CN103473953B - 一种行人检测方法和系统 - Google Patents
一种行人检测方法和系统 Download PDFInfo
- Publication number
- CN103473953B CN103473953B CN201310382009.9A CN201310382009A CN103473953B CN 103473953 B CN103473953 B CN 103473953B CN 201310382009 A CN201310382009 A CN 201310382009A CN 103473953 B CN103473953 B CN 103473953B
- Authority
- CN
- China
- Prior art keywords
- candidate region
- mapping
- pedestrian
- pixel
- histogram
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 238000013507 mapping Methods 0.000 claims abstract description 187
- 239000013598 vector Substances 0.000 claims abstract description 59
- 238000012360 testing method Methods 0.000 claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000012706 support-vector machine Methods 0.000 claims description 10
- 230000000452 restraining effect Effects 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 38
- 238000012549 training Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 4
- 238000009434 installation Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
- Studio Devices (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种行人检测方法和系统,属于智能交通领域。所述方法包括:获取待测图;在待测图上选取多个候选区域,多个候选区域的集合覆盖待测图;获取每个候选区域的至少两种特征图;在所述候选区域的至少两种特征图上分别进行采样,并根据采样结果获取每个候选区域的n维特征矢量,n为正整数;根据每个候选区域的n维特征矢量,判断待测图中是否包含行人,并当待测图中包含行人时,输出行人所在的选定区域。本发明通过获取候选区域的至少两个特征图进行候选区域是否包含行人的判断,对候选区域进行了详细的分析,因此检测结果的准确性高,而且对待测图的获取要求很低,只需要廉价的视觉传感器即可,有利于PDS的推广。
Description
技术领域
本发明涉及智能交通领域,特别涉及一种行人检测方法和系统。
背景技术
随着汽车的普及,汽车交通事故发生的频率也与同剧增。其中,行人是事故中最缺乏安全保障设施的,最容易受到伤害。因此,PDS(PedestrianDetectionSystem,行人检测系统)已成为研究界和产业界极为关注的关键技术。
现有的PDS通常采用高精度的红外采集设备,如红外摄像头、激光雷达,PDS通过红外摄像头或激光雷达探测是否有人体发出的热信号来判断预定区域内是否有行人。
在实现本发明的过程中,发明人发现现有技术至少存在以下问题:
PDS需要高精度的红外采集设备,成本较高,不利于PDS的推广。
发明内容
为了解决现有技术成本高的问题,本发明实施例提供了一种行人检测方法和系统。所述技术方案如下:
一方面,本发明实施例提供了一种行人检测方法,所述方法包括:
获取待测图;
在所述待测图上选取多个候选区域,所述多个候选区域的集合覆盖所述待测图;
获取每个所述候选区域的至少两种特征图;
在每个所述候选区域的所述至少两种特征图上分别进行采样,并根据采样结果获取每个所述候选区域的n维特征矢量,n为正整数;
根据每个所述候选区域的n维特征矢量,判断所述待测图中是否包含行人,并当所述待测图中包含行人时,输出所述行人所在的选定区域;
当所述待测图为彩色图像时,所述候选区域的至少两种特征图包括彩色特征图、梯度幅度图、以及梯度直方图;
所述获取每个所述候选区域的彩色特征图,包括:
将所述候选区域的红绿蓝彩色图像转换为Y、U、V三个通道的彩色特征图,Y为明亮度,U和V为色度;
所述获取每个所述候选区域的梯度幅度图,包括:
选取所述候选区域上每个像素的R、G、B三个通道的梯度幅度中的最大值,组成所述候选区域的梯度幅度图,R为红色,G为绿色,B为蓝色;
所述获取每个所述候选区域的梯度直方图,包括:
对梯度角度划分区间,按照所述候选区域上每个像素的梯度角度与所述区间的关系,确定所述像素在每个所述区间的梯度直方图上的方向梯度,得到每个所述区间的梯度直方图;
所述对梯度角度划分区间,按照所述候选区域上每个像素的梯度角度与所述区间的关系,确定所述像素在每个所述区间的梯度直方图上的方向梯度,得到每个所述区间的梯度直方图,包括:
当像素的梯度角度不属于梯度直方图所属的区间时,将所述像素在所述梯度直方图上的方向梯度特征取0;
当像素的梯度角度属于梯度直方图所属的区间时,按照如下公式得到所述像素在所述梯度直方图上的方向梯度特征:
Q(x,y)=G(x,y);
其中,Q(x,y)为方向梯度特征,x和y为所述像素的坐标,G(x,y)为所述像素的梯度幅度。
在第一种可能的实现方式中,所述在每个所述候选区域的所述至少两种特征图上分别进行采样,并根据采样结果获取每个所述候选区域的n维特征矢量,包括:
在所述候选区域的所述至少两种特征图上共确定n个采样区域;
将各个所述采样区域上所有像素的特征值相加,得到各个所述采样区域的特征值;
采用所述候选区域的所述n个所述采样区域的特征值,构成所述候选区域的n维特征矢量。
在第二种可能的实现方式中,所述根据每个所述候选区域的n维特征矢量,判断所述待测图像中是否包含行人,并当所述待测图像中包含行人时,输出所述行人所在的选定区域,包括:
将每个所述候选区域的n维特征矢量代入决策函数,判断每个所述候选区域是否包含行人,所述决策函数通过支持矢量机获得;
