6] 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；
[0057] 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：
i中，P，q分别为像素点I(P，q)的横坐标与纵 坐标；
[005引查表计算每一个图像块的内部的像素值的梯度变化之和：
[0059] RecSUM(r)=SUM(x-l,y-l)+SUM(x+w-l,y+h-l)-SUM(x-l,y+h-l)
[0060] -SUM(x+w-l,y-l)
[0061] 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；
[0062] 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，得到盲镜hog特 征图像。
[0063] 如果判定原始图像中存在盲人，通过连续帖图像检测盲人和/或导盲犬的姿态。
[0064] 还包括:如果判定原始图像中存在盲人，通过连续帖图像检测盲人和/或导盲犬的 运动信息。
[0065] -种基于行人特征与车载摄像头的盲人检测与识别系统，包括：
[0066] 车载视觉传感器采集模块，用于实时采集车辆周围的原始图像，并输出给行人检 测板块；
[0067] 行人检测模块，用于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，输出给盲杖检测模块和导盲犬检测模块，若没有则进行下一帖检测；
[0068] 盲杖检测模块，用于在行人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，输出给盲镜检测模块，若 没有则进行下一帖检测；
[0069] 导盲犬检测模块，用于将原始图像或行人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=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，输出给盲镜检测模块，若没有则进行下一帖检测；
[0070] 盲镜检测模块，用于在盲杖检测模块和导盲犬检测模块均有输出的情况下，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;判定原始图像中存在盲人并输出；若没有 则进行下一帖检测。
[OOW 还包括：
[0072] 导盲犬姿态检测模块，连接盲镜检测模块和导盲犬检测模块，用于在盲镜检测模 块的输出为盲人的情况下，检测导盲犬的姿态信息;和/或，
[0073] 行人姿态检测模块，连接盲镜检测模块和行人检测模块，用于在盲镜检测模块的 输出为盲人的情况下，检测行人的姿态信息。
[0074] 还包括：
[0075] 运动信息检测模块，用于根据导盲犬姿态检测模块和/或行人姿态检测模块输出 的连续帖的导盲犬姿态信息和行人姿态信息，得到行人和/或导盲犬运动信息。
[0076] 本发明具有W下优点及有益效果：
[0077] 1.本发明可W在车载视觉传感器的帮助下，对前方视野范围内的在视觉行人检测 的基础上，对检测出的行人进行盲杖、导盲犬、盲镜等组合特征进行检测，进而识别出盲人， 帮助提醒驾驶者特殊注意。
[0078] 2.本发明根据盲人与导盲犬的姿态信息判断其动作趋势，并提醒驾驶者W更好地 保护双方安全。
[0079] 3.本发明利用离线训练的行人、盲杖、导盲犬、盲镜多个分类器联合，并行对目标 进行具有几何关系的查找与检测，提高了检测的效率与准确性。
【附图说明】
[0080] 图1为本发明方法中离线的组合模型训练过程图；
[0081 ]图2为本发明方法中在线实时盲人检测流程图；
[0082] 图3为本发明系统结构框图。
【具体实施方式】
[0083] 下面结合附图及实施例对本发明做进一步的详细说明。
[0084] 本发明在车载摄像头获取视觉信息基础上，利用组合特征对行人中的盲人进行检 测。本发明主要分为两部分:训练部分与检测部分。
[0085] (1)训练部分。
[0086] 如图1所示，本发明方法中离线的组合模型训练过程图。
[0087] 其中，行人分类器通过离线训练得到，具体包括：
[0088] 通过视频采集传感器采集样本图像；
[0089] 通过样本图像获取行人hog特征图像；
[0090] 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。
[0091 ]所述行人hog特征图像通过W下步骤获得：
[0092] 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；
[0093] 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；
[0094] 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I(P，q)的横坐标与纵 坐标；
[00M]查表计算每一个图像块的内部的像素值的梯度变化之和：
[0096] RecSUM(r)=SUM(x-l,y-l)+SUM(x+w-l,y+h-l)-SUM(x-l,y+h-l)
[0097] -SUM(x+w-l,y-l)
[0098] 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；
[0099] 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。
[0100] 其中，导盲犬分类器通过离线训练得到，具体包括：
[0101] 通过视频采集传感器采集样本图像；
[0102] 通过样本图像获取导盲犬hog特征图像；
[0103] 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 = 1，……，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。
[0104] 所述导盲犬hog特征图像通过W下步骤获得：
[0105] 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；
[0106] 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；
[0107] 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I(P，q)的横坐标与纵 坐标；
[0108] 查表计算每一个图像块的内部的像素值的梯度变化之和：
[0109] RecSUM(r)=SUM(x-l,y-l)+SUM(x+w-l,y+h-l)-SUM(x-l,y+h-l)
[0110] -SUM(x+w-l,y-l)
[0111] 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；
[0112] 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。
[0113] 其中，盲杖分类器通过离线训练得到，具体包括：
[0114] 通过视频采集传感器采集样本图像；
[0115] 通过样本图像获取盲杖hog特征图像；
[0116] 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，
I X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。