别；
[0048] 与SVM分类单元连接的是目标融合及预警单元，该目标融合及预警单元根据图像 中各目标动态重叠面积和目标的权值进行目标融合，若目标数目不为零则提醒驾驶员注意 行人。
[0049] 与现有技术相比，本发明具有如下突出的实质性特点和显著的优点：
[0050] 本发明通过将LBP特征和HOG特征联合使用，两级检测在整体上提高了行人检测 的准确率；根据基于LBP的SVM的分类情况来动态调节HOG特征提取，降低了计算量，提高 了计算速度，进而及时提醒驾驶员前方行人情况，提高了车辆行驶的安全性。
【附图说明】
[0051] 图1是本发明一种车辆前方行人检测方法步骤流程图。
[0052] 图2是基于LBP特征行人分类器的产生流程图。
[0053] 图3是基于HOG特征行人分类器的产生流程图。
[0054] 图4为本发明一种车辆前方行人检测方法层内目标融合示意图。
[0055] 图5为本发明一种车辆前方行人检测方法层间目标融合示意图。
[0056] 图6为本发明一种车辆前方行人检测系统中摄像机的安装示意图。
[0057] 图7为本发明一种车辆前方行人检测系统各个硬件模块示意图。
【具体实施方式】
[0058] 为便于对本发明的方法及系统有进一步的了解，现结合附图并举较佳实施例详细 说明。
[0059] 本发明通过安装在汽车上的摄像机获取车辆前方图像信息，摄像机的安装如图6 所示。然后对获取的图像信息进行一系列的图像处理与行人识别，判断是否有行人在车辆 前方的危险区域，如果有行人处于危险区则提示驾驶员，达到安全驾驶的目的。
[0060] 如图1所示，一种车辆前方行人检测方法，包括如下步骤：
[0061] (a)通过固定安装在汽车上的摄像机获取车辆前方图像，并对此图像进行实时的 预处理；
[0062] 在步骤（a)中，图像获取是通过摄像机单元，图像获取单元将图像的数字信息传 输给可编程片上系统（S0PC，System On Programmable Chip)芯片，芯片里的图像预处理单 元对其进行预处理。
[0063] (b)对预处理后的图像进行缩放；缩放分1、0· 75、0· 5三级。
[0064] 在步骤（b)中，SOPC将预处理后的图像传输给专用集成电路芯片 (ASIC, Application Specific Integrated Circuit)里的图像缩放单元进行计算。
[0065] (c)对缩放后的图像提取局部二进制模式（LBP, Local Binary Patterns)特征；
[0066] (d)利用提取到的LBP特征和支持向量机（SVM，Support Vector Machine)分类 器进行感兴趣区域（Regions of Interest, ROIs)提取；
[0067] (e)对感兴趣区域提取方向梯度直方图（H0G，Histograms of Oriented Gradients)特征；
[0068] 在步骤（c)和步骤（e)中，LBP特征与HOG特征提取在图7的LBP特征提取单元 和HOG特征提取单元中进行。这里采用ASIC提高了特征提取的速度。LBP特征和HOG特征 提取不是同时进行的，而是条件触发的，即在有图像输入时LBP特征模块提取LBP特征，在 有感兴趣区域产生时HOG特征提取模块才开始工作，两个模块呈流水线模式。
[0069] (f)对感兴趣区域再利用HOG特征和SVM分类器进行目标识别；
[0070] 在步骤（f)中，ASIC中的HOG特征提取单元将HOG特征传输给SOPC中的目标识 别单元，目标识别单元用基于LBP特征的SVM分类器进行目标识别。
[0071] (g)对目标进行层内融合和层间融合并对驾驶员预警。
[0072] 所述步骤（a)中对图像预处理包括归一化图像大小、灰度化、有效检测区分割的 操作。