当存在包含行人的所述候选区域时,判定待测图像中包含行人;
采用非极大抑制算法从包含同一行人的候选区域中选择候选区域,并根据选择的所述候选区域,确定所述行人在所述待测图上的区域并输出;
所述决策函数的公式如下:
h(X)=∑αl*yl*K(X,xl)+b;
其中,h(X)为决策函数值,X为候选区域的n维特征矢量,K(X,xl)为交叉核函数,K(X,xl)=∑min(X,xl),min为求最小值,xl和yl为支持矢量,αl为权重值,b为偏置值,1≤l≤L,l为整数,L为支持矢量的数目。
在第三种可能的实现方式中,在所述获取待测图之后,所述方法还包括:
对获取的所述待测图进行m种比例的缩放,m为正整数;
所述在所述待测图上选取多个候选区域,所述多个候选区域的集合覆盖所述待测图,包括:
在各个缩放后的待测图上选取多个候选区域,各个所述缩放后的待测图的所述多个候选区域的集合覆盖各自对应的所述缩放后的待测图。
另一方面,本发明实施例提供了一种行人检测系统,所述系统包括:
待测图获取模块,用于获取待测图;
候选区域选取模块,用于在所述待测图上选取多个候选区域,所述多个候选区域的集合覆盖所述待测图;
特征图获取模块,用于获取每个所述候选区域的至少两种特征图;
特征值获取模块,用于在每个所述候选区域的所述至少两种特征图上分别进行采样,并根据采样结果获取每个所述候选区域的n维特征矢量,n为正整数;
行人区域确定模块,用于根据每个所述候选区域的n维特征矢量,判断所述待测图中是否包含行人,并当所述待测图中包含行人时,输出所述行人所在的选定区域;
当所述待测图为彩色图形时,所述候选区域的至少两种特征图包括彩色特征图、梯度幅度图、以及梯度直方图,所述特征图获取模块包括:
彩色特征图获取单元,用于将所述候选区域的红绿蓝彩色图像转换为Y、U、V三个通道的彩色特征图,Y为明亮度,U和V为色度;
梯度幅度图获取单元,用于选取所述候选区域上每个像素的R、G、B三个通道的梯度幅度中的最大值,组成所述候选区域的梯度幅度图,R为红色,G为绿色,B为蓝色;
梯度直方图获取单元,用于对梯度角度划分区间,按照所述候选区域上每个像素的梯度角度与所述区间的关系,确定所述像素在每个所述区间的梯度直方图上的方向梯度,得到每个所述区间的梯度直方图;
所述对梯度角度划分区间,按照所述候选区域上每个像素的梯度角度与所述区间的关系,确定所述像素在每个所述区间的梯度直方图上的方向梯度,得到每个所述区间的梯度直方图,包括:
当像素的梯度角度不属于梯度直方图所属的区间时,将所述像素在所述梯度直方图上的方向梯度特征取0;
当像素的梯度角度属于梯度直方图所属的区间时,按照如下公式得到所述像素在所述梯度直方图上的方向梯度特征:
Q(x,y)=G(x,y);
其中,Q(x,y)为方向梯度特征,x和y为所述像素的坐标,G(x,y)为所述像素的梯度幅度。
在第一种可能的实现方式中,所述特征值获取模块包括:
采样区域确定单元,用于在所述候选区域的所述至少两种特征图上共确定n个采样区域;
采样区域特征值获得单元,用于将各个所述采样区域上所有像素的特征值相加,得到各个所述采样区域的特征值;
候选区域特征值获得单元,用于采用所述候选区域的所述n个所述采样区域的特征值,构成所述候选区域的n维特征矢量。
在第二种可能的实现方式中,所述行人区域确定模块包括:
行人区域确定单元,用于将每个所述候选区域的n维特征矢量代入决策函数,判断每个所述候选区域是否包含行人,所述决策函数通过支持矢量机获得;
行人区域选择单元,用于当存在包含行人的所述候选区域时,判定待测图像中包含行人;采用非极大抑制算法从包含同一行人的候选区域中选择候选区域,并根据选择的所述候选区域,确定所述行人在所述待测图上的区域并输出;
所述决策函数的公式如下:
h(X)=∑αl*yl*K(X,xl)+b;
其中,h(X)为决策函数值,X为候选区域的特征值,K(X,xl)为交叉核函数,K(X,xl)=∑min(X,xl),min为求最小值,xl和yl为支持矢量,αl为权重值,b为偏置值,1≤l≤L,l为整数,L为支持矢量的数目。
在第三种可能的实现方式中,所述系统还包括:
待测图缩放模块,用于对获取的所述待测图进行m种比例的缩放,m为正整数;
候选区域选取模块用于,在各个缩放后的待测图上选取多个候选区域,各个所述缩放后的待测图的所述多个候选区域的集合覆盖各自对应的所述缩放后的待测图。
本发明实施例提供的技术方案带来的有益效果是:
通过获取待测图后,在待测图上选取多个候选区域,多个候选区域的集合覆盖该待测图,进而获取每个候选区域的至少两种特征图,并在每个候选区域的至少两种待测图上分别进行采样,根据采样结果获取每个候选区域的n维特征矢量,根据每个候选区域的特征值,判断待测图像中是否包含行人,并当待测图像中包含行人时,输出行人所在的选定区域。由于通过获取候选区域的至少两个特征图(如彩色特征图、梯度幅度图、梯度直方图)进行候选区域是否包含行人的判断,对候选区域进行了详细的分析,因此检测结果的准确性高,而且对待测图的获取要求很低,只需要廉价的视觉传感器即可,成本比现有需要高精度红外采集设备的PDS低得多,有利于PDS的推广。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的一种行人检测方法的流程图;
图2是本发明实施例二提供的一种行人检测方法的流程图;
图3是本发明实施例二提供的获取特征图方法的流程图;
图4是本发明实施例二提供的获取决策函数参数方法的流程图;
图5是本发明实施例三提供的一种行人检测系统的结构示意图;
图6是本发明实施例四提供的一种行人检测系统的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
实施例一
本发明实施例提供了一种行人检测方法,参见图1,该方法包括:
步骤101:获取待测图。
在实际应用中,待测图是通过视觉传感器获取的,该视觉传感器一般按照在车辆上。容易知道,视觉传感器的型号决定了待测图的格式,视觉传感器的安装位置、安装角度等决定了待测图与车辆的位置关系,如安装在车辆后方的视觉传感器获取的是车辆后方的待测图。
在本实施例中,待测图可以为VGA(VideoGraphicsArray,视频图形阵列)格式的RGB(RedGreenBlue,红绿蓝)彩色图像,也可以为VGA格式的灰度图像,还可以为其他格式的彩色图像或灰度图像。待测图的大小可以为640*480像素,也可以为其它大小,本发明对待测图的格式和大小不作限制。
优选地,待测图的宽高比可以为1:2或1:3,与行人的宽高比接近,方便检测。
