林 昱，周 陽，葛軍曉

(北京波譜華光科技有限公司，北京100015)

1 引言

近年來，夜間道路交通事故呈不斷上升趨勢，對行人及駕駛員的生命安全造成極大的威脅。車載紅外夜視告警系統(tǒng)因其潛在的巨大商業(yè)價(jià)值越來越受各大汽車廠商的青睞。其中，行人檢測算法是整個(gè)夜視告警系統(tǒng)的關(guān)鍵技術(shù)和難點(diǎn)所在。特別是對紅外圖像來說，數(shù)據(jù)位寬一般在12 bit以上，在嵌入式系統(tǒng)運(yùn)算能力和處理速度一定的情況下，對行人檢測算法的復(fù)雜度和執(zhí)行效率有著更加嚴(yán)格的要求?，F(xiàn)有的行人檢測方法很多，比如基于梯度直方圖統(tǒng)計(jì)［1－2］的方法，在實(shí)際全圖檢測時(shí)存在檢測準(zhǔn)確率低、檢測速度慢的缺點(diǎn);“幀差法”［3］由于實(shí)現(xiàn)簡單常用于目標(biāo)區(qū)域提取，但當(dāng)環(huán)境變化較大時(shí)，往往不能穩(wěn)定地表示場景;還有Masoud O的人體建模法［4］，在建模復(fù)雜度、計(jì)算效率等方面也存在一定的局限。針對上述算法的缺點(diǎn)和不足，本文以單幀紅外圖像為基礎(chǔ)，旨在研究一種簡潔、快速的基于特征分析的行人檢測算法，以滿足工程應(yīng)用準(zhǔn)確性和實(shí)時(shí)性的要求。

2 紅外夜視系統(tǒng)行人告警算法原理

車載紅外夜視告警系統(tǒng)利用紅外熱成像技術(shù)，將接收到的汽車夜間行駛道路前方目標(biāo)與背景的紅外輻射映射成灰度值，利用目標(biāo)和背景間的溫度差進(jìn)行行人檢測，彌補(bǔ)了可見光在夜間探測能力不足的缺陷。要從攝像頭采集到的紅外圖像中提取行人目標(biāo)，實(shí)際上是屬于數(shù)字圖像處理中運(yùn)動目標(biāo)檢測的范疇。典型的行人檢測算法處理流程包括圖像去噪、閾值分割、目標(biāo)提取、目標(biāo)識別這幾個(gè)步驟［5］，最終將檢測到的行人目標(biāo)用告警框標(biāo)識出來實(shí)現(xiàn)對行人的告警。圖1是奧迪A8推出的熱成像夜視助手效果圖。

圖1 奧迪A8夜視輔助系統(tǒng)效果圖

3 本文的算法改進(jìn)

針對引言部分提到的傳統(tǒng)算法存在的一些問題，本文在圖像分割和目標(biāo)識別這兩個(gè)步驟做了一定的改進(jìn)，整個(gè)算法處理流程如圖2所示。

圖2 行人檢測算法處理流程

3.1 圖像分割

與“幀差法”不同，本文算法在單幀圖像基礎(chǔ)上進(jìn)行閾值分割。先用中值濾波法對原始紅外圖像數(shù)據(jù)進(jìn)行去噪，然后再經(jīng)過一個(gè)高通濾波器進(jìn)行背景抑制。常用的高通濾波器分為空域和頻域兩類。若濾波器的輸入為函數(shù)f(x，y)，輸出信號為g(x，y)，設(shè)濾波器的脈沖響應(yīng)函數(shù)為h(x，y)，用“*”表示卷積運(yùn)算，則:

這里采用5×5的空域高通模板H:

預(yù)處理后得到的圖像包含了背景噪聲、運(yùn)動目標(biāo)和邊緣區(qū)域，需選取一個(gè)合適的閾值進(jìn)行“二值化”分割(環(huán)境背景等低灰度級像素置為“0”，行人、汽車發(fā)動機(jī)等灰度級較高的目標(biāo)置為“1”)。二值化的閾值選取非常關(guān)鍵，閾值過高，會造成變化區(qū)域缺損和碎化，反之會引入大量背景噪聲。這里我們采用統(tǒng)計(jì)分割的方法來自適應(yīng)求取分割閾值，其理論依據(jù)是預(yù)處理后圖像近似服從準(zhǔn)高斯分布，隨機(jī)變量取均值三倍標(biāo)準(zhǔn)差鄰域之外的值的概率很小，而目標(biāo)灰度值一般較高，容易處于三倍甚至更高倍數(shù)標(biāo)準(zhǔn)差之外，因此分割門限一般取均值累加三倍或更高倍數(shù)標(biāo)準(zhǔn)差。統(tǒng)計(jì)分割方法可以表示為:

其中:

式中，M，N分別為圖像行數(shù)和列數(shù);μ為均值;σ為標(biāo)準(zhǔn)差;th為分割閾值;取k=3。

閾值分割后，我們還需進(jìn)一步修正二值圖像，采用形態(tài)學(xué)［6］“開運(yùn)算”切斷細(xì)線，消除圖像邊緣毛刺和孤立點(diǎn)，平滑圖像邊界。因受復(fù)雜背景以及噪聲的影響，處理后的圖像中還會存在大量小面積連通區(qū)域，這些區(qū)域的面積明顯小于行人，可以設(shè)定一個(gè)面積閾值去除這些干擾區(qū)域，以減輕后續(xù)的計(jì)算量。

3.2 目標(biāo)識別

在目標(biāo)識別方面，本文先提取出單幀圖像內(nèi)的各個(gè)候選目標(biāo)，采用“連通域檢測算法”［7］對閾值分割后的二值圖進(jìn)行區(qū)域標(biāo)記。在區(qū)域標(biāo)記的基礎(chǔ)上可以進(jìn)行連通域分析，計(jì)算目標(biāo)的幾何特征參數(shù)并根據(jù)機(jī)器視覺中行人的一些先驗(yàn)知識來完成單幀內(nèi)行人目標(biāo)的篩選［8］。然后，再結(jié)合行人在相鄰幾幀內(nèi)運(yùn)動軌跡的連貫性和運(yùn)動規(guī)律，進(jìn)一步將一些與行人形狀、大小相似的虛警目標(biāo)剔除掉得到最終的行人目標(biāo)。這樣做的好處在于:采用連通域分析的參數(shù)計(jì)算量要遠(yuǎn)小于模板匹配［9］，同時(shí)考察連續(xù)幀圖像目標(biāo)的空間分布和運(yùn)動規(guī)律又彌補(bǔ)了僅對單幀圖像進(jìn)行檢測準(zhǔn)確度較差的缺陷。

本文中連通域分析用到的主要指標(biāo)有外接矩形、面積、高寬比及形狀分散度［10］。外接矩形(式(6)～(9))是行人檢測中非常重要的信息，對標(biāo)定行人的位置起到重要作用;高寬比C(式(10))、形狀分散度S(式(11))也是進(jìn)一步獲得目標(biāo)形狀特征相關(guān)的參數(shù)。根據(jù)已有的一些統(tǒng)計(jì)數(shù)據(jù)可知行人的高寬比有一定的范圍，大致在1.4～4這個(gè)區(qū)間。

其中，C為連通區(qū)域高寬比;h為連通域高度;w為連通域?qū)挾?形狀分散度S表示目標(biāo)的復(fù)雜程度;P為連通域周長;A為連通域面積。

4 實(shí)驗(yàn)結(jié)果和分析

根據(jù)以上算法，我們對室外夜間(環(huán)境溫度25℃)拍攝的簡單路況下的20組紅外視頻序列進(jìn)行了算法仿真。采集用的光學(xué)系統(tǒng)焦距f=15 mm，F(xiàn)數(shù)1.0，探測器像元尺寸25 μm，紅外圖像分辨率為384×288像素，告警距離15～90 m。算法中閾值分割系數(shù)取k=3，小面積區(qū)域去除時(shí)面積閾值為30，高寬比C取1～4，形狀分散度在10～25之間，算法處理效果如圖3所示。根據(jù)實(shí)驗(yàn)統(tǒng)計(jì)結(jié)果，在處理的所有視頻序列中，行人識別率達(dá)到85.2%以上，漏檢率在4%左右，處理幀頻大于20 Hz，在一定條件下滿足車載夜視系統(tǒng)對行人檢測算法檢測率和實(shí)時(shí)性的要求。

圖3 算法處理效果圖

5 結(jié)論

本文針對傳統(tǒng)行人檢測算法存在的一些問題，提出了基于單幀紅外圖像的特征分析算法，特別在圖像分割和連通域分析環(huán)節(jié)做了一定的改進(jìn)并進(jìn)行了驗(yàn)證。但實(shí)驗(yàn)采集的紅外道路圖像較典型，場景比較單一，引入的干擾因素也少;而實(shí)際的道路千變?nèi)f化，所拍攝的圖像也復(fù)雜多變，本文中提到的方法在處理中勢必會存在虛警增多等問題，且對于多個(gè)行人交疊一起的情況也存在漏檢現(xiàn)象。因此，要想實(shí)現(xiàn)運(yùn)動行人的精確檢測，滿足智能車輛工程化要求，需要進(jìn)一步改進(jìn)算法，如增加對于復(fù)雜場景道路邊界模型的識別處理等。總之，要完善車載紅外夜視系統(tǒng)行人告警算法，深入研究準(zhǔn)確、實(shí)時(shí)的提取運(yùn)動目標(biāo)是一項(xiàng)非常艱巨的任務(wù)。

［1］ Navneet Dalal，Bill Triggs.Histograms of oriented gradients for human detection［C］.CVPR，2005:886 －893.

［2］ Dalal N，Triggs B.Histograms of oriented gradients for human detection［C］//Proc of the IEEE Conference on Computer Vision and Pattern Recognition，2005:886 －893.

［3］ LIN Hongwen，TU Dan，LI Guohui.Moving objects detection method based on statistical background model［J］.Computer Engineering，2003，29(16):97 － 99.(in Chinese)林洪文，涂丹，李國輝.基于統(tǒng)計(jì)背景模型的運(yùn)動目標(biāo)檢測方法［J］.計(jì)算機(jī)工程，2003，29(16):97 －99.

［4］ Masoud O，PapanikolopoulosN P.Robustpedestrian tracking using a model－ based approach［C］.Intelligent Transportation System，1997:338－343.

［5］ SU Xiaoqian，SUNShaoyuan，GE Man，et al.Pedestrian detection and tracking of vehicle infrared images［J］.Laser＆ Infrared，2012，42(8):949 －953.(in Chinese)蘇曉倩，孫韶媛，戈曼，等.車載紅外圖像的行人檢測與跟蹤技術(shù)［J］.激光與紅外，2012，42(8):949 －953.

［6］ 章毓晉.圖像處理和分析［M］.北京:清華大學(xué)出版社，1999.

［7］ XU Zhengguang.Pixel labeled algorithm based on recursive method of connecting area in binary images［J］.Computer Engineering，2006，32(24):186 － 188.(in Chinese)徐正光.基于遞歸的二值圖像連通域像素標(biāo)記算法［J］.計(jì)算機(jī)工程，2006，32(24):186 －188.

［8］ Elzein H，Lakshmanan S，Watta P.A motion and shape －based pedestrian detection algorithm［C］.Intelligent Vehicles Symposium，Proceedings，IEEE，2003:500 －504.

［9］ Gavrila D M，Philomin V.Real－time object detection for smart vehicle［C］.Computer Vision，1999:87 －93.

［10］ WANG Chenghao，LIU Fuqiang，TIAN Min，et al.The algorithm of vehicle identification and tracking based on blob analysis［J］.Signal Processing，2005，21(4A):370 －374.(in Chinese)王臣豪，劉富強(qiáng)，田敏，等.基于Blob的車輛識別及其跟蹤算法研究［J］.信號處理，2005，21(4A):370－374.