光掃描器4.4.4基于多傳感器信息融合的行人檢測(cè)單一的傳感器不能很好地實(shí)現(xiàn)行人的檢測(cè)、測(cè)距與跟蹤。法國(guó)政府啟動(dòng)的PAROTO項(xiàng)目利用Radar和紅外圖像融合的方法實(shí)現(xiàn)對(duì)前方行人和車輛等障礙物的探測(cè)，利用紅外信息進(jìn)行圖像分割，然后利用基于特征的方法進(jìn)行行人的運(yùn)動(dòng)分析。歐盟先后提出PROTECTOR項(xiàng)目采用立體視覺(jué)、激光掃描儀和雷達(dá)傳感器。SAVE-U項(xiàng)目采用單目彩色攝像機(jī)、紅外攝像機(jī)和雷達(dá)等融合的方法。美國(guó)加利福尼亞大學(xué)伯克利分校的PATH項(xiàng)目采用的傳感器主要有IBEO激光雷達(dá)、紅外傳感器、微波雷達(dá)以及超聲波傳感器等。4.5基于視覺(jué)的行人防碰撞預(yù)警系統(tǒng)的實(shí)現(xiàn)4.5.1基于部位特征組合的行人檢測(cè)1基于HOG特征優(yōu)化的腿部檢測(cè)1)特征提取行人姿態(tài)變化主要表現(xiàn)為四肢處HOG特征的變化，頭部與軀干部分的HOG特征則相對(duì)穩(wěn)定。因此針對(duì)行人腿部進(jìn)行HOG特征提取并對(duì)其優(yōu)化來(lái)檢測(cè)行人。腿部區(qū)域HOG特征提取示意：選擇腿部區(qū)域窗口像素大小為64×64，采用Sobel算子從樣本集中提取所有的HOG特征，最終從每個(gè)樣本中提取出1386個(gè)block的HOG特征。由于行人下半身所在的區(qū)域背景通常是路面圖像，而腿部占有較大面積，其輪廓邊緣比較明顯，在某些梯度方向和梯度強(qiáng)度上會(huì)出現(xiàn)有一定的峰值，其HOG特征與背景差別較大。因此，初始部分針對(duì)行人腿部采用HOG特征進(jìn)行檢測(cè)。冗余的特征不僅會(huì)增加算法的復(fù)雜性，使得分類器訓(xùn)練和檢測(cè)過(guò)程都非常耗時(shí)，而且會(huì)對(duì)最終的分類結(jié)果產(chǎn)生相反的作用。因此需要從中得到一部分能顯著區(qū)分正負(fù)樣本的HOG特征。

2)基于加權(quán)FISHER線性判別HOG特征優(yōu)化加權(quán)Fisher線性判別是將樣本多維特征投影到一維直線上，投影方向的選擇則是能將各類樣本很好的分開(kāi)，具有一定的弱分類功能，同時(shí)實(shí)現(xiàn)特征降維。投影方向的計(jì)算：為增強(qiáng)弱分類器的表達(dá)能力，采用查找表的GentleAdaboost算法。弱分類器的輸出函數(shù)：查找表型弱分類器的構(gòu)造過(guò)程：

經(jīng)過(guò)加權(quán)Fisher線性判別后，HOG特征被降為1維，首先將它歸一化到[0,1]區(qū)間，將該區(qū)間均勻分成n個(gè)子區(qū)間：弱分類器可以定義為：令和分別表示第j個(gè)區(qū)間內(nèi)正負(fù)樣本權(quán)值的總和：條件概率為：定義函數(shù)：基于查找表型GentleAdaBoost弱分類器公式可表示為：

