[發明專利]一種基于車載紅外圖像的行人預警系統及其工作方法

有效

• 申請號: 201310190157.0
• 申請日: 2013-05-20
• 公開（公告）號: CN103279741A
• 公開（公告）日: 2013-09-04
• 發明（設計）人: 郭烈;任澤建;楊姝;常靜;張明恒;趙一兵;李琳輝;張雁雁
• 申請（專利權）人: 大連理工大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/66;B60Q9/00
• 代理公司: 大連東方專利代理有限責任公司 21212
• 代理人: 李洪福

1.一種基于車載紅外圖像的行人預警系統，其特征在于：包括圖像獲取單元（1）、圖像處理單元（2）、決策輸出單元（3）、駕駛員預警單元（4）和駕駛員報警單元（5），所述的圖像獲取單元（1）、圖像處理單元（2）和決策輸出單元（3）依次順序串聯，所述的決策輸出單元（3）的輸出端分別連接駕駛員預警單元（4）和駕駛員報警單元（5），圖像獲取單元（1）連接車載紅外攝像機，獲取紅外圖像信息，圖像獲取單元（1）將信息傳給圖像處理單元（2）處理，圖像處理單元（2）包括獲取行人感興趣區域和串聯組合方式的行人識別兩個過程，圖像處理單元（2）將處理后的結果傳給決策輸出單元（3），決策輸出單元（3）根據車輛當前的車速信息，向駕駛員預警單元（4）或者駕駛員報警單元（5）發送信號，駕駛員預警單元（4）向駕駛員發出閃爍行人圖標的預警信息或者駕駛員報警單元（5）向駕駛員發出方向盤震動的報警信息。

2.一種基于車載紅外圖像的行人預警系統的工作方法，其特征在于：包括以下步驟：

A、圖像獲取單元（1）獲取車載紅外攝像機采集的紅外圖像信息；

B、圖像處理單元（2）的處理方法，包括以下步驟：

B1、獲取行人感興趣區域；采用中值濾波方法對采集到的紅外圖像進行濾波降噪，將濾波降噪后的紅外圖像進行圖像增強處理，將增強后的紅外圖像采用k均值聚類分析算法進行二值化分割，將分割后的紅外圖像采用先膨脹后腐蝕的閉運算做形態學處理，將形態學處理后的圖像根據目標行人的寬高比刪選后即可獲得行人感興趣區域；

B2、串聯組合式行人識別；

B21、獲取行人感興趣區域的類haar特征值；

B22、訓練行人檢測器和通過行人檢測器進行感興趣區域的初步行人識別；

B23、將行人檢測器分類后的結果采用基于模板匹配的頭部檢測進一步識別行人；

C、決策輸出單元（3）將圖像處理單元（2）得到的行人信息和車速信息進行綜合分析，向駕駛員預警單元（4）或者駕駛員報警單元（5）發送信號；如果車速大于或等于警示速度V₀，信號傳給駕駛員報警單元（5），駕駛員報警單元（5）向駕駛員發出方向盤震動的報警信息；如果車速小于警示速度V₀，信號傳給駕駛員預警單元（4），駕駛員預警單元（4）向駕駛員發出閃爍行人圖標的預警信息；所述的警示速度V₀的范圍為60-70km/h；

步驟B1中所述的k均值聚類分析算法的二值化分割，包括以下步驟：

B11、獲取增強處理后紅外圖像的灰度直方圖，求得紅外圖像的灰度均值T₀；

B12、提取高于圖像灰度均值T₀的像素集x，采用k均值聚類分析算法分割圖像；具體步驟如下：

對高于灰度均值T₀的像素集x采用圖像的標準差初始化類間距離，劃分聚類空間來確定分類數并進行k均值聚類，然后計算k_i聚類空間與其相鄰的兩個聚類空間k_i+1和k_i-1的關系；

k為分類數，max(x)、min(x)和std(x)分別代表高于灰度均值T₀的像素集x的最大值、最小值和方差，表示向上取整數；

設第i個聚類空間為k_i，聚類前k_i聚類空間的中心值為，聚類后k_i聚類空間中心值為μ_i，聚類前k_i+1聚類空間的中心值為，聚類后k_i+1聚類空間中心值為μ_i+1，聚類前k_i-1聚類空間的中心值為，聚類后k_i-1聚類空間中心值為μ_i-1，聚類前的相對關系值為l⁰，聚類后μ_i-1、μ_i、μ_i+1的相對關系值為l,；

聚類前，由于呈線性關系，滿足以下公式：

l0=μi+10-μi0μi0-μi-10=1---(2)]]>

聚類后，μ_i、μ_i-1、μ_i+1的相對關系為：

l=μi+1-μiμi-μi-1=(μi+10-μi0)+(Δμi+1-Δμi)(μi0-μi-10)+(Δμi-Δμi-1)---(3)]]>

為了準確找到直方圖聚類中心走勢的轉折點，采用聚類中心值的相對增量差分的絕對值作為測度函數CR；即：

CR=|ui+1-uiui+1-ui-ui-1ui|=|ui2-ui+1ui-1uiui+1|,i=2,...k---(4)]]>

通過尋找測度函數CR的極大值點對應的類別作為轉折點，將轉折點處兩相鄰聚類中心值的平均值作為閾值，大于等于所求閾值的被判定為目標，小于閾值的被判定為背景，達到了對整個紅外圖像進行二值化的目的；