步骤102:在待测图上选取多个候选区域,多个候选区域的集合覆盖该待测图。
步骤103:获取每个候选区域的至少两种特征图。
优选地,当待测图为彩色图像时,至少两种特征图可以包括彩色特征图、梯度幅度图、以及梯度直方图,判断结果的准确率较高。
优选地,当待测图为非彩色图像(即灰度图像)时,至少两种特征图可以包括梯度幅度图和梯度直方图,判断结果的准确率较高。
步骤104:在每个候选区域的至少两种特征图上分别进行采样,并根据采样结果获取每个候选区域的n维特征矢量,n为正整数。
步骤105:根据每个候选区域的n维特征矢量,判断待测图中是否包含行人,并当待测图中包含行人时,输出行人所在的选定区域。
本发明实施例通过获取待测图后,在待测图上选取多个候选区域,多个候选区域的集合覆盖该待测图,进而获取每个候选区域的至少两种特征图,并在每个候选区域的至少两种待测图上分别进行采样,根据采样结果获取每个候选区域的n维特征矢量,根据每个候选区域的特征值,判断待测图像中是否包含行人,并当待测图像中包含行人时,输出行人所在的选定区域。由于通过获取候选区域的至少两个特征图(如彩色特征图、梯度幅度图、梯度直方图)进行候选区域是否包含行人的判断,对候选区域进行了详细的分析,因此检测结果的准确性高,而且对待测图的获取要求很低,只需要廉价的视觉传感器即可,成本比现有需要高精度红外采集设备的PDS低得多,有利于PDS的推广。
实施例二
本发明实施例提供了一种行人检测方法,参见图2,该方法包括:
步骤201:获取待测图。
在实际应用中,待测图是通过视觉传感器获取的,该视觉传感器一般按照在车辆上。容易知道,视觉传感器的型号决定了待测图的格式,视觉传感器的安装位置、安装角度等决定了待测图与车辆的位置关系,如安装在车辆后方的视觉传感器获取的是车辆后方的待测图。
在本实施例中,待测图可以为VGA格式的RGB彩色图像,也可以为VGA格式的灰度图像,还可以为其他格式的彩色图像或灰度图像。待测图的大小可以为640*480像素,也可以为其它大小,本发明对待测图的格式和大小不作限制。
优选地,待测图的宽高比可以为1:2或1:3,与行人的宽高比接近,方便检测。
步骤202:在待测图上选取多个候选区域,多个候选区域的集合覆盖该待测图。
在本实施例的一种实现方式中,该步骤202可以包括:将选择框在待测图上以Z字型滑动,每隔一个步长停顿一次,将每次停顿时选择框中的待测图作为候选区域,步长为每次滑动的距离。在本实施例的另一种实现方式中,该步骤201可以包括:随机选取前述候选区域,只要候选区域的集合能覆盖该待测图即可。
具体地,选择框的大小可以为128*64像素、94*48像素、108*36像素等,步长可以为2像素、4像素、6像素、8像素、10像素等,可以根据对检测速度和检测准确率的要求进行设置,本发明不限制于此。
步骤203:获取每个候选区域的至少两种特征图。
优选地,当待测图为彩色图像时,至少两种特征图可以包括彩色特征图、梯度幅度图、以及梯度直方图,判断结果的准确率较高。
优选地,当待测图为非彩色图像(即灰度图像)时,至少两种特征图可以包括梯度幅度图和梯度直方图,判断结果的准确率较高。
当待测图为彩色图像时,至少两种特征图包括彩色特征图、梯度幅度图、以及梯度直方图,参见图3,该步骤203可以包括:
步骤203a:将候选区域的RGB彩色图像转换为Y、U、V三个通道的彩色特征图,Y为明亮度,U和V为色度。
具体地,该步骤203a可以包括:将RGB彩色图像按公式(1)、公式(2)、公式(3)进行转换:
Y=0.299*R+0.587*G+0.114*B;(1)
U=0.567*(B-Y);(2)
V=0.713*(R-Y);(3)
其中,Y为明亮度,U和V为色度,R为红色,G为绿色,B为蓝色。
步骤203b:选取候选区域上每个像素的R、G、B三个通道的梯度幅度中的最大值,组成该候选区域的梯度幅度图,R为红色,G为绿色,B为蓝色。
步骤203c:对梯度角度划分区间,按照候选区域上每个像素的梯度角度与区间的关系,确定该像素在每个区间的梯度直方图上的方向梯度,得到每个区间的梯度直方图。
具体地,该步骤203c可以包括:当像素的梯度角度不属于梯度直方图所属的区间时,将该像素在该梯度直方图上的方向梯度特征取0;
当像素的梯度角度属于梯度直方图所属的区间时,按照公式(4)得到该像素在该梯度直方图上的方向梯度特征:
Q(x,y)=G(x,y);(4)
其中,Q(x,y)为方向梯度特征,x和y为像素的坐标,G(x,y)为像素的梯度幅度。
进一步地,划分的区间范围为[0,π],如将梯度角度划分为6个区间,则划分的区间范围依次为[0,π/6]、(π/6,π/3]、(π/3,π/2]、(π/2,2π/3]、(2π/3,5π/6]、(5π/6,π]。
容易知道,上述步骤203a~203c没有先后顺序,可以同时执行。
步骤204:在每个候选区域的至少两种特征值上分别进行采样,并根据采样结果获取每个候选区域的n维特征矢量,n为正整数。
在本实施例中,该步骤204可以包括:在候选区域的至少两种特征图上共确定n个采样区域;将各个采样区域上所有像素(即像素点)的特征值相加,得到各个采样区域的特征值;采用候选区域的n个采样区域的特征值,构成该候选区域的n维特征矢量。
其中,像素的特征值为该像素在彩色特征图、梯度幅度图、或梯度直方图上的特征值。具体地,某像素在Y通道的彩色特征图上的明亮度、在U通道的彩色特征图上的色度、以及在V通道的彩色特征图上的色度是该像素在彩色特征图上的特征值。某像素在梯度幅度图上的梯度幅度是该像素在梯度幅度图上的特征值。某像素在梯形直方图上的方向梯度特征是该像素在梯形直方图上的特征值。
优选地,n的取值范围为1000-20000,如5000,检测的速度和准确率比较合适。
优选地,采样区域的大小为30*30像素-50*50像素,检测的速度和准确率比较合适。
步骤205:根据每个候选区域的n维特征矢量,判断待测图像中是否包含行人,并当待测图像中包含行人时,输出行人所在的选定区域。
在本实施例的一种实现方式中,该步骤205可以包括:将每个候选区域的n维特征矢量代入决策函数,判断每个候选区域是否包含行人,该决策函数通过支持矢量机获得;当存在包含行人的候选区域时,判定待测图像中包含行人;采用非极大抑制算法从包含同一行人的候选区域中选择候选区域,并根据选择的候选区域,确定该行人在待测图上的区域并输出。
优选地,将每个候选区域的n维特征矢量代入决策函数,判断每个候选区域是否包含行人,可以包括:将每个候选区域的n维特征矢量代入公式(5)计算决策函数值:
h(X)=∑αl*yl*K(X,xl)+b;(5)
