一种基于红外的夜间智能车前方行人检测方法
【技术领域】
[0001] 本发明属于计算机视觉与模式识别、智能交通领域，具体为一种基于红外的夜间 智能车前方行人检测方法。
【背景技术】
[0002] 随着近年来人工智能技术的不断发展，各种智能车辆驾驶系统层出不穷，近年来 越来越受到国内外相关学者的重视。随着机动车保有量的迅速增长，给人们的生活和出行 带来了很大的便利，但由此带来的道路交通事故每年都给各个国家的人民生命财产和国民 经济造成巨大的损失。尤其是在夜间或者阴天情况下所发生的事故尤为严重（许腾，黄铁 军，田永鸿.车载视觉系统中的行人检测技术综述[J].中国图像图形学报，2013)。
[0003] 事实表明，行人检测是车辆辅助驾驶系统及无人驾驶智能车领域的关键技术，它 能快速检测车辆前方行人，及时进行安全预警及避障，减少或避免车辆与行人发生碰撞事 故，具有潜在的经济价值和广泛的应用前景。
[0004] 目前行人检测主要有两种途径：一种是基于可见光图像，另一种是基于红外图像。 与可见光成像相比，红外成像具有显著的优点：由于红外图像是热成像，在夜晚光线很暗的 情况下具有透过黑暗和烟雾的能力，且不受可见光的影响，实现对感兴趣目标的远距离、全 天候观察。基于红外图像的夜间行人检测技术可以实现在夜间或恶劣天气条件下的行人检 测与识别，与基于可见光图像的行人检测相比具有很大的优势。
[0005] 基于红外图像的行人检测技术就是将红外设备采集到的红外图像进行一系列预 处理后，使用算法将图像中的行人准确检测并识别出来，实现行人和非行人的分类。现在智 能车辆检测系统对于行人检测算法鲁棒性和实时性要求较高，红外图像下行人检测系统一 般都包括感兴趣区域（Regionofinterest，R0I)提取和目标识别两大模块。
[0006] 感兴趣区域的提取算法大体分为基于温度信息的方法、基于人体特征的方法及基 于显著性区域的方法。基于温度信息的分割（如RonanO'Malley,MartinGlavin,Edward Jones，AnEfficientRegionofInterestGenerationTechniqueforFar-Infrared PedestrianDetection.DigestofTechnicalPapers-InternationalConference onConsumerElectronics(ICCE' 08)，LasVegas，NV，USA，2008)是根据人体目标温 度与背景物体之间的热量差进行的，但此种方法的缺点是易将非行人的高温物体分割 出来。基于人体特征的方法（如Barnich0，VanDroogenbroeckM.ViBe，Auniversal backgroundsubtractionalgorithmforvideosequences[J].ImageProcessing,IEEE Transactionson，2011)根据获取红外图像中人体目标的典型特征建立模型，从而得到实 现行人目标的分割。这种方法的自适应能力较强，但是不容易定义鲁棒、快速的特征。基 于显著性区域的方法（如AkulaA，KhannaN，GhoshR，etal.Adaptivecontour-based statisticalbackgroundsubtractionmethodformovingtargetdetectionin infraredvideosequences[J]·InfraredPhysics&Technology，2014)综合考虑亮度、颜 色、方向等特征分割得到人体目标的显著性区域。此种方法的缺点是环境复杂并且行人被 遮挡的情况下容易漏分割。
[0007] 根据利用信息的不同，目标识别可以分为基于运动的识别和基于形状的识别两 种方法，基于形状的识别方法包括参数建模、模板匹配和统计分类三种。基于运动的识 别方法（如FanX,MittalS,PrasadT,etal.PedestrianDetectionandTracking UsingDeformablePartModelsandKalmanFiltering[J].JournalofCommunication andComputer, 2013)指通过分析人运动时的步态（Gait)特征来识别行人。根据红外 图像的特征，一般使用基于形状的识别方法检测行人目标。基于形状的识别方法（如 DanielOlmedaa,CristianoPremebida,UrbanoNunes,JoseMariaArmingol,Arturo delaEscaleraa.Pedestriandetectioninfarinfraredimages[J].Integrated Computer-AidedEngineering, 2013)指通过分析目标的灰度、边缘和纹理信息来对目标 进行识别。