2基于模板匹配的頭部檢測(cè)1)頭部模板建立行人肩膀以上的頭部輪廓變動(dòng)性最小，頭部不易被遮擋，因此模板匹配的方法更適用于行人頭部的檢測(cè)。通過(guò)計(jì)算模板亮點(diǎn)得分總數(shù)來(lái)測(cè)試所建頭部輪廓模板的可行性：方框區(qū)域?yàn)樵趫D像上所找出的最大值區(qū)域：2)模板匹配模板匹配算法通過(guò)計(jì)算模板與待檢測(cè)窗口的距離變換圖像的Chamfer距離來(lái)衡量?jī)烧咧g的相似程度，轉(zhuǎn)換為DT圖像的目的是將這種距離測(cè)度表示為模板變換參數(shù)的平滑函數(shù)。轉(zhuǎn)換公式：頭部模板匹配流程：ChamferDistance公式：如果待匹配的圖像中沒(méi)有頭部，則求得的Chamfer距離通常會(huì)遠(yuǎn)大于在圖像中有頭部的Chamfer距離，因此選取Chamfer距離最小的區(qū)域作為頭部最優(yōu)框的大小和位置。當(dāng)邊緣圖像的Chamfer距離值為檢測(cè)區(qū)域R中最小值時(shí)，須再做一次特征點(diǎn)數(shù)量上的判斷：兩個(gè)條件同時(shí)成立時(shí)，圖像匹配成功。3部位特征組合的行人檢測(cè)行人檢測(cè)過(guò)程中，分別對(duì)腿部和頭部輸出檢測(cè)結(jié)果，只有當(dāng)頭部與腿部同時(shí)存在該區(qū)域中，才能認(rèn)為所識(shí)別的目標(biāo)是行人。特征融合是建立在局部特征存在的基礎(chǔ)上，并且通過(guò)是否具有頭部全局特征來(lái)影響局部特征的判斷，主要通過(guò)調(diào)整分類器的分類閾值來(lái)實(shí)現(xiàn)。經(jīng)過(guò)模板匹配，得到的是一個(gè)形似頭部的區(qū)域，還需要進(jìn)一步對(duì)其進(jìn)行確認(rèn)。行人頭部輪廓是一種描述目標(biāo)全局的特征，它可以粗略感知行人是否存在，而HOG特征則偏重于對(duì)局部特征詳細(xì)的描述。1)部位約束了提高模板匹配的精度，通過(guò)人體部位之間的約束對(duì)匹配區(qū)域進(jìn)行限定。2)頭部特征轉(zhuǎn)化經(jīng)過(guò)模板匹配后，能獲得一個(gè)與行人頭部輪廓極為相似的區(qū)域，從而在形狀上找到了兩者的區(qū)分。但很難通過(guò)單一的閾值去區(qū)分行人與非行人Chamfer距離間的差異。將行人頭部的形狀特征轉(zhuǎn)化為數(shù)值來(lái)描述。通過(guò)觀察，有頭部的區(qū)域輪廓類似于圓形，通過(guò)提取輪廓的類圓形特征，將形狀特征轉(zhuǎn)化為數(shù)值特征，進(jìn)而對(duì)頭部匹配的結(jié)果在數(shù)值上做出精確判斷。針對(duì)行人頭部的圓形輪廓提取的特征主要包括圓存在性以及邊界矩特征，并將其組合共同描述頭部，從而將形狀特征轉(zhuǎn)化為數(shù)值特征。3)特征融合最理想的情況是其判定結(jié)果與腿部一致，將目標(biāo)確認(rèn)為行人。然而實(shí)際上會(huì)出現(xiàn)兩個(gè)判定結(jié)果不一致的情況，因此可以通過(guò)調(diào)整分類器的決策閾值，進(jìn)而產(chǎn)生或?qū)捤苫驀?yán)謹(jǐn)?shù)姆诸愋Ч麃?lái)對(duì)分類結(jié)果進(jìn)行融合。閾值調(diào)整：部位閾值調(diào)步驟：4試驗(yàn)與分析1)數(shù)據(jù)集數(shù)據(jù)集1包含兩個(gè)行人樣本庫(kù)，一是MIT行人數(shù)據(jù)庫(kù)，二是課題組自行采集的樣本集合。MIT數(shù)據(jù)庫(kù)與自行采集的數(shù)據(jù)庫(kù)的行人樣本比較簡(jiǎn)單，將其合并為一個(gè)，共得到2324個(gè)行人樣本，2300個(gè)非行人樣本。分別取出其中的1500個(gè)用于訓(xùn)練，其余的均為測(cè)試樣本。數(shù)據(jù)集2由INRIA行人庫(kù)組成。為了適應(yīng)部位檢測(cè)算法，將INRIA數(shù)據(jù)庫(kù)中腿部不存在嚴(yán)重遮擋的行人樣本挑選出來(lái)。最終訓(xùn)練集挑選出1970張，測(cè)試集共890張。對(duì)于所有樣本，截取下半部分歸一化為64×64大小的圖片。訓(xùn)練樣本庫(kù)中部分樣本圖像