其中,h(X)为决策函数值,X为候选区域的n维特征矢量,K(X,xl)为交叉核函数,K(X,xl)=∑min(X,xl),min为求最小值,xl和yl为支持矢量,αl为权重值,b为偏置值,1≤l≤L,l为整数,L为支持矢量的数目;
当候选区域的决策函数值大于0时,判定该候选区域包含行人;否则,判定该区域不包含行人,分类的速度和精度比较合适。
具体地,采用非极大抑制算法从包含同一行人的候选区域中选择候选区域,可以包括:在包含同一行人的多个候选区域中,选择决策函数值最大的候选区域。
具体地,当在通过视觉传感器等设备获得的原始待测图上选取候选区域时,根据选择的候选区域,确定该行人在待测图上的区域并输出,可以包括:将选择的候选区域确定为该行人在待测图上的区域进行输出。
具体地,当在对原始待测图进行缩放等处理的非原始待测图上选取候选区域时,根据选择的候选区域,确定该行人在待测图上的区域并输出,可以包括:根据选择的候选区域在选取该候选区域的待测图(非原始待测图)上的位置,得到该行人在原始待测图上的区域并输出。
例如,先对原始待测图进行了缩放,然后在缩放后的待测图上选取了候选区域,输出选定区域时,需要先根据候选区域在缩放后的待测图上的位置(如坐标),和待测图的缩放比例,得到在原始待测图上的与该候选区域表示同一区域的待输出区域的位置,用矩形框在待输出图像中代表待输出区域并进行输出。
在本实施例的另一种实现方式中,该步骤205可以包括:对每个候选区域的特征值,采用Adaboost集成学习或神经网络,判断待测图像中是否包含行人。容易知道,还可以采用其它分类学习方法判断待测图像中是否包含行人,本发明对比不作限制。
在本实施例的又一种实现方式中,该方法还可以包括步骤200:对获取的图像进行m种比例的缩放,m为正整数,提高检测结果的准确性。该步骤200在步骤201之前执行。
在该种实现方式中,步骤202包括:在各个缩放后的待测图上选取多个候选区域,各个缩放后的待测图的多个候选区域的集合覆盖各自对应的缩放后的待测图。
可选地,获取的图像的缩放比例范围为0.4-1.2,检测的速度和准确率比较合适。
进一步地,m的大小可以根据需要的缩放比例间隔确定,如缩放比例间隔为0.2,则m=5,获取的图像的缩放比例依次为0.4、0.6、0.8、1.0、1.2。
在本实施例的又一种实现方式中,该方法还包括步骤206:确定决策函数。该步骤206优选在步骤201之前执行,在具体实现中,该步骤206可以只执行一次。
可选地,参见图4,该步骤206可以包括:
步骤206a:获得多个样本图像,该样本图像的大小相同,且该样本图像包括行人图像和非行人图像。
可选地,行人图像的数量为3000,非行人图像的数量为7000,参数的准确度较高。
需要说明的是,样本图像的种类和大小和候选区域的种类和大小必须保持一致。
在具体实现中,也可以对多个大小不同的样本图像进行缩放,只要缩放后的样本图像的大小与候选区域的大小保持一致即可。
步骤206b:获取每个样本图像的至少两种特征图。
需要说明的是,样本图像的至少两种特征图与候选区域的至少两种特征图的种类相同。
在具体实现中,该步骤206b可以与步骤203相同,在此不再详述。
步骤206c:在每个样本图像的至少两种特征图上分别进行采样,并根据采样结果获取每个样本图像的n维特征矢量。
在具体实现中,该步骤206c可以与步骤204相同,在此不再详述。
步骤206d:将每个样本图像的n维特征矢量和样本属性值作为训练数据进行训练,根据训练结果得到决策函数。
其中,样本属性值用于表示样本图像是否包含行人,如用+1表示样本属性值包含行人,用-1表示样本属性值不包含行人。
具体地,采用训练模型对特征值和样本属性值进行训练为现有技术,在此不在详述。训练模型可以为支持向量机,也可以为其它模型,本发明对比不作限制。具体地,当训练模型为支持向量机时,通过选取交叉核函数,可以确定决策函数的形式,当执行步骤206a-206d之后,可以确定形式确定的决策函数中的参数,完成对决策函数的确定。
本发明实施例通过获取待测图后,在待测图上选取多个候选区域,多个候选区域的集合覆盖该待测图,进而获取每个候选区域的至少两种特征图,并在每个候选区域的至少两种待测图上分别进行采样,根据采样结果获取每个候选区域的n维特征矢量,根据每个候选区域的特征值,判断待测图像中是否包含行人,并当待测图像中包含行人时,输出行人所在的选定区域。由于通过获取候选区域的至少两个特征图(如彩色特征图、梯度幅度图、梯度直方图)进行候选区域是否包含行人的判断,对候选区域进行了详细的分析,因此检测结果的准确性高,而且对待测图的获取要求很低,只需要廉价的视觉传感器即可,成本比现有需要高精度红外采集设备的PDS低得多,有利于PDS的推广。
实施例三
本发明实施例提供了一种PDS,适用于实施例一提供的一种行人检测方法,参见图5,该系统包括:
待测图获取模块301,用于获取待测图;
候选区域选取模块302,用于在待测图上选取多个候选区域,多个候选区域的集合覆盖该待测图;
特征图获取模块303,用于获取每个候选区域的至少两种特征图;
特征值获取模块304,用于在每个候选区域的至少两种特征图上分别进行采样,并根据采样结果获取每个候选区域的n维特征矢量,n为正整数;
行人区域确定模块305,用于根据每个候选区域的n维特征矢量,判断待测图中是否包含行人,并当待测图中包含行人时,输出行人所在的选定区域。
在实际应用中,待测图是通过视觉传感器获取的,该视觉传感器一般按照在车辆上。容易知道,视觉传感器的型号决定了待测图的格式,视觉传感器的安装位置、安装角度等决定了待测图与车辆的位置关系,如安装在车辆后方的视觉传感器获取的是车辆后方的待测图。
在本实施例中,待测图可以为VGA格式的RGB彩色图像,也可以为VGA格式的灰度图像,还可以为其他格式的彩色图像或灰度图像。待测图的大小可以为640*480像素,也可以为其它大小,本发明对待测图的格式和大小不作限制。
优选地,待测图的宽高比可以为1:2或1:3,与行人的宽高比接近,方便检测。
优选地,当待测图为彩色图像时,至少两种特征图可以包括彩色特征图、梯度幅度图、以及梯度直方图,判断结果的准确率较高。
优选地,当待测图为非彩色图像(即灰度图像)时,至少两种特征图可以包括梯度幅度图和梯度直方图,判断结果的准确率较高。
本发明实施例通过获取待测图后,在待测图上选取多个候选区域,多个候选区域的集合覆盖该待测图,进而获取每个候选区域的至少两种特征图,并在每个候选区域的至少两种待测图上分别进行采样,根据采样结果获取每个候选区域的n维特征矢量,根据每个候选区域的特征值,判断待测图像中是否包含行人,并当待测图像中包含行人时,输出行人所在的选定区域。由于通过获取候选区域的至少两个特征图(如彩色特征图、梯度幅度图、梯度直方图)进行候选区域是否包含行人的判断,对候选区域进行了详细的分析,因此检测结果的准确性高,而且对待测图的获取要求很低,只需要廉价的视觉传感器即可,成本比现有需要高精度红外采集设备的PDS低得多,有利于PDS的推广。
