[发明专利]面向车载热成像行人检测的感兴趣区域过滤方法和装置

说明书

本发明公开了面向车载热成像行人检测的RoIs过滤方法和装置。所述RoIs过滤方法指设计三层级联过滤器滤除非行人RoIs的方法：第一层通过计算行人像素高度和RoIs高宽比并设定相应的阈值区间，滤除尺寸异常的RoIs；第二层逐个RoIs分别计算其上下边界与当前图像路面基准的竖直间距，计算基于RoIs像素高度的阈值，滤除位置异常的RoIs；第三层依据每个RoIs的亮度竖直投影差值曲线搜索可能的行人头部区域，对比头部区域和相邻背景区域的Haar‑like特征的差异程度，滤除缺失行人头部的RoIs。本方法能够在兼顾行人检测准确率的前提下，降低行人检测的计算开销和增强分类器的场景适应性。RoIs过滤装置包括尺寸异常RoIs过滤器、位置异常RoIs过滤器和缺失头部RoIs过滤器。

技术领域

本发明涉及行人检测，更具体地，涉及，面向车载热成像行人检测的感兴趣区域(Regions of Interest,RoIs)过滤方法和装置。

背景技术

车载热成像行人检测技术指通过红外热像仪作为视觉传感器，捕获车载交通场景的图像/视频，在计算机或嵌入式平台使用机器学习等方法，识别图像/视频中存在的所有行人目标，并以最小外接矩形框的坐标信息标识每个行人在图像上的位置。

此过程包含两个关键阶段：RoIs提取和RoIs分类检测，其中影响计算开销和准确率的重要因素是提取的RoIs数量和所使用分类器的性能。在RoIs提取环节，为了满足高召回率要求，通常获得较多数量的RoIs。但是图像中的行人目标属于稀有事物，即大部分RoIs仅包含背景信息，且其中一些背景区域的信息和行人的特征差异很大。如果对这些RoIs都使用分类器检测，则计算开销不容乐观，因此需要提出既能减少待检测RoIs数量又能兼顾准确率的方法。

相对计算机而言，车载嵌入式平台具有明显的计算性能瓶颈，很多已发表的行人检测方法，特别是运用深度学习算法的技术，无法应用到此类平台，对实际应用的检测率和实时性造成影响。例如德州仪器公司生产的DM6437车载平台，该平台具有较强的稳定性，但是其处理器为单核、主频最高处理速度每秒仅有600Mhz，基于“HOG特征+线性SVM”分类器对单个RoIs的处理时间约为3毫秒，在计算性能方面远远无法和普通计算机相比。在行人检测推广到实际应用的过程中，需要找到权衡计算开销和检测性能的解决方案。

在RoIs提取阶段，目前发表的一部分方法是根据图像中目标的特性规律筛选行人可能存在的前景区域。例如：

现有技术1：Ge J,Luo Y,Tei G.Real-Time Pedestrian Detection andTracking at Nighttime for Driver-Assistance Systems.[J].IntelligentTransportation Systems IEEE Transactions on,2009,10(2):283-298。根据同一水平线上行人目标像素相较于周围背景亮度更高的经验，通过计算每个像素局部邻域内的分割阈值上限和下限，对近红外图像提取RoIs。

现有技术2：Uijlings J R R,Sande K E A V D,Gevers T,et al.SelectiveSearch for Object Recognition[J].International Journal of Computer Vision,2013,104(2):154-171。提出选择性搜索方法，主要思想是根据可见光图像不同的颜色空间先对图像进行小的相似区域分割，再根据区域合并算法从颜色、纹理、大小等方面将相似度高的小区域合并为大区域。

现有技术3：Zitnick C L,Dollár P.Edge Boxes:Locating Object Proposalsfrom Edges[C]//European Conference on Computer Vision.Springer,Cham,2014:391-405。提出EdgeBox方法，根据局部区域内闭合轮廓和交叉轮廓的关系，寻找包含完整物体的RoIs。