[发明专利]一种前方行人窜出马路的预警方法

说明书

本发明公开了一种前方行人窜出马路的预警方法，包括步骤：S1、从数据库中寻找已经窜出马路的行人数据，根据该行人的行人轨迹倒推前若干帧准备窜出来的危险图像；根据人的行为模式对上述危险图像进行行为模式分类，由分类结果建立危险图像数据库；S2、对每一类行为模式下行人窜出来的可能性进行统计学概率分析；S3、采用深度学习卷积神经网络对危险图像数据库中的数据进行训练，得到训练模型；S4、利用数据库中的验证样本数据对训练模型中的参数进行调整，得到优化模型；S5、实际应用中，通过优化模型输出的检测概率和统计学概率判断是否对外报警。本发明基于深度卷积神经网络算法和人的行为模式，具有识别准确率高、实时性强的优点。

技术领域

本发明涉及统计概率学和行车录像视频监控预警领域，特别涉及一种基于深度学习和人的行为模式的前方行人窜出马路的预警方法。

背景技术

Dariu M.Gavrila等人统计制作了交通事故的数量模型，他们发现行人是交通事故的第二大来源。在行人的道路危险行为模式当中，行人窜出马路最容易发生事故。从上世纪90年代后期开始，科学家们就开始了行人方面的研究，从小波模板行人检测技术到激光雷达等传感器硬件构架等行人辅助检测，再到传统的机器视觉行人检测算法，但是到目前为止，他们大都还只是在做行人“检测”方面的工作。因为行人“预测”是一件比较困难的事情，所以说现在做行人预测方面的还是比较少的，而行人检测却是行人预测必不可少的前提。

经典的基于梯度的HOG和支持向量机(SVM)结合的目标检测算法来检测前景物体，可用拒绝型分类器的级联结构来检测行人。其方法是基于简单规则的分类技术，将行人从明显的道路侧结构物和级联的后一部分分离出来，以达到在杂乱场景中能进行比较乐观的行人检测的目的，但是其存在着实时性不高和准确率不高的不足。

为了解决目标检测中的特征表示的瓶颈问题，有希望的解决方案是利用多通道特征(channel features)，并且该方案已经在行人检测方面取得了令人瞩目的成果。聚集通道特征方法(Aggregated Channel Features(ACF))是通道特征方法的一种变体，其在目标检测任务中具有较好效果。

尽管如此，行人检测仍然是计算机视觉中最具挑战性的问题之一，这是由于：

1、行人的共性特征难以把握。比如说按性别分：有男有女，特征也就不一样。再比如说按年龄段分：有身材矮小的儿童，正在长高的青少年，稳定身材后的壮年和机能慢慢下降的老年。年龄段不一样，特征也就不一样。

2、实时性不强。例如：前方道路旁边的行人冲出马路后才检测出来或者因为延时而没能检测出来等等。

3、准确度不高。比如说部分遮挡的行人窜马路的情况：因为机器没有完整识别出固定的特征值，一个带伞的行人窜出马路时机器没有检测到。

总体上目标对象检测的现有方法，特别是行人检测遵循滑动窗口框架，其通病在于计算复杂，尤其当目标大小变化大的时候，其计算复杂度以集合倍数增长。另一方面，所利用的特征比如说传统的滤波器等都是人工设计的，其与用于检测器训练的分类算法分离。从系统设计的角度来看，这显然是次优的。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种前方行人窜出马路的预警方法，该方法基于深度卷积神经网络算法和人的行为模式，具有识别准确率高、实时性强的优点。

本发明的目的通过以下的技术方案实现：一种前方行人窜出马路的预警方法，包括步骤：

S1、从数据库中寻找已经窜出马路的行人数据，根据该行人的行人轨迹倒推前若干帧准备窜出来的危险图像；根据人的行为模式对上述危险图像进行行为模式分类，由分类结果建立危险图像数据库；

S2、在数据库中，对每一类行为模式下行人窜出来的可能性进行统计学概率分析；