專利名稱：交通場(chǎng)景中基于路面提取的行人檢測(cè)方法
技術(shù)領(lǐng)域：
本發(fā)明涉及的是一種圖像處理技術(shù)領(lǐng)域的行人檢測(cè)技術(shù)，具體涉及一種動(dòng)態(tài)復(fù)雜交通場(chǎng)景中的行人檢測(cè)方法。
背景技術(shù)：
交通場(chǎng)景中的行人檢測(cè)是指從固定在運(yùn)動(dòng)車輛上的攝像機(jī)采集得到的視頻序列中將車輛前方道路上運(yùn)動(dòng)或者靜止的行人從復(fù)雜的交通背景中檢測(cè)出來(lái)，由于受行人外觀多樣性、行人成像尺度不同、環(huán)境背景復(fù)雜、車輛及行人運(yùn)動(dòng)和很高的實(shí)時(shí)性要求，使得動(dòng)態(tài)交通場(chǎng)景中的行人檢測(cè)成為一項(xiàng)復(fù)雜的、具有挑戰(zhàn)性的研究課題。目前，在靜態(tài)圖像中，基于HOG特征描述子結(jié)合SVM分類器的行人檢測(cè)方法被認(rèn)為是很有效的行人檢測(cè)方法。不過(guò)，HOG結(jié)合SVM的方法進(jìn)行行人檢測(cè)需要較長(zhǎng)的時(shí)間，會(huì)產(chǎn)生較多的虛警，并且不能對(duì)小目標(biāo)行人進(jìn)行有效的檢測(cè)，這些極大地限制了 HOG算法在動(dòng)態(tài)交通場(chǎng)景中進(jìn)行行人檢測(cè)的進(jìn)一步應(yīng)用和發(fā)展。經(jīng)典HOG算法檢測(cè)時(shí)間較長(zhǎng)、虛警較多的一個(gè)主要原因是使用全尺度的滑動(dòng)窗口方法提取得到的待分類窗口數(shù)量龐大。以一個(gè)640X480的輸入圖像為例，經(jīng)典HOG算法提取得到的待分類窗口數(shù)量高達(dá)約200，000個(gè)，在這些提取得到的待分類窗口中，包含一些行人完全不可能存在的區(qū)域，例如:天空、建筑物等，去除這些行人不可能存在的待檢測(cè)窗口，保留那些行人存在可能性較高的待檢測(cè)窗口，可以在不損害分類準(zhǔn)確性的前提下顯著地縮短檢測(cè)時(shí)間，同時(shí)減少虛警的數(shù)量。并且通過(guò)將遠(yuǎn)處尺寸較小的行人進(jìn)行尺度放大，可以提聞對(duì)小目標(biāo)行人的檢測(cè)精度。經(jīng)對(duì)現(xiàn)有技術(shù)文獻(xiàn)資料的檢索發(fā)現(xiàn)，在國(guó)內(nèi)外專利文獻(xiàn)中尚未檢索到基于道路平面提取的行人檢測(cè)方法報(bào)道。在Science Citation Index Expanded(SCIE)文獻(xiàn)檢索數(shù)據(jù)庫(kù)中，也尚未檢索到與本發(fā)明提出的交通場(chǎng)景中基于路面提取檢測(cè)行人方法相似的文獻(xiàn)。

發(fā)明內(nèi)容
本發(fā)明的目的在于針對(duì)現(xiàn)有技術(shù)中的不足，提出一種交通場(chǎng)景中基于道路提取的行人檢測(cè)方法，在縮短檢測(cè)時(shí)間、減少虛警數(shù)量的同時(shí)，較好地解決了 HOG不能對(duì)小目標(biāo)行人進(jìn)行有效檢測(cè)的問(wèn)題。根據(jù)本發(fā)明的一個(gè)方面，提供一種交通場(chǎng)景中基于路面提取的行人檢測(cè)方法，包括如下步驟:步驟1:計(jì)算光照不變角度，在光照不變灰度圖中提取路面；步驟2:基于路面提取感興趣區(qū)域，并對(duì)感興趣區(qū)域進(jìn)行尺度縮放；步驟3:使用HOG特征描述子結(jié)合SVM分類器在縮放后的區(qū)域中檢測(cè)行人。優(yōu)選地，所述的光照不變角度，具體為:光照不變圖中路面灰度值標(biāo)準(zhǔn)差與對(duì)數(shù)空間中投影直線的傾角相關(guān)，是指，通過(guò)改變直線傾角，統(tǒng)計(jì)路面灰度值標(biāo)準(zhǔn)差變化規(guī)律得到相機(jī)的光照不變角。