2)腿部分類器測(cè)試結(jié)果評(píng)價(jià)算法的標(biāo)準(zhǔn)采用檢測(cè)效果和檢測(cè)時(shí)間，檢測(cè)效果用ROC曲線來(lái)描述。針對(duì)Adaboost中的弱分類器進(jìn)行了改進(jìn)，一是采用加權(quán)Fisher線性判別來(lái)代替線性SVM，從而降低HOG特征維數(shù)，二是使用查找表型弱分類器替代傳統(tǒng)閾值型弱分類器。三種弱分類器：線性SVM、加權(quán)Fisher線性判別的閾值型弱分類器和加權(quán)fisher線性判別的查找表型弱分類器。訓(xùn)練得到的強(qiáng)分類器性能比較加權(quán)Fisher線性判別不僅解決了每次迭代隨機(jī)選取部分HOG特征的問(wèn)題，還能提高其分類速度?；诓檎冶硇腿醴诸惼鞯氖諗克俣认鄬?duì)較快，使用更少的特征就能達(dá)到目標(biāo)檢測(cè)率。不同弱分類器對(duì)腿部區(qū)域進(jìn)行測(cè)試的ROC曲線使用查表型弱分類器后的Adaboost檢測(cè)器的精度與閾值型弱分類器相比，精度有所提高，能更進(jìn)一步優(yōu)化強(qiáng)分類器，提升檢測(cè)性能。而由于線性SVM特征數(shù)較多因此檢測(cè)率比其他兩種方法稍高。三種不同分類器在不同數(shù)據(jù)集上的時(shí)間消耗及分類性能

3)部位特征組合檢測(cè)試驗(yàn)結(jié)果為了驗(yàn)證部位組合檢測(cè)方法的有效性，對(duì)樣本集中的圖像進(jìn)行了處理分析，采用混淆矩陣來(lái)評(píng)價(jià)算法的檢測(cè)結(jié)果。三種不同方法在兩個(gè)測(cè)試集的檢測(cè)結(jié)果部位組合算法對(duì)不同道路環(huán)境圖像的檢測(cè)結(jié)果，第一行為對(duì)INRIA數(shù)據(jù)庫(kù)中圖像的測(cè)試結(jié)果，第二行為室外拍攝的道路圖像的測(cè)試結(jié)果。4.5.2基于KALMAN預(yù)測(cè)的CAMSHIFT行人跟蹤

1行人跟蹤方法概述行人目標(biāo)跟蹤分為四類：基于模型、基于區(qū)域、基于主動(dòng)輪廓和基于特征的跟蹤。1)基于模型的跟蹤

基于模型的跟蹤是根據(jù)先驗(yàn)知識(shí)結(jié)合點(diǎn)、線或區(qū)域?qū)⒈桓櫮繕?biāo)擬合成一個(gè)幾何模型，與使用一般特征的跟蹤方法相比，模型具有更大的優(yōu)勢(shì)，從另一方面可以將目標(biāo)跟蹤轉(zhuǎn)化為識(shí)別問(wèn)題。運(yùn)動(dòng)目標(biāo)形狀的參數(shù)化模型，可以應(yīng)用在剛體和非剛體目標(biāo)的跟蹤，如用三次B樣條去描述汽車的形狀。采用行人的輪廓模型和一個(gè)有效的Condenstation跟蹤器獲得檢測(cè)結(jié)果，通過(guò)樣本學(xué)習(xí)得到行人邊緣輪廓的點(diǎn)分布模型。KamijoS利用時(shí)空馬爾科夫隨機(jī)場(chǎng)模型（S-TMRF模型）進(jìn)行行人的檢測(cè)與跟蹤。變形模型

Kass等人提出Snake主動(dòng)輪廓模型是一種典型的自由式變形模型，由控制平滑度的輪廓內(nèi)部能量、吸引輪廓到特定的圖像能量和外部約束能量的組合來(lái)控制和約束。目前應(yīng)用于人體跟蹤的模型有三種：線型模型、2D模型和3D模型?；谀Ｐ偷母櫡椒ㄔ谡趽鹾透蓴_時(shí)仍具有較好的跟蹤效果，具有較好的魯棒性。但行人跟蹤效果取決于所建立的行人模型，而行人的非剛性及其運(yùn)動(dòng)的復(fù)雜性使得很難建立統(tǒng)一的行人模型用于實(shí)時(shí)性和魯棒性很好的行人跟蹤。2)基于區(qū)域的跟蹤基本思想：將被跟蹤運(yùn)動(dòng)目標(biāo)區(qū)域作為匹配模板，待確定相似性度量準(zhǔn)則后，在下一幀圖像中匹配并搜索目標(biāo)圖像，當(dāng)前目標(biāo)的位置就是相似性度量取最大值時(shí)對(duì)應(yīng)的位置。模板可以是利用行人分割結(jié)果獲得的完整的行人目標(biāo)，也可以將行人整體分成頭、軀干和四肢等小區(qū)域，通過(guò)部位的跟蹤最終達(dá)到跟蹤行人整體目的。該方法簡(jiǎn)單，但如果運(yùn)動(dòng)區(qū)域檢測(cè)效果不好會(huì)使算法失效。3)基于輪廓的跟蹤