实施例四
本发明实施例提供了一种PDS,适用于实施例二提供的一种行人检测方法,参见图6,该系统包括:
待测图获取模块401,用于获取待测图;
候选区域选取模块402,用于在待测图上选取多个候选区域,多个候选区域的集合覆盖该待测图;
特征图获取模块403,用于获取每个候选区域的至少两种特征图;
特征值获取模块404,用于在每个候选区域的至少两种特征图上分别进行采样,并根据采样结果获取每个候选区域的n维特征矢量,n为正整数;
行人区域确定模块405,用于根据每个候选区域的n维特征矢量,判断待测图中是否包含行人,并当待测图中包含行人时,输出行人所在的选定区域。
在实际应用中,待测图是通过视觉传感器获取的,该视觉传感器一般按照在车辆上。容易知道,视觉传感器的型号决定了待测图的格式,视觉传感器的安装位置、安装角度等决定了待测图与车辆的位置关系,如安装在车辆后方的视觉传感器获取的是车辆后方的待测图。
在本实施例中,待测图可以为VGA格式的RGB彩色图像,也可以为VGA格式的灰度图像,还可以为其他格式的彩色图像或灰度图像。待测图的大小可以为640*480像素,也可以为其它大小,本发明对待测图的格式和大小不作限制。
优选地,待测图的宽高比可以为1:2或1:3,与行人的宽高比接近,方便检测。
优选地,当待测图为彩色图像时,至少两种特征图可以包括彩色特征图、梯度幅度图、以及梯度直方图,判断结果的准确率较高。
优选地,当待测图为非彩色图像(即灰度图像)时,至少两种特征图可以包括梯度幅度图和梯度直方图,判断结果的准确率较高。
在本实施例的一种实现方式中,候选区域选取模块402可以用于,将选择框在待测图上以Z字型滑动,每隔一个步长停顿一次,将每次停顿时选择框中的待测图作为候选区域,步长为每次滑动的距离。在本实施例的另一种实现方式中,候选区域选取模块402可以用于,随机选取前述候选区域,只要候选区域的集合能覆盖该待测图即可。
具体地,选择框的大小可以为128*64像素、94*48像素、108*36像素等,步长可以为2像素、4像素、6像素、8像素、10像素等,可以根据对检测速度和检测准确率的要求进行设置,本发明不限制于此。
在本实施例的又一种实现方式中,当待测图为彩色图像时,至少两种特征图包括彩色特征图、梯度幅度图、以及梯度直方图,特征图获取模块403可以包括:
彩色特征图获取单元,用于将候选区域的GRB彩色图像转换为Y、U、V三个通道的彩色特征图,Y为明亮度,U和V为色度;
梯度幅度图获取单元,用于选取候选区域上每个像素的R、G、B三个通道的梯度幅度中的最大值,组成候选区域的梯度幅度图,R为红色,G为绿色,B为蓝色;
梯度直方图获取单元,用于对梯度角度划分区间,按照候选区域上每个像素的梯度角度与区间的关系,确定该像素在每个区间的梯度直方图上的方向梯度,得到每个区间的梯度直方图。
具体地,彩色特征图获取单元可以用于,将RGB彩色图像按公式(1)、(2)、(3)进行转换。
具体地,梯度直方图获取单元可以用于,当像素的梯度角度不属于梯度直方图所属的区间时,将该像素在该梯度直方图上的方向梯度特征取0;当像素的梯度角度属于梯度直方图所属的区间时,按照公式(4)得到该像素在该梯度直方图上的方向梯度特征。
在本实施例的又一种实现方式中,特征值获取模块404可以包括:
采样区域确定单元,用于在候选区域的至少两种特征图上共确定n个采样区域;
采样区域特征值获得单元,用于将各个采样区域上所有像素(即像素点)的特征值相加,得到各个采样区域的特征值;
候选区域特征值获得单元,用于采用候选区域的n个采样区域的特征值,构成候选区域的n维特征矢量。
具体地,像素的特征值可以为该像素在彩色特征图、梯度幅度图、或梯度直方图上的特征值。具体地,某像素在Y通道的彩色特征图上的明亮度、在U通道的彩色特征图上的色度、以及在V通道的彩色特征图上的色度是该像素在彩色特征图上的特征值。某像素在梯度幅度图上的梯度幅度是该像素在梯度幅度图上的特征值。某像素在梯形直方图上的方向梯度特征是该像素在梯形直方图上的特征值。
优选地,n的取值范围为1000-20000,如5000,检测的速度和准确率比较合适。
优选地,采样区域的大小为30*30像素-50*50像素,检测的速度和准确率比较合适。
在本实施例的一种实现方式中,行人区域确定模块405可以包括:
行人区域确定单元,用于将每个候选区域的n维特征矢量代入决策函数,判断每个候选区域是否包含行人,该决策函数通过支持矢量机获得;
行人区域选择单元,用于当存在包含行人的候选区域时,判定待测图像中包含行人;采用非极大抑制算法从包含同一行人的候选区域中选择候选区域,并根据选择的候选区域,确定该行人在待测图上的区域并输出。
优选地,行人区域确定单元用于,将每个候选区域的n维特征矢量代入公式(5)计算决策函数值;当候选区域的决策函数值大于0时,判定该候选区域包含行人;否则,判定该区域不包含行人,分类的速度和精度比较合适。
具体地,行人区域选择单元用于,在包含同一行人的多个候选区域中,选择决策函数值最大的候选区域。
具体地,当在通过视觉传感器等设备获得的原始待测图上选取候选区域时,行人区域选择单元还用于,将选择的候选区域确定为该行人在待测图上的区域进行输出。
具体地,当在通过视觉传感器等设备获得的原始待测图上选取候选区域时,行人区域选择单元还用于,根据选择的候选区域在选取该候选区域的待测图(非原始待测图)上的位置,得到该行人在原始待测图上的区域并输出。
例如,先对原始待测图进行了缩放,然后在缩放后的待测图上选取了候选区域,输出选定区域时,需要先根据候选区域在缩放后的待测图上的位置(如坐标),和待测图的缩放比例,得到在原始待测图上的与该候选区域表示同一区域的待输出区域的位置,用矩形框在待输出图像中代表待输出区域并进行输出。
在本实施例的另一种实现方式中,行人区域确定模块405可以用于,对每个候选区域的特征值,采用Adaboost集成学习或神经网络,判断待测图像中是否包含行人。容易知道,还可以采用其它分类学习方法判断待测图像中是否包含行人,本发明对比不作限制。
在本实施例的又一种实现方式中,该系统还可以包括待测图缩放模块406,用于对获取的图像进行m种比例的缩放,m为正整数,提高检测结果的准确性。
在该种实现方式中,候选区域选取模块402用于,在各个缩放后的待测图上选取多个候选区域,各个缩放后的待测图的多个候选区域的集合覆盖各自对应的缩放后的待测图。