優(yōu)選地，所述的在光照不變灰度圖中提取路面，具體為:通過(guò)統(tǒng)計(jì)得到路面灰度值分布范圍，在道路底部選擇種子點(diǎn)，使用漫水填充算法結(jié)合形態(tài)學(xué)處理得到完整路面。
優(yōu)選地，所述的對(duì)感興趣區(qū)域進(jìn)行尺度縮放，具體為:對(duì)于距離車輛較近、高度大于需要高度的窗口進(jìn)行尺度縮??；對(duì)于距離車輛較遠(yuǎn)、高度小于需要高度的窗口進(jìn)行尺度放大。
優(yōu)選地,所述步驟I包括如下步驟:
步驟1.1:通過(guò)人工標(biāo)定的方法將輸入圖像中的路面提取出來(lái)，以log(R/G)和log(B/G)為坐標(biāo)軸構(gòu)造對(duì)數(shù)空間，并將提取出的路面的RGB圖像上每個(gè)像素點(diǎn)投影到對(duì)數(shù)空間中得到投影點(diǎn)，其中，R、G、B分別代表像素點(diǎn)顏色的紅色、綠色、藍(lán)色分量；
步驟1.2:將所有投影點(diǎn)在對(duì)數(shù)空間中傾角為α直線上做投影，以每個(gè)點(diǎn)歸一化后的投影長(zhǎng)度作為灰度值得到道路灰度圖，選擇道路灰度圖中灰度分布居于中間90%的像素點(diǎn)進(jìn)行道路灰度標(biāo)準(zhǔn)差計(jì)算；
步驟1.3:ae{0°，1°，…180° }，重復(fù)步驟1.2，與道路灰度標(biāo)準(zhǔn)差對(duì)應(yīng)的a即為相機(jī)的光照不變角度。
優(yōu)選地，所述步驟I還包括如下步驟:
步驟1.4:在道路底部選取區(qū)域統(tǒng)計(jì)路面灰度直方圖，結(jié)合閾值λ，確定路面灰度值分布范圍；
步驟1.5:在每個(gè)方塊中選取一個(gè)種子點(diǎn)，使用漫水填充算法結(jié)合圖像形態(tài)學(xué)處理，得到完整的道路平面。
優(yōu)選地,所述步驟2包括如下步驟:
步驟2.1:在道路平面上由近及遠(yuǎn)一次擺放若干個(gè)矩形窗口，窗口寬度與路面寬度相等，窗口高度由距離車輛不同距離的行人高度決定；
步驟2.2:按照高度對(duì)矩形窗口的尺寸進(jìn)行歸一化，對(duì)于距離車輛較近、高度大于需要高度的窗口進(jìn)行尺度縮??；對(duì)于距離車輛較遠(yuǎn)、高度小于需要高度的窗口進(jìn)行尺度放大。
與經(jīng)典HOG算法相比較，本發(fā)明有以下有益效果:通過(guò)將待檢測(cè)范圍固定在道路附近，大幅減少待檢測(cè)窗口數(shù)量；并且通過(guò)對(duì)感興趣窗口進(jìn)行尺度縮放，進(jìn)一步較少搜索窗口數(shù)量、提高小目標(biāo)行人檢測(cè)精度。本發(fā)明在縮短檢測(cè)時(shí)間、減少虛警數(shù)量的同時(shí)提高了對(duì)小目標(biāo)行人的檢測(cè)精度。


通過(guò)閱讀參照以下附圖對(duì)非限制性實(shí)施例所作的詳細(xì)描述，本發(fā)明的其它特征、目的和優(yōu)點(diǎn)將會(huì)變得更明顯:
圖1是陰影存在情況下的路面檢測(cè)結(jié)果例；
圖2是基于路面提取的行人檢測(cè)結(jié)果的一個(gè)圖例；
圖3是基于路面提取的行人檢測(cè)結(jié)果的另一個(gè)圖例。
具體實(shí)施方式
下面結(jié)合具體實(shí)施 例對(duì)本發(fā)明進(jìn)行詳細(xì)說(shuō)明。以下實(shí)施例將有助于本領(lǐng)域的技術(shù)人員進(jìn)一步理解本發(fā)明，但不以任何形式限制本發(fā)明。應(yīng)當(dāng)指出的是，對(duì)本領(lǐng)域的普通技術(shù)人員來(lái)說(shuō)，在不脫離本發(fā)明構(gòu)思的前提下，還可以做出若干變形和改進(jìn)。這些都屬于本發(fā)明的保護(hù)范圍。
本實(shí)施例是通過(guò)以下技術(shù)方案實(shí)現(xiàn)的，在本實(shí)施例中，所述交通場(chǎng)景中基于路面提取的行人檢測(cè)方法包括如下步驟:
第一步:離線計(jì)算相機(jī)內(nèi)參一光照不變角度。
I)通過(guò)人工標(biāo)定的方法將輸入圖像中的路面提取出來(lái)，以log(R/G)和log(B/G)為坐標(biāo)軸構(gòu)造對(duì)數(shù)空間，并將提取出的路面(RGB圖像)上每個(gè)像素點(diǎn)投影到對(duì)數(shù)空間中得到投影點(diǎn)，其中，R、G、B分別代表像素點(diǎn)顏色的紅色、綠色、藍(lán)色分量。
2)將所有投影點(diǎn)在對(duì)數(shù)空間中傾角為α直線上做投影，以每個(gè)點(diǎn)歸一化后的投影長(zhǎng)度作為灰度值得到道路灰度圖，選擇道路灰度圖中灰度分布居于中間90%的像素點(diǎn)進(jìn)行道路灰度標(biāo)準(zhǔn)差計(jì)算。
3) a e {0°，1°，…180° }，重復(fù)步驟(2)，與道路灰度標(biāo)準(zhǔn)差對(duì)應(yīng)的α即為相機(jī)的光照不變角度。
第二步:在光照不變空間中檢測(cè)路面。
1)在道路底部選取區(qū)域統(tǒng)計(jì)路面灰度直方圖，結(jié)合閾值λ，確定路面灰度值分布范圍。
2)在每個(gè)方塊中選取一個(gè)種子點(diǎn)，使用漫水填充算法結(jié)合圖像形態(tài)學(xué)處理，得到完整的道路平面。
第三步:基于路面提取感興趣窗口，并對(duì)其進(jìn)行尺度縮放。
I)在道路平面上由近及遠(yuǎn)一次擺放若干個(gè)矩形窗口，窗口寬度與路面寬度相等，窗口高度由距離車輛不同距離的行人高度決定。
2)按照高度對(duì)矩形窗口的尺寸進(jìn)行歸一化。對(duì)于距離車輛較近、高度大于需要高度的窗口進(jìn)行尺度縮?。粚?duì)于距離車輛較遠(yuǎn)、高度小于需要高度的窗口進(jìn)行尺度放大。
第四步:使用經(jīng)典HOG特征描述子結(jié)合SVM分類器方法在經(jīng)過(guò)尺度縮放的感興趣窗口中檢測(cè)行人。
本實(shí)施例與經(jīng)典HOG算法(窗口大小分別為64X128和32X64)在檢測(cè)率、檢測(cè)時(shí)間以及虛警率三個(gè)方面進(jìn)行了比較。表I是實(shí)驗(yàn)的統(tǒng)計(jì)結(jié)果，可以明顯看出，本實(shí)施例與64X128的HOG算法相比，在整體檢測(cè)率提高一倍的情況下，虛警率和檢測(cè)時(shí)間都縮短了一半；與32 X 64的HOG算法相比，在檢測(cè)率基本相同的情況下，虛警率和檢測(cè)時(shí)間都有大幅的提升。
表1:結(jié)合道路檢測(cè)算法與經(jīng)典HOG算法實(shí)驗(yàn)結(jié)果比較
權(quán)利要求
1.一種交通場(chǎng)景中基于路面提取的行人檢測(cè)方法，其特征在于，包括如下步驟: 步驟1:計(jì)算光照不變角度，在光照不變灰度圖中提取路面； 步驟2:基于路面提取感興趣區(qū)域，并對(duì)感興趣區(qū)域進(jìn)行尺度縮放； 步驟3:使用HOG特征描述子結(jié)合SVM分類器在縮放后的區(qū)域中檢測(cè)行人。
2.根據(jù)權(quán)利要求1所述的交通場(chǎng)景中基于路面提取的行人檢測(cè)方法，其特征在于，所述的光照不變角度，具體為:光照不變圖中路面灰度值標(biāo)準(zhǔn)差與對(duì)數(shù)空間中投影直線的傾角相關(guān)，是指，通過(guò)改變直線傾角，統(tǒng)計(jì)路面灰度值標(biāo)準(zhǔn)差變化規(guī)律得到相機(jī)的光照不變角。
3.根據(jù)權(quán)利要求1所述的交通場(chǎng)景中基于路面提取的行人檢測(cè)方法，其特征在于，所述的在光照不變灰度圖中提取路面，具體為:通過(guò)統(tǒng)計(jì)得到路面灰度值分布范圍，在道路底部選擇種子點(diǎn)，使用漫水填充算法結(jié)合形態(tài)學(xué)處理得到完整路面。
4.根據(jù)權(quán)利要求1所述的交通場(chǎng)景中基于路面提取的行人檢測(cè)方法，其特征在于，所述的對(duì)感興趣區(qū)域進(jìn)行尺度縮放，具體為:對(duì)于距離車輛較近、高度大于需要高度的窗口進(jìn)行尺度縮??；對(duì)于距離車輛較遠(yuǎn)、高度小于需要高度的窗口進(jìn)行尺度放大。
5.根據(jù)權(quán)利要求1所述的交通場(chǎng)景中基于路面提取的行人檢測(cè)方法，其特征在于，所述步驟I包括如下步驟: 步驟1.1:通過(guò)人工標(biāo)定的方法將輸入圖像中的路面提取出來(lái)，以log(R/G)和log(B/G)為坐標(biāo)軸構(gòu)造對(duì)數(shù)空間，并將提取出的路面的RGB圖像上每個(gè)像素點(diǎn)投影到對(duì)數(shù)空間中得到投影點(diǎn)，其中，R、G、B分別代表像素點(diǎn)顏色的紅色、綠色、藍(lán)色分量； 步驟1.2:將所有投影點(diǎn)在對(duì)數(shù)空間中傾角為α直線上做投影，以每個(gè)點(diǎn)歸一化后的投影長(zhǎng)度作為灰度值得到道路灰度圖，選擇道路灰度圖中灰度分布居于中間90%的像素點(diǎn)進(jìn)行道路灰度標(biāo)準(zhǔn)差計(jì)算； 步驟1.3:a e {0°，1°，…180° }，重復(fù)步驟1.2，與道路灰度標(biāo)準(zhǔn)差對(duì)應(yīng)的α即為相機(jī)的光照不變角度。
6.根據(jù)權(quán)利要求5所述的交通場(chǎng)景中基于路面提取的行人檢測(cè)方法，其特征在于，所述步驟I還包括如下步驟: 步驟1.4:在道 路底部選取區(qū)域統(tǒng)計(jì)路面灰度直方圖，結(jié)合閾值λ，確定路面灰度值分布范圍； 步驟1.5:在每個(gè)方塊中選取一個(gè)種子點(diǎn)，使用漫水填充算法結(jié)合圖像形態(tài)學(xué)處理，得到完整的道路平面。
7.根據(jù)權(quán)利要求1所述的交通場(chǎng)景中基于路面提取的行人檢測(cè)方法，其特征在于，所述步驟2包括如下步驟: 步驟2.1:在道路平面上由近及遠(yuǎn)一次擺放若干個(gè)矩形窗口，窗口寬度與路面寬度相等，窗口高度由距離車輛不同距離的行人高度決定； 步驟2.2:按照高度對(duì)矩形窗口的尺寸進(jìn)行歸一化，對(duì)于距離車輛較近、高度大于需要高度的窗口進(jìn)行尺度縮??；對(duì)于距離車輛較遠(yuǎn)、高度小于需要高度的窗口進(jìn)行尺度放大。
全文摘要
本發(fā)明提供一種模式識(shí)別技術(shù)領(lǐng)域的交通場(chǎng)景中基于路面提取的行人檢測(cè)方法，包括以下步驟第一步，離線計(jì)算相機(jī)內(nèi)參——光照不變角度；第二步在光照不變空間中檢測(cè)路面；第三步基于路面提取感興趣窗口，并對(duì)感興趣窗口進(jìn)行尺度縮放；第四步使用經(jīng)典HOG描述字結(jié)合SVM分類器方法在經(jīng)過(guò)尺度縮放的感興趣窗口中檢測(cè)行人。通過(guò)將待檢測(cè)范圍固定在道路附近，大幅減少待檢測(cè)窗口數(shù)量；并且通過(guò)對(duì)感興趣窗口進(jìn)行尺度縮放，進(jìn)一步減少搜索窗口數(shù)量、提高小目標(biāo)行人檢測(cè)精度。本發(fā)明的在縮短檢測(cè)時(shí)間、減少虛警數(shù)量的同時(shí)，較好地解決了HOG不能對(duì)小目標(biāo)行人進(jìn)行有效檢測(cè)的問(wèn)題。
文檔編號(hào)G06K9/00GK103218604SQ20131011688
公開(kāi)日2013年7月24日 申請(qǐng)日期2013年4月3日 優(yōu)先權(quán)日2013年4月3日
發(fā)明者衡浩, 熊惠霖 申請(qǐng)人:上海交通大學(xué)