與區(qū)域匹配跟蹤算法相類似，不同的是輪廓跟蹤算法中模板表示為目標(biāo)的邊界輪廓，其匹配過(guò)程是在二值圖像中進(jìn)行。該方法對(duì)目標(biāo)的描述簡(jiǎn)單有效，能夠減少計(jì)算復(fù)雜度。但是如何獲得完整的行人輪廓以及運(yùn)動(dòng)過(guò)程中輪廓的更新仍然是制約其普遍應(yīng)用的關(guān)鍵問(wèn)題。4)基于特征的跟蹤

首先提取出能描繪行人的穩(wěn)定性特征信息，作為目標(biāo)描述模型。根據(jù)序列圖像相鄰兩幀圖像中目標(biāo)區(qū)域變化不大的特點(diǎn)，通過(guò)一種或幾種相似性度量對(duì)目標(biāo)模型與候選模型進(jìn)行匹配，滿足相似性度量最優(yōu)的區(qū)域即為跟蹤目標(biāo)。常用特征主要有顏色特征、邊緣特征、灰度特征，它們不易受噪聲、光照等因素的干擾。該方法具有較好的魯棒性，當(dāng)目標(biāo)出現(xiàn)部分遮擋時(shí)只要特征部分可見(jiàn)，則仍能保持對(duì)運(yùn)動(dòng)目標(biāo)的跟蹤。另外，對(duì)目標(biāo)尺度、形變和亮度的變化也不敏感。2基于KALMAN預(yù)測(cè)的CAMSHIFT行人跟蹤1)Kalman理論

由美國(guó)工程師R.E.Kalman于1960年提出的最優(yōu)遞推濾波方法。使用較簡(jiǎn)單的遞推算法，計(jì)算量小；所需數(shù)據(jù)存儲(chǔ)量較小因而實(shí)時(shí)性好；能根據(jù)實(shí)際觀測(cè)到的運(yùn)動(dòng)參數(shù)不斷修正最優(yōu)估計(jì)因而精度高。系統(tǒng)在k時(shí)刻的狀態(tài)方程：系統(tǒng)只能通過(guò)每一時(shí)刻的一個(gè)與狀態(tài)變量有關(guān)的觀測(cè)量來(lái)獲得有關(guān)的信息，他們的關(guān)系為：接下來(lái)根據(jù)接收到的觀測(cè)值對(duì)當(dāng)時(shí)的狀態(tài)進(jìn)行最優(yōu)的估計(jì)，并根據(jù)狀態(tài)方程預(yù)測(cè)下一時(shí)刻的狀態(tài)，在接收到下一個(gè)觀測(cè)值時(shí)，再結(jié)合上一次得到的預(yù)測(cè)值對(duì)新的狀態(tài)進(jìn)行新的最優(yōu)估計(jì)，這就叫做Kalman濾波。Kalman濾波過(guò)程表示為：預(yù)測(cè)方程：濾波器增益：其中預(yù)測(cè)誤差方差陣：濾波遞推方程：濾波誤差方差陣：Kalman濾波特點(diǎn)是它的遞推形式，這對(duì)電子計(jì)算機(jī)來(lái)說(shuō)濾波特別有利。計(jì)算機(jī)最優(yōu)濾波只需要即時(shí)的觀測(cè)值，無(wú)需存儲(chǔ)以前的觀測(cè)數(shù)據(jù)，這可大大節(jié)省存儲(chǔ)單元。Kalman濾波流程圖