基于参数建模的方法（YuG，SapiroG，MallatS.Solvinginverseproblems withpiecewiselinearestimators:fromGaussianmixturemodelstostructured sparsity[J]·ImageProcessing,IEEETransactionson, 2012)指根据人体结构的知识， 构造一个明确的2D或3D参数模型，通过提取图像的底层特征来求解模型，从而识别行 人。这种方法的优点是具有明确的模型，可以处理遮挡问题，并且可以推断出人体的姿 态。缺点是模型比较难构建，模型求解也比较复杂。基于模板匹配的方法通过存储一些 灰度或者轮廓模板来表示行人，识别的时候只需要度量模板与输入窗口的距离就可以识别 行人。基于模板匹配的算法（如SunH，HuaC,LuoY.Amulti-stageclassifierbased algorithmofpedestriandetectioninnightwithanearinfraredcameraina movingcar[C],IEEEFirstSymposiumon. 2004)的优点是计算简单，缺点是由于行人姿 态的复杂性，很难构造出足够的模板以处理不同的姿态。基于统计分类的方法（如Cheng TY,HermanC.Motiontrackingininfraredimagingforquantitativemedical diagnosticapplications[J] ·InfraredPhysics&Technology, 2014)通过机器学习从一 系列训练数据中学习得到一个分类器，用该分类器来表示行人，然后利用该分类器对输入 窗口进行识别。此方法比较鲁棒，但是需要很多训练数据，并且很难解决姿态和遮挡的问 题。
[0008] 综上所述，尽管目前的红外车载行人检测方法已经初有成效，但在检测准确率、 检测效率和鲁棒性方面仍然迫切需要进一步改进。
【发明内容】
[0009] 本发明的目的在于提出一种实时鲁棒的智能车前方夜间红外图像行人检测方法， 以期提高已有的红外行人检测方法准确率、实时性，通过本检测方法在国内研发的无人驾 驶智能车上进行测试，测试结果表明测试的效果满足了智能车自主行驶的实时性和鲁棒性 要求。
[0010] 为实现上述目的，本发明采用的技术方案为一种实时鲁棒的智能车前方夜间红外 图像行人检测方法，其包括如下步骤：
[0011] (1)首先利用平滑滤波方法、形态学处理技术对输入红外图像序列进行去噪预处 理；
[0012] (2)通过基于像素梯度垂直投影法捕捉输入图像序列中的行人预选区域，根据行 人几何特征从行人预选区域中提取感兴趣区域（regionsofinterest，ROIs);
[0013] (3)提取红外图像多级二值模式特征（Multi-levelbinarypattern,MBP)描述感 兴趣区域；
[0014] ⑷利用支持向量机（supportvectormachine,SVM)算法离线训练行人分类器模 型；
[0015] (5)利用该分类器模型在线判断感兴趣区域为目标行人或背景。
[0016] 进一步的，步骤（1)所述平滑滤波方法是对红外摄像仪器获取到的红外图像序列 进行中值滤波以去除图像中孤立的噪声点；步骤（1)中所述形态学处理技术是通过形态学 腐蚀运算滤除图像中较小的噪声像素，并利用形态学膨胀运算填补弱连接区域（weakly connectedregions)〇
[0017] 进一步的，步骤（2)所述行人预选区域利用红外成像热辐射的特点，导致图像中 行人区域与周围区域灰度值变化明显，通过像素梯度投影方法确定行人预选区域；步骤 (2)所述行人几何特征是根据行人宽高比约束分割出大概的行人区域。
[0018] 进一步的，步骤（4)所述离线训练行人分类器具体指：收集含有行人的图片样 本和仅含有背景的图片样本构成训练样本空间，提取训练集的多级二值模式特征，采 用迭代收集困难样本的训练机制对训练集进行学习；所述学习采用基于直方图交叉核 (histogramintersectionkernel,HIK)的支持向量机学习算法，获得支持向量机行人 分类器；图片样本由手工裁剪得到，高度均大于或等于12个像素，样本尺度调整为64像 素X128像素。
[0019] 与现有远红外夜间车载行人检测技术相比，本发明具有如下优点和效果：步骤 (1)中对输入图像的平滑滤波及形态学处理大大降低了图像的噪声，使得感兴趣区域提取 阶段的处理更准确；步骤（2)所述