步驟B22所述的訓練行人檢測器，包括以下步驟：

B221、選取樣本庫

選取800個紅外正行人樣本和3800個紅外負行人樣本，所述的負行人樣本為不含行人圖像的道路背景紅外圖像；

B222、獲取類haar特征值

haar特征的定義是指白色矩形區域內的所有像素灰度值之和減去黑色矩形區域，通過局部的灰度變化描述了圖像相鄰區域的特征差異；

類haar特征值的計算公式如下：

FeatureI=Σi∈I={1,...,n}ωi*RecSum(i)---(5)]]>

式中：ω_i∈R為矩形的權重，RecSum(i)為矩形r_i所圍區域的灰度積分，n是組成矩形的個數；

B223、基于adaboost算法的行人檢測器的訓練

行人檢測器包括弱分類器和強分類器；

訓練得到對應每個特征j的弱分類器：

每個弱分類器只針對一個特征f_j(x)，θ_j為閾值，參數p_j表示不等式的方向，j為有效特征個數；

在建立全部弱分類器之后，就要通過一定的篩選機制挑選出分類能力強的一些特征，也就是弱分類器，最后依次順序地將這些弱分類器線性組合成最終的強分類器；

訓練強分類器的adaboost算法的具體過程如下：

B2231、給定N對訓練樣本集(x₁,y₁),,(x_n,y_n)，其中x_i為表征樣本的特征向量，y_i＝0,1分別表示紅外正行人樣本和紅外負行人樣本；

B2232、初始化樣本權重：

紅外正行人樣本的權重為w_1,i＝1/2m，紅外負行人樣本的權重為w_1,i＝1/2n，m和n分別為紅外正行人樣本和紅外負行人樣本的數量；

B2233、訓練最優的弱分類器

設訓練總輪數為T，訓練最優的弱分類器的方法包括以下步驟：

B22331、設訓練輪數t=1

B22332、計算歸一化樣本權重

qt,i=wt,i/Σj=1Nwt,j---(7)]]>

B22333．對于每一個特征，在給定樣本權重q_t,i條件下按照公式（6）訓練一個弱分類器h_t,j，并計算每個弱分類器對樣本集的分類錯誤率：

ε_t＝min_f,p,θΣ_iq_t,i|h_j(x_i)-y_i|???（8）

B22334．選擇具有最小分類錯誤率ε_t的弱分類器h_t；

B22335．更新樣本權重：

若樣本被正確分類，則e_i＝0，否則e_i＝1，β_t＝ε_t/(1-ε_t)

B22336、如果t<T，則令t=t+1,轉步驟B22332；否則，轉步驟B2234；

B2234、輸出最終強分類器

h(x)=1,Σt=1Tαtht(x)≥12Σt=1Tαt0,Σt=1Tαtht(x)<12Σt=1Tαtαt=-logβt---(9)]]>

B23、采用基于模板匹配的頭部檢測進一步來識別行人，具體步驟如下：

B231、頭部模板建立

針對紅外正行人樣本的頭部輪廓構建了一個“Ω”形位圖模板圖像F；

B232、采用Canny算子對行人感興趣區域圖像進行邊緣檢測

B233、進行模板匹配，具體步驟如下：

B2331、距離轉換：

設B表示一個二值圖像中的目標點集合，則對于該圖像中的每一個點p，距離轉換公式如下：

DT(p)=minp∈Bd(p,q)---(10)]]>

其中q為背景像素點，d(p,q)為p到q的歐幾里得距離；進行距離轉換后，圖像中每個像素點的值就會變成與其最近的特征點的距離；

B2332、進行圖像匹配，具體步驟如下：

將頭部模板與DT圖像做卷積，利用頭部模板圖像F中的特征點f所在的坐標相對應到DT圖像中的距離值相加，再求其平均值，即所謂的Chamfer距離，其公式如下：

D(F,DT)=1FΣf∈FDT(f)---(11)]]>

DT(f)表示f對應于DT圖像的歐幾里得距離，取平均值的目的是對模板的大小進行歸一化；如果待匹配的圖像中沒有頭部，則求得的Chamfer距離通常會遠大于在圖像中有頭部的Chamfer距離，因此選取Chamfer距離最小的區域作為頭部最優框的大小和位置；

當邊緣圖像的Chamfer距離值為檢測區域R中最小值時，須再做一次特征點數量上的判斷：

Σf∈F1≥Threshold---(12)]]>

上式為邊緣圖像F的面積計算，主要目的在確保不會因為特征點數稀少才使得平均距離很??；因此當上述兩個條件同時成立時，圖像匹配成功。