已知：，，、。X(0)的估值可用均值向量代替，X(0)的協(xié)方差可看作：Kalman濾波算法的流程可分為三步：第一步：在已知k-1時(shí)刻的最優(yōu)估計(jì)值的條件下，用系統(tǒng)狀態(tài)轉(zhuǎn)移矩陣左乘以，得到在k-1時(shí)刻對(duì)k時(shí)刻系統(tǒng)狀態(tài)向量的預(yù)測(cè)量；第二步：用量測(cè)矩陣左乘以，得到在k-1時(shí)刻對(duì)k時(shí)刻測(cè)量數(shù)據(jù)向量的預(yù)測(cè)值；再用的實(shí)測(cè)值減去預(yù)測(cè)值，得到殘差，＝；最后用濾波增益矩陣乘以，得到修正變量；第三步：把系統(tǒng)狀態(tài)信號(hào)的預(yù)測(cè)值加上修正量，得到系統(tǒng)狀態(tài)信號(hào)的濾波估計(jì)值。然后，就進(jìn)入了下一個(gè)重復(fù)的計(jì)算循環(huán)。2)目標(biāo)顏色概率分布利用目標(biāo)顏色概率分布的跟蹤算法比較穩(wěn)定并且還可以解決部分遮擋。在機(jī)器視覺(jué)系統(tǒng)中，序列圖像的顏色信息有RGB模型和HSV模型。RGB模型使用紅、綠、藍(lán)三種基色來(lái)描述顏色，對(duì)光照亮度的變化也比較敏感，而HSV顏色模型使用色度、飽和度、明度來(lái)定量的描述顏色，更能直觀反映人類觀察顏色的結(jié)果。由于HSV三個(gè)分量是獨(dú)立的，采用反映色彩本質(zhì)特性的色度分量H，將目標(biāo)圖像中的每個(gè)像素從RGB空間轉(zhuǎn)換到HSV空間，統(tǒng)計(jì)其H分量的直方圖，通過(guò)將直方圖反向投影到原圖像中，就可以得到目標(biāo)顏色信息的概率分布。由于剔除了光照明暗給物體顏色帶來(lái)的直接影響(即明度分量V)，可以提高跟蹤算法的穩(wěn)定性。將H分量量化為48個(gè)區(qū)間。確定bin之后，對(duì)H分量值進(jìn)行量化:像素點(diǎn)經(jīng)過(guò)量化以后，按下式統(tǒng)計(jì)目標(biāo)的顏色直方圖：對(duì)顏色直方圖進(jìn)行閾值處理，設(shè)直方圖峰值為，則取閾值，將小于閾值T的直方圖區(qū)域置為0，即：通過(guò)將直方圖反向投影到原圖像中，就可以得到目標(biāo)顏色信息的概率分布。直方圖的反向投影是指將原始圖像通過(guò)顏色直方圖轉(zhuǎn)換到顏色概率分布圖像的過(guò)程，如下式所示：將直方圖的大小從[0,max(qu)]變?yōu)閇0,255]，然后將目標(biāo)的顏色直方圖轉(zhuǎn)化為色度值的概率分布，實(shí)現(xiàn)將概率轉(zhuǎn)化為灰度圖像的過(guò)程。3)CAMSHIFT算法Camshift算法是一種基于連續(xù)概率分布變化的運(yùn)動(dòng)物體跟蹤算法，主要根據(jù)圖像序列中運(yùn)動(dòng)物體動(dòng)態(tài)顏色變化來(lái)達(dá)到跟蹤的目的。它以運(yùn)動(dòng)目標(biāo)的顏色概率分布為匹配模板，以Meanshift為核心算法，通過(guò)核函數(shù)對(duì)包含目標(biāo)的區(qū)域進(jìn)行加權(quán)平均，并通過(guò)不斷迭代計(jì)算Meanshift向量使其收斂于新的窗口位置，實(shí)現(xiàn)對(duì)運(yùn)動(dòng)目標(biāo)的跟蹤，快速高效。跟蹤過(guò)程中能夠根據(jù)概率分布的變換情況自動(dòng)調(diào)整搜尋窗口的大小和位置，節(jié)省搜索時(shí)間，提高了運(yùn)算效率和準(zhǔn)確性。按照處理過(guò)程算法可分為直方圖反向投影統(tǒng)計(jì)顏色概率分布、Meanshift無(wú)參數(shù)估計(jì)處理過(guò)程和自適應(yīng)調(diào)整過(guò)程。Camshift跟蹤算法流程圖Camshift跟蹤算法步驟(1)通過(guò)目標(biāo)檢測(cè)獲取初始搜索窗。在通常情況下相鄰兩幀圖像之間同一個(gè)目標(biāo)的位置不會(huì)發(fā)生顯著變化，因此只在運(yùn)動(dòng)目標(biāo)可能出現(xiàn)的區(qū)域，也就是比當(dāng)前搜索窗口大些的區(qū)域內(nèi)計(jì)算顏色概率分布圖，這節(jié)省了搜索時(shí)間，提高了算法的實(shí)時(shí)性。(2)根據(jù)顏色概率分布圖，計(jì)算目標(biāo)區(qū)域顏色特征的零階距和一階矩：(3)計(jì)算目標(biāo)區(qū)域的質(zhì)心:(4)得到目標(biāo)的質(zhì)心位置后再根據(jù)零階距重新設(shè)置下一幀圖像初始搜索窗口的大小:Bradski的Camshift算法用橢圓型包圍框表示被跟蹤的運(yùn)動(dòng)目標(biāo)區(qū)域，通過(guò)計(jì)算二階距能夠得到橢圓區(qū)域的長(zhǎng)軸，短軸等參數(shù)。二階距為：

