基于显著性检测的实时车载行人检测方法

针对车辆辅助驾驶系统中行人检测的实时性问题,提出了一种新的基于显著性检测和参数融合的LUT-HOG车载行人检测方法.在车载行人检测方法中提出基于多局部区域的空域调频对比度的显著性检测方法,快速标注图像中的"行人"区域;在"行人"区域,提出基于参数融合的LUT-HOG的快速行人特征提取算法;采用逼近线性SVM计算时间的AK-SVM进行高效分类.该算法通过使用显著性检测代替穷尽搜索办法,并用快速的行人特征提取和分类算法,能够大幅提高行人检测的速率.在Visual Studio 2012软件中使用C语言验证行人检测算法的正确性和实时性.基于INRIA数据库的测试结果表明,在不降低准确率的前提下,该行人检测系统可以达到25帧/秒(640×480)的检测速率.然后,将行人检测系统移植到BF-609的开发板上进行实时行人检测,在不使用GPU的前提下,可以达到20帧/秒的检测速度,可满足车载行人检测系统的实时性要求.

车载热成像行人检测RoI提取方法

热成像适合低照度行人检测,车载热成像背景灰度分布变化大,行人目标易与背景干扰物混淆,捕捉远距离行人困难,以双阈值分割方法提取RoI(region of interest)很难满足系统召回率和虚警率要求.针对车载热成像行人检测,提出新的RoI提取方法,包括图像预处理、RoI提取和后处理.设计膨胀最大值滤波器进行图像增强;利用Haar-like特征来改进自适应双阈值分割法进行RoI提取,设计增量计算模型以提高计算效率;设计目标时序特性和空间对称性过滤器来排除虚假RoI.与基准方法相比,当虚警率不高于40时,本文方法提高召回率49%,且RoI提取速率不低于18帧/s.

概率图车载热成像行人检测RoIs提取方法

道路场景复杂、热成像纹理信息较少以及图像品质不稳定,RoIs提取面临挑战.阈值分割RoIs提取更多关注行人局部细节和像素间邻域关系,容易产生行人遗漏、背景粘连和行人断裂,且很难控制RoIs总量.模拟人类视觉,关注图像显著性区域及其位置和大小,提出概率图RoIs提取方法,设计凸-凹形曲线映射像素灰度值增强图像对比度;基于图像签名方法获取显著性图.融合灰度强度和显著性概率图并从中提取图像前景;设计算法搜索路面估计限定的概率图区域生成RoIs.实验表明,相对阈值分割,本文方法能够提高RoIs定位准确度、控制RoIs总量和显著减少非行人RoIs;提取等量单帧RoIs,召回率提高不低于9%.