可选地,获取的图像的缩放比例范围为0.4-1.2,检测的速度和准确率比较合适。
进一步地,m的大小可以根据需要的缩放比例间隔确定,如缩放比例间隔为0.2,则m=5,获取的图像的缩放比例依次为0.4、0.6、0.8、1.0、1.2。
在本实施例的又一种实现方式中,该系统还可以包括决策函数确定模块407,用于确定决策函数。
可选地,决策函数确定模块407可以包括:
样本图像获得单元,用于获得多个样本图像,该样本图像的大小相同,且该样本图像包括行人图像和非行人图像;
样本图像特征图获取单元,用于获取每个样本图像的至少两个特征图;
样本图像特征值获取单元,用于在每个样本图像的至少两个特征图上分别进行采样,并根据采样结果获取每个样本图像的n维特征矢量;
参数计算单元,用于将每个样本图像的n维特征矢量和样本属性值作为训练数据进行训练,根据训练结果得到决策函数。
其中,样本属性值用于表示样本图像是否包含行人,如用+1表示样本属性值包含行人,用-1表示样本属性值不包含行人。
可选地,行人图像的数量为3000,非行人图像的数量为7000,参数的准确度较高。
需要说明的是,样本图像的种类和大小和候选区域的种类和大小必须保持一致,样本图像的至少两种特征图与候选区域的至少两种特征图的种类相同。
在具体实现中,也可以对多个大小不同的样本图像进行缩放,只要缩放后的样本图像的大小与候选区域的大小保持一致即可。
具体地,采用训练模型对特征值和样本属性值进行训练为现有技术,在此不在详述。训练模型可以为支持向量机,也可以为其它模型,本发明对比不作限制。具体地,当训练模型为支持向量机时,通过选取交叉核函数,可以确定决策函数的形式,当对训练模型完成训练之后,可以确定形式确定的决策函数中的参数,完成对决策函数的确定。
本发明实施例通过获取待测图后,在待测图上选取多个候选区域,多个候选区域的集合覆盖该待测图,进而获取每个候选区域的至少两种特征图,并在每个候选区域的至少两种待测图上分别进行采样,根据采样结果获取每个候选区域的n维特征矢量,根据每个候选区域的特征值,判断待测图像中是否包含行人,并当待测图像中包含行人时,输出行人所在的选定区域。由于通过获取候选区域的至少两个特征图(如彩色特征图、梯度幅度图、梯度直方图)进行候选区域是否包含行人的判断,对候选区域进行了详细的分析,因此检测结果的准确性高,而且对待测图的获取要求很低,只需要廉价的视觉传感器即可,成本比现有需要高精度红外采集设备的PDS低得多,有利于PDS的推广。
需要说明的是:上述实施例提供的PDS在检测行人时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将系统的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的PDS与行人检测方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种行人检测方法,其特征在于,所述方法包括:
获取待测图;
在所述待测图上选取多个候选区域,所述多个候选区域的集合覆盖所述待测图;
获取每个所述候选区域的至少两种特征图;
在每个所述候选区域的所述至少两种特征图上分别进行采样,并根据采样结果获取每个所述候选区域的n维特征矢量,n为正整数;
根据每个所述候选区域的n维特征矢量,判断所述待测图中是否包含行人,并当所述待测图中包含行人时,输出所述行人所在的选定区域;
当所述待测图为彩色图像时,所述候选区域的至少两种特征图包括彩色特征图、梯度幅度图、以及梯度直方图;
所述获取每个所述候选区域的彩色特征图,包括:
将所述候选区域的红绿蓝彩色图像转换为Y、U、V三个通道的彩色特征图,Y为明亮度,U和V为色度;
所述获取每个所述候选区域的梯度幅度图,包括:
选取所述候选区域上每个像素的R、G、B三个通道的梯度幅度中的最大值,组成所述候选区域的梯度幅度图,R为红色,G为绿色,B为蓝色;
所述获取每个所述候选区域的梯度直方图,包括:
对梯度角度划分区间,按照所述候选区域上每个像素的梯度角度与所述区间的关系,确定所述像素在每个所述区间的梯度直方图上的方向梯度,得到每个所述区间的梯度直方图;
所述对梯度角度划分区间,按照所述候选区域上每个像素的梯度角度与所述区间的关系,确定所述像素在每个所述区间的梯度直方图上的方向梯度,得到每个所述区间的梯度直方图,包括:
当像素的梯度角度不属于梯度直方图所属的区间时,将所述像素在所述梯度直方图上的方向梯度特征取0;
当像素的梯度角度属于梯度直方图所属的区间时,按照如下公式得到所述像素在所述梯度直方图上的方向梯度特征:
Q(x,y)=G(x,y);
其中,Q(x,y)为方向梯度特征,x和y为所述像素的坐标,G(x,y)为所述像素的梯度幅度。
2.根据权利要求1所述的方法,其特征在于,所述在每个所述候选区域的所述至少两种特征图上分别进行采样,并根据采样结果获取每个所述候选区域的n维特征矢量,包括:
在所述候选区域的所述至少两种特征图上共确定n个采样区域;
将各个所述采样区域上所有像素的特征值相加,得到各个所述采样区域的特征值;
采用所述候选区域的所述n个所述采样区域的特征值,构成所述候选区域的n维特征矢量。
3.根据权利要求1所述的方法,其特征在于,所述根据每个所述候选区域的n维特征矢量,判断所述待测图像中是否包含行人,并当所述待测图像中包含行人时,输出所述行人所在的选定区域,包括:
将每个所述候选区域的n维特征矢量代入决策函数,判断每个所述候选区域是否包含行人,所述决策函数通过支持矢量机获得;
当存在包含行人的所述候选区域时,判定待测图像中包含行人;
采用非极大抑制算法从包含同一行人的候选区域中选择候选区域,并根据选择的所述候选区域,确定所述行人在所述待测图上的区域并输出;
所述决策函数的公式如下:
h(X)=∑αl*yl*K(X,xl)+b;
其中,h(X)为决策函数值,X为候选区域的n维特征矢量,K(X,xl)为交叉核函数,K(X,xl)=∑min(X,xl),min为求最小值,xl和yl为支持矢量,αl为权重值,b为偏置值,1≤l≤L,l为整数,L为支持矢量的数目。
4.根据权利要求1-3任一项所述的方法,其特征在于,在所述获取待测图之后,所述方法还包括:
对获取的所述待测图进行m种比例的缩放,m为正整数;
所述在所述待测图上选取多个候选区域,所述多个候选区域的集合覆盖所述待测图,包括:
在各个缩放后的待测图上选取多个候选区域,各个所述缩放后的待测图的所述多个候选区域的集合覆盖各自对应的所述缩放后的待测图。
5.一种行人检测系统,其特征在于,所述系统包括:
待测图获取模块,用于获取待测图;
候选区域选取模块,用于在所述待测图上选取多个候选区域,所述多个候选区域的集合覆盖所述待测图;
特征图获取模块,用于获取每个所述候选区域的至少两种特征图;
特征值获取模块,用于在每个所述候选区域的所述至少两种特征图上分别进行采样,并根据采样结果获取每个所述候选区域的n维特征矢量,n为正整数;
行人区域确定模块,用于根据每个所述候选区域的n维特征矢量,判断所述待测图中是否包含行人,并当所述待测图中包含行人时,输出所述行人所在的选定区域;
当所述待测图为彩色图形时,所述候选区域的至少两种特征图包括彩色特征图、梯度幅度图、以及梯度直方图,所述特征图获取模块包括:
彩色特征图获取单元,用于将所述候选区域的红绿蓝彩色图像转换为Y、U、V三个通道的彩色特征图,Y为明亮度,U和V为色度;
梯度幅度图获取单元,用于选取所述候选区域上每个像素的R、G、B三个通道的梯度幅度中的最大值,组成所述候选区域的梯度幅度图,R为红色,G为绿色,B为蓝色;
梯度直方图获取单元,用于对梯度角度划分区间,按照所述候选区域上每个像素的梯度角度与所述区间的关系,确定所述像素在每个所述区间的梯度直方图上的方向梯度,得到每个所述区间的梯度直方图;
所述对梯度角度划分区间,按照所述候选区域上每个像素的梯度角度与所述区间的关系,确定所述像素在每个所述区间的梯度直方图上的方向梯度,得到每个所述区间的梯度直方图,包括:
当像素的梯度角度不属于梯度直方图所属的区间时,将所述像素在所述梯度直方图上的方向梯度特征取0;
当像素的梯度角度属于梯度直方图所属的区间时,按照如下公式得到所述像素在所述梯度直方图上的方向梯度特征:
Q(x,y)=G(x,y);
其中,Q(x,y)为方向梯度特征,x和y为所述像素的坐标,G(x,y)为所述像素的梯度幅度。
6.根据权利要求5所述的系统,其特征在于,所述特征值获取模块包括:
采样区域确定单元,用于在所述候选区域的所述至少两种特征图上共确定n个采样区域;
采样区域特征值获得单元,用于将各个所述采样区域上所有像素的特征值相加,得到各个所述采样区域的特征值;
候选区域特征值获得单元,用于采用所述候选区域的所述n个所述采样区域的特征值,构成所述候选区域的n维特征矢量。
7.根据权利要求5所述的系统,其特征在于,所述行人区域确定模块包括:
行人区域确定单元,用于将每个所述候选区域的n维特征矢量代入决策函数,判断每个所述候选区域是否包含行人,所述决策函数通过支持矢量机获得;
行人区域选择单元,用于当存在包含行人的所述候选区域时,判定待测图像中包含行人;采用非极大抑制算法从包含同一行人的候选区域中选择候选区域,并根据选择的所述候选区域,确定所述行人在所述待测图上的区域并输出;
所述决策函数的公式如下:
h(X)=∑αl*yl*K(X,xl)+b;
其中,h(X)为决策函数值,X为候选区域的特征值,K(X,xl)为交叉核函数,K(X,xl)=∑min(X,xl),min为求最小值,xl和yl为支持矢量,αl为权重值,b为偏置值,1≤l≤L,l为整数,L为支持矢量的数目。
8.根据权利要求5-7任一项所述的系统,其特征在于,所述系统还包括:
待测图缩放模块,用于对获取的所述待测图进行m种比例的缩放,m为正整数;
候选区域选取模块用于,在各个缩放后的待测图上选取多个候选区域,各个所述缩放后的待测图的所述多个候选区域的集合覆盖各自对应的所述缩放后的待测图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310382009.9A CN103473953B (zh) | 2013-08-28 | 2013-08-28 | 一种行人检测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310382009.9A CN103473953B (zh) | 2013-08-28 | 2013-08-28 | 一种行人检测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103473953A CN103473953A (zh) | 2013-12-25 |
CN103473953B true CN103473953B (zh) | 2015-12-09 |
Family
ID=49798780
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310382009.9A Active CN103473953B (zh) | 2013-08-28 | 2013-08-28 | 一种行人检测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103473953B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104657734B (zh) * | 2015-03-05 | 2018-10-30 | 东方网力科技股份有限公司 | 一种道路交通标志检测方法及装置 |
CN107221175B (zh) * | 2017-05-31 | 2020-10-27 | 深圳市鸿逸达科技有限公司 | 一种行人意图检测方法和系统 |
CN108961838B (zh) * | 2018-08-16 | 2020-09-22 | 大连民族大学 | 道路行人分类系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004029659A2 (en) * | 2002-06-14 | 2004-04-08 | Honda Giken Kogyo Kabushiki Kaisha | Pedestrian detection and tracking with night vision |
WO2005098739A1 (en) * | 2004-04-08 | 2005-10-20 | Mobileye Technologies Limited | Pedestrian detection |
CN101017573A (zh) * | 2007-02-09 | 2007-08-15 | 南京大学 | 一种基于视频监控的运动目标检测与识别方法 |
CN101739569A (zh) * | 2009-12-17 | 2010-06-16 | 北京中星微电子有限公司 | 一种人群密度估计方法、装置及监控系统 |