目標(biāo)的長(zhǎng)軸和短軸為：在檢測(cè)過(guò)程中，使用比較直觀的矩形框表示行人目標(biāo)，矩形框的參數(shù)是根據(jù)Bradski的橢圓參數(shù)的計(jì)算方法演變而來(lái)。假設(shè)行人外接矩形的寬度為b，高為h。搜索窗的大小為S=b×h，按照橢圓的長(zhǎng)軸短軸計(jì)算公式，則有。3試驗(yàn)與分析Kalman濾波分為預(yù)測(cè)和校正兩階段，運(yùn)用Kalman濾波器根據(jù)當(dāng)前幀目標(biāo)的中心位置預(yù)測(cè)下一幀中目標(biāo)可能出現(xiàn)的位置。首先，根據(jù)檢測(cè)出來(lái)的行人目標(biāo)區(qū)域自動(dòng)初始化跟蹤搜索窗口的大小和位置，將窗口的質(zhì)心位置作為初始觀測(cè)向量輸入濾波器。然后通過(guò)Kalman濾波預(yù)測(cè)可以估計(jì)并更新目標(biāo)的位置，在這個(gè)新的位置的鄰域內(nèi)進(jìn)行Camshift算法搜索行人目標(biāo)最佳位置，再將搜索到的最佳位置作為觀測(cè)信息反饋給Kalman濾波器來(lái)修正預(yù)測(cè)估計(jì)，進(jìn)而得到Kalman最優(yōu)估計(jì)值，將其作為下一幀的初始搜索窗口。為了驗(yàn)證行人算法的有效性，以一臺(tái)奇瑞瑞虎NCV汽車改裝成的無(wú)人駕駛車輛為試驗(yàn)平臺(tái)，采用是BASLER公司AlliedVision攝像機(jī)，并安裝于車輛上方的中央位置。計(jì)算機(jī)采用研華公司的IPC-610H，CPU為P42.5G，內(nèi)存為1GB。行人的運(yùn)動(dòng)狀態(tài)參數(shù)主要有k時(shí)刻時(shí)行人的位置和速度。跟蹤過(guò)程中，每一時(shí)刻系統(tǒng)的狀態(tài)向量表示為行人質(zhì)心的位置及位置變化率，取系統(tǒng)狀態(tài)向量和觀測(cè)向量為：驗(yàn)證以一臺(tái)奇瑞瑞虎NCV汽車改裝成的無(wú)人駕駛車輛為試驗(yàn)平臺(tái)，采用BASLER公司AlliedVision攝像機(jī)，安裝于車輛上方的中央位置。計(jì)算機(jī)采用研華公司的IPC-610H，CPU為P42.5G，內(nèi)存為1GB。行人的運(yùn)動(dòng)狀態(tài)參數(shù)主要有k時(shí)刻時(shí)行人的位置和速度。跟蹤過(guò)程中，每一時(shí)刻系統(tǒng)的狀態(tài)向量表示為行人質(zhì)心的位置及位置變化率，取系統(tǒng)狀態(tài)向量和觀測(cè)向量為：車輛前方運(yùn)動(dòng)行人的速度變化不大，因此在相鄰兩幀圖像中目標(biāo)區(qū)域也不會(huì)產(chǎn)生較大的突變，可以認(rèn)為相鄰幀之間運(yùn)動(dòng)恒定，目標(biāo)近似做勻速直線運(yùn)動(dòng)，因此有：系統(tǒng)狀態(tài)矩陣和觀測(cè)矩陣H參照Xk和Zk可得：T為采樣時(shí)間，采樣速度按每秒25幀計(jì)算，T的取值為0.04。初始化狀態(tài)噪聲協(xié)方差矩陣Q、測(cè)量噪聲協(xié)方差矩陣R和誤差方差矩陣P0：在試驗(yàn)中發(fā)現(xiàn)如果將整個(gè)行人目標(biāo)作為初始搜索窗口，腿部的周期性運(yùn)動(dòng)會(huì)使顏色概率分布產(chǎn)生變化，因此Camshift算法在尋求最優(yōu)匹配位置時(shí)就會(huì)出現(xiàn)偏差，使得目標(biāo)跟蹤框發(fā)散，而且隨著行人目標(biāo)的運(yùn)動(dòng)誤差會(huì)越來(lái)越大，如下圖。將行人分割為頭部、軀干和腿部三部分，在檢測(cè)階段根據(jù)腿部和頭部特征檢測(cè)整個(gè)行人，這也為跟蹤時(shí)部位的分割提供了依據(jù)。以軀干區(qū)域?yàn)槌跏妓阉鞔翱诘念伾怕史植紙D：以軀干區(qū)域?yàn)槌跏妓阉鞔翱诘母櫧Y(jié)果：下圖為車輛靜止不動(dòng)，車輛前方行人向前方運(yùn)動(dòng)的過(guò)程。車輛靜止時(shí)行人跟蹤窗口各參數(shù)的變化：

