基于行人特征与车载摄像头的盲人检测与识别方法与系统的制作方法
【技术领域】
[0001] 本发明属于主动驾驶领域，具体说是一种基于行人特征与车载摄像头的盲人检测 与识别方法与系统。
【背景技术】
[0002] 近年来随着汽车辅助驾驶项目的快速发展，基于车载摄像头的行人检测技术获得 了长足的发展，并不断应用到汽车主动安全与主动驾驶项目中。目前，各个研发机构只是检 测出行人并且进行相关的告警，W提醒驾驶者需要注意前方有行人需要注意。针对行人类 型的检测与识别，虽然对驾驶者也有很大的参考价值，但是由于技术等方面问题，还没有相 关比较公开的研究资料。
[0003] 鉴于此，本发明提出一种基于组合特征的基于车载摄像头的盲人检测与识别方 法，通过该技术可W帮助驾驶者在遇到盲人等特殊群体的时候，能够及时避让或做出特殊 处理。
【发明内容】
[0004] 针对现有技术中存在的上述不足之处，本发明要解决的技术问题是提供一种基于 行人特征与车载摄像头的盲人检测与识别方法与系统。
[0005] 本发明为实现上述目的所采用的技术方案是:一种基于行人特征与车载摄像头的 盲人检测与识别方法，包括W下步骤：
[0006] 车载视觉传感器实时采集车辆周围的原始图像；
[0007] 根据行人特征获得每一帖原始图像的行人hog特征图像，利用行人分类器判断行 人hog特征图像中是否有行人，若有行人则在原始图像或行人hog特征图像中标记行人，若 没有则进行下一帖检测；
[000引在行人hog特征图像中的行人周围区域利用盲杖分类器判断是否有盲杖，若有则 在原始图像或行人hog特征图像中标记盲杖，若没有则进行下一帖检测；
[0009] 将原始图像或行人hog特征图像映射到S维世界坐标系下，利用导盲犬分类器判 断S维世界坐标系下的图像中是否有导盲犬，若有则在原始图像或行人hog特征图像中标 记导盲犬，若没有则进行下一帖检测；
[0010] 对行人hog特征图像内的行人头部区域进行窗口遍历，在每一个窗口利用盲镜分 类器判断是否有盲镜，若有则在行人hog特征图像中标记盲镜;判定该行人为盲人;若没有 则进行下一帖检测；
[0011] 所述行人分类器通过离线训练得到，具体包括：
[0012] 通过视频采集传感器采集样本图像；
[0013] 通过样本图像获取行人hog特征图像；
[0014] 在行人hog特征图像上进行行人的训练学习，获取行人的统计特征，即{fk(x)}，k =1，......，N，N为正整数，其中，
X表示输入的行人hog特征图 像，ht(x)表示第t个弱分类器，其计算结果加权at后即为Qtht(X)，加权求和后则构成了强分 类器，fk(x)表示行人分类器的一个强分类器，故表示所有弱分类器加权求和后需要满足的 阔值，当整体权重之和大于化时，则认为满足该强分类器。
[0015] 所述行人hog特征图像通过W下步骤获得：
[0016] 设计hog特征块高宽比为1:1,16*16像素块，块中平均分割而成的四个单元像素 块，大小为8*8;计算样本hog特征的步长为8个像素；
[0017]在YUV每个通道中，求出像素值的梯度方向的微分: = I(x，y)-I(x，y+l);其中，I(x，y)表示坐标x，y的像素值；
[0018] 分别在X方向与y方向对微分结果进行积分，进而构成像素点I(p，q)的梯度变化直 方图的积分图：
廷中，P，q分别为像素点Kp,q)的横坐标与纵 坐标；
[0019] 查表计算每一个图像块的内部的像素值的梯度变化之和：
[0020] RecSUM(r)=SUM(x-l,y-l)+SUM(x+w-l,y+h-l)-SUM(x-l,y+h-l)
[0021] -SUM(x+w-l,y-l)
[0022] 其中，r表示图像块，h与W分别表示图像块的高与宽，RecSUM(r)表示图像块内的梯 度变化之和；
[0023] 在YUVS个通道中，对每个通道根据W上步骤进行加权联合计算，得到行人hog特 征图像。
[0024] 所述导盲犬分类器通过离线训练得到，具体包括：
[0025] 通过视频采集传感器采集样本图像；
[0026] 通过样本图像获取导盲犬hog特征图像；
[0027] 在导盲犬hog特征图像上进行导盲犬的训练学习，获取导盲犬的统计特征，即{pk (X)}，k=l，......，N，N为正整数，其中，.
X表示输入的导盲犬hog 特征图像，ht(x)表示第t个弱分类器，其计算结果加权a/后即为a/ht(x)，加权求和后则构 成了强分类器，Pk(X)表示导盲犬分类器的一个强分类器，化/表示所有弱分类器加权求和后 需要满足的阔值，当整体权重之和大于化/时，则认为满足该强分类器。
[0028] 所述导盲犬hog特征图像通过W下步骤获得：
[0029] 设计hog特征块高宽比为1:1，8*8像素块，块中平均分割而成的四个单元像素块， 大小为4*4;计算样本hog特征的步长为4个像素；
[0030] 在YUV每个通道中，求出像素值的梯度方向的微分:,Vk = I(x，y)-I(x，y+l);其中，I(x，y)表示坐标x，y的像素值；
[0031] 分别在X方向与y方向对微分结果进行积分，进而构成像素点I(p，q)的梯度变化直 方图的积分图：
其中，P，q分别为像素点Kp,q)的横坐标与纵 坐标；
[0032] 查表计算每一个图像块的内部的像素值的梯度变化之和：
[0033] RecSUM(r)=SUM(x-l,y-l)+SUM(x+w-l,y+h-l)-SUM(x-l,y+h-l)
[0034] -SUM(x+w-l,y-l)
[0035] 其中，r表示图像块，h与W分别表示图像块的高与宽，RecSUM(r)表示图像块内的梯 度变化之和；
[0036] 在YUVS个通道中，对每个通道根据W上步骤进行加权联合计算，得到导盲犬hog 特征图像。
[0037] 所述盲杖分类器通过离线训练得到，具体包括：
[0038] 通过视频采集传感器采集样本图像；
[0039] 通过样本图像获取盲杖hog特征图像；
[0040] 在盲杖hog特征图像上进行盲杖的训练学习，获取盲杖的统计特征，即{qk(x)}，k =1，......，N，N为正整数，其中
表示输入的盲杖hog特征图 像，ht(x)表示第t个弱分类器，其计算结果加权a"后即为at"ht(x)，加权求和后则构成了强 分类器，Qk(X)表示盲杖分类器的一个强分类器，故"表示所有弱分类器加权求和后需要满足 的阔值，当整体权重之和大于故"时，则认为满足该强分类器。
[0041] 所述盲杖hog特征图像通过W下步骤获得：
[0042] 设计hog特征块高宽比为2:1，8*4像素块，块中平均分割而成的两个单元像素块， 大小为4*4;计算样本hog特征的步长为2个像素；
[0043] 在YUV每个通道中，求出像素值的梯度方向的微分: = I(x，y)-I(x，y+l);其中，I(x，y)表示坐标x，y的像素值；
[0044] 分别在X方向与y方向对微分结果进行积分，进而构成像素点I(p，q)的梯度变化直 方图的积分图：
'其中，P，q分别为像素点Kp,q)的横坐标与纵 坐标；
[0045] 查表计算每一个图像块的内部的像素值的梯度变化之和：
[0046] RecSUM(r)=SUM(x-l,y-l)+SUM(x+w-l,y+h-l)-SUM(x-l,y+h-l)
[0047] -SUM(x+w-l,y-l)
[0048] 其中，r表示图像块，h与W分别表示图像块的高与宽，RecSUM(r)表示图像块内的梯 度变化之和；
[0049] 在YUVS个通道中，对每个通道根据W上步骤进行加权联合计算，得到盲杖hog特 征图像。
[0050] 所述盲镜分类器通过离线训练得到，具体包括：
[0051 ]通过视频采集传感器采集样本图像；
[0052]通过样本图像获取盲镜hog特征图像；
[0053] 在盲镜hog特征图像上进行盲镜的训练学习，获取盲镜的统计特征，即{Tk(x)}，k =1，......，N，N为正整数，其中：
，X表示输入的盲镜hog特征图 像，ht(x)表示第t个弱分类器，其计算结果加权at"/后即为at"/ht(x)，加权求和后则构成了 强分类器，rk(x)表示盲镜分类器的一个强分类器，故表示所有弱分类器加权求和后需要 满足的阔值，当整体权重之和大于故时，则认为满足该强分类器。
[0054] 所述盲镜hog特征图像通过W下步骤获得：
[0055] 设计hog特征块高宽比为1:1，4*4像素块，块中平均分割而成的四个单元像素块， 大小为2*2;计算样本hog特征的步长为2个像素；
[005