CN101887524A (zh) * | 2010-07-06 | 2010-11-17 | 湖南创合制造有限公司 | 基于视频监控的行人检测方法 |
CN102201059A (zh) * | 2011-05-20 | 2011-09-28 | 北京大学深圳研究生院 | 一种行人检测方法及装置 |
CN102592117A (zh) * | 2011-12-30 | 2012-07-18 | 杭州士兰微电子股份有限公司 | 三维物体识别方法及系统 |
CN102930287A (zh) * | 2012-09-26 | 2013-02-13 | 上海理工大学 | 一种针对俯视行人的检测计数系统及方法 |
CN103177262A (zh) * | 2013-02-19 | 2013-06-26 | 山东大学 | 基于hog和svm的行人检测系统的fpga架构及其实现方法 |
CN103258217A (zh) * | 2013-05-15 | 2013-08-21 | 中国科学院自动化研究所 | 一种基于增量学习的行人检测方法 |
-
2013
- 2013-08-28 CN CN201310382009.9A patent/CN103473953B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004029659A2 (en) * | 2002-06-14 | 2004-04-08 | Honda Giken Kogyo Kabushiki Kaisha | Pedestrian detection and tracking with night vision |
WO2005098739A1 (en) * | 2004-04-08 | 2005-10-20 | Mobileye Technologies Limited | Pedestrian detection |
CN101017573A (zh) * | 2007-02-09 | 2007-08-15 | 南京大学 | 一种基于视频监控的运动目标检测与识别方法 |
CN101739569A (zh) * | 2009-12-17 | 2010-06-16 | 北京中星微电子有限公司 | 一种人群密度估计方法、装置及监控系统 |
CN101887524A (zh) * | 2010-07-06 | 2010-11-17 | 湖南创合制造有限公司 | 基于视频监控的行人检测方法 |
CN102201059A (zh) * | 2011-05-20 | 2011-09-28 | 北京大学深圳研究生院 | 一种行人检测方法及装置 |
CN102592117A (zh) * | 2011-12-30 | 2012-07-18 | 杭州士兰微电子股份有限公司 | 三维物体识别方法及系统 |
CN102930287A (zh) * | 2012-09-26 | 2013-02-13 | 上海理工大学 | 一种针对俯视行人的检测计数系统及方法 |
CN103177262A (zh) * | 2013-02-19 | 2013-06-26 | 山东大学 | 基于hog和svm的行人检测系统的fpga架构及其实现方法 |
CN103258217A (zh) * | 2013-05-15 | 2013-08-21 | 中国科学院自动化研究所 | 一种基于增量学习的行人检测方法 |
Non-Patent Citations (2)
Title |
---|
基于单目视觉的车辆前方行人检测技术研究;郭烈;《中国博士学位论文全文数据库(电子期刊)》;20070316(第3期);C035-9页 * |
基于车载视觉的行人检测与跟踪方法;郭烈,等;《西南交通大学学报》;20120229;第47卷(第1期);参见第19-25页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103473953A (zh) | 2013-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108519605A (zh) | 基于激光雷达和摄像机的路沿检测方法 | |
CN108875911A (zh) | 一种泊车位检测方法 | |
CN103324913B (zh) | 一种基于形状特征和轨迹分析的行人事件检测方法 | |
CN107609555A (zh) | 车牌检测方法、应用其的车型识别方法及相关装置 | |
CN109145928A (zh) | 一种基于图像的车头朝向识别方法及装置 | |
CN103148881A (zh) | 利用视频自动对指针式仪表进行读数的方法及装置 | |
CN105493141B (zh) | 非结构化道路边界检测 | |
CN105260713A (zh) | 一种车道线检测方法和装置 | |
CN107014294A (zh) | 一种基于红外图像的接触网几何参数检测方法及系统 | |
CN103996198A (zh) | 复杂自然环境下感兴趣区域的检测方法 | |
CN107590470A (zh) | 一种车道线检测方法及装置 | |
CN111915583B (zh) | 复杂场景中基于车载红外热像仪的车辆和行人检测方法 | |
CN102622895A (zh) | 一种基于视频的车辆速度检测方法 | |
CN103473953B (zh) | 一种行人检测方法和系统 | |
CN104281839A (zh) | 一种人体姿势识别方法和装置 | |
CN102254152A (zh) | 基于彩色跳变点和颜色密度的车牌定位方法 | |
CN109635737A (zh) | 基于道路标记线视觉识别辅助车辆导航定位方法 | |
CN104299221B (zh) | 一种交通标志图像的确定方法及装置 | |
CN104966047A (zh) | 一种车牌识别的方法及装置 | |
CN104197900A (zh) | 一种汽车仪表指针刻度识别方法 | |
CN107808524A (zh) | 一种基于无人机的道路交叉口车辆检测方法 | |
CN106295491A (zh) | 车道直线检测方法及装置 | |
CN105678791B (zh) | 一种基于参数不唯一的车道线检测与跟踪方法 | |
CN110321855A (zh) | 一种雾天检测预警装置 | |
CN103295238B (zh) | 安卓平台上基于roi运动检测的视频实时定位方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |