[发明专利]基于车载红外视频的行人检测方法及系统

说明书

本发明公开了一种基于车载红外视频的行人检测方法及系统，涉及行人检测的计算机视觉领域。该方法包括以下步骤：通过车载红外探测仪获取红外视频，采用积分图和通道特征，提取红外视频的颜色特征和梯度特征；采用自适应增强迭代算法Adaboost，对提取的特征进行训练和筛选，检测红外视频的图像中的行人，得到初步检测结果；采用匈牙利算法，对初步检测结果进行计算，得到所有图像中的行人关联形成的初始轨迹序列；将初始轨迹序列作为初始值，采用曼克莱斯算法，计算最优的轨迹关联信息，得到最终的跟踪轨迹。本发明将检测与跟踪相结合，能检测到在行驶过程中被遮挡的行人，提升行人检测的准确率。

技术领域

本发明涉及行人检测的计算机视觉领域，具体是涉及一种基于车载红外视频的行人检测方法及系统。

背景技术

按照检测的方法分类，行人检测可以分为基于运动特性的方法、基于模板匹配的方法以及基于统计学习的方法。相比于前两种行人检测方法，基于统计学习的方法具有检测精度高，鲁棒性较好的有点，是当今行人检测研究的重点和热点。基于统计学习的方法通过大量的行人样本，提取目标的灰度、边缘、纹理、颜色等信息，利用学习方法构建行人检测分类器。学习方法主要有自适应增强迭代算法Adaboost、支撑向量机和深度学习等。

目前，常用的行人特征有小波特征等。另外，利用级联的方式对行人进行检测，也取得了较好的效果。行人检测算法的性能主要受到学习算法(分类器)和特征描述子这两个因素的制约。HOG和DPM等方法在进行特征提取和检测过程速度都较慢，不适合车载的实时检测环境。

按照检测源分类，行人检测可以分为基于可见光图像的检测和基于非可见光图像的检测。基于可见光图像检测往往由于行人所处环境中场景的复杂性、行人外观的多样性、光照变化或者气候变化等因素，影响行人检测的效果，使得行人检测的准确率不高，极容易造成漏检和误检。另外，基于可见光的检测往往只能够应用于白天环境下，夜晚条件下不能够使用，这也是制约可见光用于智能驾驶辅助系统的条件之一。

基于非可见光图像的检测往往以基于红外图像最为常见。红外图像感受和反映的是目标以及背景向外辐射能量的差异，描述的是目标和背景保持温度的差异情况，属于被动成像，可以全天候工作。另外，红外辐射穿透雾霾以及大气的能力比可见光强。它可以克服部分视觉上的障碍而探测到目标物体，具有较强的作用距离和抗干扰能力。再者，红外图像像素之间具有良好的空间相关性，图像的灰度均值保持相对稳定，含有较多和较大的同质区。因此，红外图像更加能够适应车载全天候的工作环境。

但是，红外成像反映的是物体的热辐射差，对温度很敏感，而且物体之间存在热交换，且空气对热辐射有散射和吸收的作用，使得红外图像的对比度低，物体边缘模糊，噪声较大，没有明显的纹理和角点。这也对基于红外图像的行人检测提出了更高的挑战。

另外，行人检测还可以分为基于图像和基于视频的检测。相比于基于图像的行人检测而言，视频中的运动信息和时空信息能够更多的为行人检测提供辅助，从而提高行人检测的准确率，减少行人检测的误检和漏检。但是，如果视频的行人被遮挡，行人检测的准确率依然受到影响。如何检测到在行驶过程中被遮挡的行人是本领域亟待解决的技术难题。

发明内容

本发明的目的是为了克服上述背景技术的不足，提供一种基于车载红外视频的行人检测方法及系统，将检测与跟踪相结合，能够检测到在行驶过程中被遮挡的行人，提升行人检测的准确率。

本发明提供一种基于车载红外视频的行人检测方法，包括以下步骤：

S1、通过车载红外探测仪获取红外视频，采用积分图和通道特征，提取红外视频的颜色特征和梯度特征；

S2、采用自适应增强迭代算法Adaboost，对步骤S1提取的特征进行训练和筛选，检测红外视频的图像中的行人，得到初步检测结果；

S3、采用匈牙利算法，对步骤S2得到的初步检测结果进行计算，得到所有图像中的行人关联形成的初始轨迹序列；