行人目標(biāo)跟蹤中心軌跡：下圖為車輛保持低速時(shí)跟隨前方行人一起向前運(yùn)動(dòng)的過(guò)程，在車輛運(yùn)動(dòng)過(guò)程中車輛前方的行人目標(biāo)隨時(shí)變化。車輛運(yùn)動(dòng)時(shí)行人跟蹤窗口各參數(shù)的變化：行人目標(biāo)跟蹤中心軌跡：市區(qū)道路環(huán)境相對(duì)復(fù)雜，對(duì)顏色信息產(chǎn)生了很大的干擾，另外車速過(guò)快導(dǎo)致目標(biāo)在場(chǎng)景中停留時(shí)間非常短暫，失效情況過(guò)多，行人檢測(cè)系統(tǒng)只對(duì)序列圖像進(jìn)行檢測(cè)。檢測(cè)結(jié)果：4.5.3基于單目視覺(jué)的行人距離估計(jì)1常用的測(cè)距方法

運(yùn)用于車載的測(cè)距方式：超聲波測(cè)距方式、毫米波雷達(dá)測(cè)距方式、激光測(cè)距方式和視覺(jué)測(cè)距方式。德國(guó)SAVE-U項(xiàng)目采用24GHz微波雷達(dá)實(shí)現(xiàn)車輛前方將近30m范圍行人的測(cè)量。德國(guó)IBEO汽車傳感器公司研制的多層激光掃描儀。為了減少系統(tǒng)成本，提高系統(tǒng)運(yùn)動(dòng)實(shí)時(shí)性。擬采用單目視覺(jué)傳感器來(lái)實(shí)現(xiàn)車輛前方行人距離的估計(jì)。2基于視覺(jué)的行人距離估計(jì)利用透視投影變換，根據(jù)道路幾何關(guān)系和檢測(cè)到的行人的腳與地面接觸點(diǎn)所在的位置確定。當(dāng)確定了車輛前方的行人與地面的接觸點(diǎn)，行人與車輛的縱向距離為：行人與車輛的橫向坐標(biāo)：行人距離估測(cè)坐標(biāo)系：