[0073] 所述步骤（b)中根据检测目标大小的不同，对预处理后的图像采用插值法进行多 级缩放。
[0074] 所述步骤（d)中的SVM分类器是根据LBP特征已经训练好的，用此分类器提取各 级图像中感兴趣区域；基于LBP特征行人分类器的产生包括以下步骤：
[0075] 步骤一，打开样本图像：样本图像包括一定数目的含有行人的正样本和一定数目 的负样本，样本的大小为固定格式，如64*128 ;
[0076] 步骤二，图像灰度化，将彩色的图像转换为灰度图像，降低图像处理数据量；
[0077] 步骤三，对图像里的每一个像素进行LBP编码，像素点（X，y)的LBP特征计算公式 为：
[0079] 其中，i为像素点（x，y)周围第i个像素序列，当第i个像素值大于等于像素点 (x，y)的像素值时，4取1，否则取0〇 i的起始点为邻域内任意一点，编码完成后，将循环的 二进制LBP编码数从0到1或者从1到0跳变次数多于两次的分为一类，其余的每一个循 环编码为一类，得到新的均匀模式LBP编码；
[0080] 步骤四，将样本图像每16*16个像素组成一个块，得到此像素块的59维的LBP特 征向量，再将所有像素块的特征向量串联起来，构成样本图像的LBP特征向量；
[0081] 步骤五，将步骤四得到的LBP特征向量导入到MATLAB中，采用线性SVM进行离线 训练；
[0082] 步骤六，经过一定数量的正负样本的训练，得到基于LBP特征的行人分类SVM。
[0083] 所述步骤（f)中SVM分类器是根据HOG特征已经训练好的，用此分类器对感兴趣 区域进行目标识别；基于HOG特征行人分类器的产生包括以下步骤：
[0084] 步骤一，打开样本图像：样本图像包括一定数目的含有行人的正样本和一定数目 的负样本，样本的大小为固定格式，如64*128 ;
[0085] 步骤二，图像灰度化，将彩色的图像转换为灰度图像，降低图像处理数据量；
[0086] 步骤三，对灰度图像的每一个像素点采用水平卷积算子[_1，0, 1]和垂直卷积算 子[-1，0, 1]τ进行水平方向和垂直方向梯度计算，得到像素点（X，y)梯度为：
[0090] 其中，H(x+1，y)、H(x-1，y)、H(x，y+1)、H(x，y-Ι)分别代表（x+1，y)、（x-1，y)、 !1(1，7+1)、!1(1，7-1)处的像素值，6 )!(1，7)、6￥(1，7)、0(^，7)分别表示为(^，7)点的水平方 向梯度值、垂直方向梯度值和梯度方向；
[0091] 步骤四，采用优化的三线性插值对图像的块中每一个"细胞"中的像素梯度进行映 射，得到整个块的各个"细胞"梯度直方图，优化的三线性插值的卷子算子Conv为：
[0093] 步骤五，先计算各直方图在这个块中的密度，然后根据这个密度对块中的各个细 胞单元做归一化；
[0094] 步骤六，每一个块归一化完成后，得到此块的特征向量，将图像中所有块的特征向 量级联起来构成整个图像的HOG特征向量；
[0095] 步骤七，将步骤六到的HOG特征向量导入到MATLAB中，采用线性SVM进行离线训 练；
[0096] 步骤八，经过一定数量的正负样本的训练，得到基于HOG特征的行人分类SVM。
[0097] 所述步骤（g)中先根据图像中各目标动态重叠面积和目标的权值进行目标融合， 再对各级图像中目标进行融合，得到最终目标后提醒对驾驶员有行人在危险区内活动。层 内融合如图4所示，若两个目标重叠的面积超过一个固定的阈值，则将两个目标合为一个， 新目标的位置为原目标的重心。层间融合如图5所示，若两个目标的重叠面积超过一个固 定阈值，则将两个目标合为一个，新目标的位置及大小根据线性插值的方法得到。经过层内 融合与层间融合后的目标为最终确定的目标，找到目标后即