在計(jì)算行人的縱向距離和橫向距離時(shí)，只需要得到獲得的行人矩形底邊中心點(diǎn)在圖像坐標(biāo)系中的坐標(biāo)即可。但是，數(shù)字圖像通常是由計(jì)算機(jī)內(nèi)的存儲(chǔ)器存放，而通過(guò)圖像處理只能獲得目標(biāo)點(diǎn)在計(jì)算機(jī)內(nèi)存中的坐標(biāo)，稱之為幀存坐標(biāo)。需要將計(jì)算機(jī)內(nèi)存中的幀存坐標(biāo)轉(zhuǎn)換到圖像平面坐標(biāo)系統(tǒng)中的坐標(biāo)。uOv坐標(biāo)系是幀存坐標(biāo)系，原點(diǎn)在圖像的左上角；xoy坐標(biāo)系是圖像平面坐標(biāo)系，原點(diǎn)為攝像機(jī)光軸與像平面交點(diǎn)的幀存坐標(biāo)，在坐標(biāo)系下的坐標(biāo)為，在圖像中心點(diǎn)。取，，設(shè)幀存中的一個(gè)像素對(duì)應(yīng)于像平面在軸與軸方向上的物理尺寸分別為、。兩個(gè)坐標(biāo)之間的對(duì)應(yīng)關(guān)系為：u和v可由圖像處理獲得。假設(shè)經(jīng)過(guò)行人檢測(cè)算法得到行人底邊中點(diǎn)在圖像幀存坐標(biāo)系中的坐標(biāo)，就可以將該點(diǎn)在圖像平面坐標(biāo)系中的坐標(biāo)求出來(lái)，進(jìn)而獲得的行人距離本車的縱向距離和橫向距離：4.5.4行人運(yùn)動(dòng)方向的確定假設(shè)車輛勻速向正前方行駛，以CCD光軸為估測(cè)坐標(biāo)系的Z軸，其正向?yàn)檐囕v頭部所對(duì)應(yīng)的方向，以過(guò)CCD鏡頭中心且與Z軸垂直的直線為X軸，以CCD鏡頭中心為坐標(biāo)原點(diǎn)。假設(shè)點(diǎn)為當(dāng)前時(shí)刻檢測(cè)出的行人位置點(diǎn)，在圖像坐標(biāo)系對(duì)應(yīng)的點(diǎn)為；點(diǎn)為下一時(shí)刻檢測(cè)出的行人位置點(diǎn)，其在對(duì)應(yīng)時(shí)刻圖像坐標(biāo)系中對(duì)應(yīng)點(diǎn)為，行人的運(yùn)動(dòng)方向用直線OP與Z軸的夾角表示：得到不同時(shí)刻圖像中行人坐標(biāo)值就可以計(jì)算出在這段時(shí)間內(nèi)車輛前方行人的橫向運(yùn)動(dòng)方向。行人由車輛右側(cè)橫穿馬路時(shí)夾角的變化：4.5.5行人防碰撞預(yù)警規(guī)則的確定1預(yù)警區(qū)域劃分

對(duì)于大多數(shù)的道路交通事故而言，如果駕駛員能夠提前獲得預(yù)警的話，能夠減少碰撞發(fā)生的可能性。對(duì)駕駛員的預(yù)警同樣可以通過(guò)聲音、光學(xué)或者是觸覺(jué)信號(hào)來(lái)實(shí)現(xiàn)。歐洲SAVE-U項(xiàng)目中的DaimlerChrysler實(shí)驗(yàn)車就是同時(shí)采用聲音和光報(bào)警信號(hào)來(lái)警告駕駛員，而其Volkswagen實(shí)驗(yàn)車則采用觸覺(jué)警告信號(hào)，通過(guò)振動(dòng)方向盤或者急剎車等方式來(lái)提示駕駛員。結(jié)合視覺(jué)傳感器所能確定的行人距離車輛的縱向距離以及行人的橫向運(yùn)動(dòng)方向，針對(duì)行人的不同運(yùn)動(dòng)方向建立啟動(dòng)預(yù)警信號(hào)的規(guī)則。行人的兩種運(yùn)動(dòng)趨勢(shì)：一種是在車輛前方道路區(qū)域內(nèi)做縱向運(yùn)動(dòng)。一種是從車輛的左側(cè)或右側(cè)橫穿道路的情況。將車輛前方道路區(qū)域分為非報(bào)警區(qū)域、開(kāi)始報(bào)警區(qū)域及警戒區(qū)域。在非報(bào)警區(qū)域，系統(tǒng)檢測(cè)是否有行人存在，但不對(duì)駕駛員進(jìn)行預(yù)警，直到行人完全出現(xiàn)到圖像的檢測(cè)范圍內(nèi)，這時(shí)才進(jìn)入開(kāi)始警報(bào)區(qū)域；在開(kāi)始警報(bào)區(qū)域，系統(tǒng)對(duì)行人進(jìn)行跟蹤，提示駕駛員前方有行人存在，并對(duì)其距本車的距離進(jìn)行估計(jì)，并且判斷其運(yùn)動(dòng)的方向，當(dāng)檢測(cè)到行人的距離小于安全距離，或者行人在車輛前方一倍車寬范圍內(nèi)（對(duì)于行人橫穿道路的情況）時(shí)，則認(rèn)為行人進(jìn)入了警戒區(qū)域；在警戒區(qū)域內(nèi)，如果駕駛員沒(méi)有采取措施是車輛減速時(shí)，則啟動(dòng)相應(yīng)的輔助裝置，實(shí)現(xiàn)車輛的制動(dòng)或減速，從而避免車輛與行人發(fā)生碰撞。2行人橫