TW201421372A

TW201421372A - 行人偵測系統與方法

Info

Publication number: TW201421372A
Application number: TW101144261A
Authority: TW
Inventors: Li-Chen Fu; Pei-Yung Hsiao; Yi-Ming Chan; Min-Fang Lo
Original assignee: Chung Shan Inst Of Science
Priority date: 2012-11-27
Filing date: 2012-11-27
Publication date: 2014-06-01
Also published as: TWI480808B

Abstract

一種行人偵測系統與方法，其將偵測影像劃分為複數細粒，並統計各該細粒在對角方向上之強度差值，以獲得細粒方向梯度長條圖(HOGG)之特徵。又HOGG能同時配合方向梯度長條圖(HOG)之擷取，改善HOG行人偵測技術之不足，更加提升行人偵測之正確率及降低誤報率。

Description

行人偵測系統與方法

本發明係關於一種行人偵測系統與方法，尤指一種採用影像細粒(Granule)方向梯度直條圖比對技術來增加行人偵測靈敏行及準確度之技術。

現有應用於行人偵測的影像式行車安全設備的種類繁多，在設計及製作上亦不盡相同，因此得到的效果亦不同。

傳統上，已有技術是透過樣板比對的來達到偵測行人的目的，其主要是建構不同角度以及姿勢的人形樣板或模組，並與偵測影像比對的方式來達到行人偵測。而由人形外觀所構成的特徵，已有技術採用人體輪廓(silhouette)或邊緣影像(edge image)來表示人形，並轉換成DT(distance transform)影像。為了更有效克服物體之位移、比例與旋轉變化，故發展出微波係數的人形特徵圖。另外，方向梯度長條圖(HOG,histogram of oriented gradients)亦被用來表示人形特徵，並透過SVM(Supported Vector Machine)的機器學習方法來進行辨識分類，有效的區別行人與非行人，以作為影像行人偵測技術核心。

因此，HOG較能克服行人外觀之變異，達到較佳之偵測效果。HOG的計算方法是將影像分成複數區塊後，統計各區塊內像素梯度(gradient)在各方向(orientation)之強度的總和，並形成一梯度統計直方圖。HOG對於物體邊緣資訊具有較強的描述能力，同時由於統計式的計算方式，使HOG得以適應邊緣位移與部分旋轉。

然而，也由於統計計算的性質，HOG對於材料的資訊較缺乏，即對於單一完整線條和零碎雜亂的線條，無法做出有效的區隔。因此人處在雜亂的環境中，HOG便容易出現誤判的狀況。

因此，如何解決上述之缺失，亟待業界解決之課題。

本發明之目的即在提供一種行人偵測系統，透過設置在一車輛之一攝像模組擷取該車輛周圍的影像，再由處理模組內的二特徵擷取器分別擷取方向梯度直條圖(HOG,histogram of oriented gradients)及細粒方向梯度直條圖(HOGG,histogram of gradient of granule feature)之特徵，整合這兩種特徵，獲得同時具有兩種特徵的單一特徵，其透過支持向量機分類器(SVM)來判斷行人/非行人。

本發明之另一目的即在提供一種行人偵測方法，其步驟包含：一攝像模組擷取一影像；擷取該影像之細粒方向梯度(HOGG)特徵並轉換成一細粒方向梯度影像；一分類器對該細粒方向梯度影像進行分類、判斷。其中，擷取該影像之細粒方向梯度特徵之方法，復包含：將該影像劃分為複數細粒；運算各該細粒強度平均值；將複數單元內對角方向上的細粒強度平均差值轉換為複數特徵向量；統計區塊單位內之特徵向量；獲得該細粒方向梯度影像。

同樣地，該影像能進行一HOG擷取步驟，以將該影像轉換為一方向梯度影像，其予以和該細粒方向梯度影像合併成一HOG+HOGG特徵影像，使得該分類器能更依據該HOG+HOGG特徵影像產生更精確的分類結果，達到行人判斷能力之提升。

為便於貴審查委員能對本新型之技術手段及運作過程有更進一步之認識與瞭解，茲舉實施例配合圖式，詳細說明如下。

請參閱第1a圖和第1b圖所示，本發明較佳實施例所提供之行人偵測系統，其包括一攝像模組10及一處理模組20。

該攝像模組10設置在一車輛4，並提供擷取該車輛4周圍之影像。

該處理模組20具有二特徵擷取器201、202和一分類器203，並接收該影像進行影像分析，以判斷該影像中是否有行人。

在該較佳實施例中，該攝像模組10除了如第1a圖所示設置在該車輛4之後照鏡位置進行擷取該車輛4前方之影像，亦可同時能設置在在該車輛4之後方或該車輛4之車頂，以供進行各方向之影像擷取，如第1b圖所示。

在該較佳實施例中，該處理模組20得以將該影像的分析結果，進而產生一顯示訊號傳送至一顯示模組30，其不但能顯示該影像，同時能將該影像中出現的行人加以標註。

在該較佳實施例中，該處理模組20是透過各該特徵擷取器201、202分別採用方向梯度直條圖(HOG,histogram of oriented gradients)及細粒方向梯度直條圖(HOGG,histogram of gradient of granule feature)擷取出該影像之特徵，並再透過該分類器203採用一支持向量單器(SVM,Supported Vector Machine)來判斷該影像中使否有行人存在。

請參閱第2圖至第4圖所示，本發明較佳實施例所提供之行人偵測方法，其步驟如下所示。

首先，於步驟S11，由一攝像模組10擷取一影像，接著進行步驟S12。

步驟S12，由一處理模組20擷取該影像之細粒方向梯度特徵，並將該影像轉換成一細粒方向梯度(HOGG)影像，接著進行步驟S13。

步驟S13，透過該處理模組20內的一分類器(classifier)，對該細粒方向梯度(HOGG)影像進行分類，並判斷該細粒方向梯度(HOGG)影像中是否存在行人之特徵。

在該較佳實施例中，如步驟S12所述，當該處理模組20 擷取該影像訊號之細粒方向梯度特徵時，同時能進行一步驟S14(如第3圖所示之步驟流程)。如第3圖所示，於步驟S14，可透過該處理模組20擷取該影像訊號之方向梯度特徵，並將該影像轉換成一方向梯度(HOG)影像，再透過合併後的影像特徵成為方向梯度長條圖(HOG)與細粒方向梯度長條圖(HOGG)二者特徵之總合(步驟S15)。

就細粒方向梯度長條圖(HOGG)而言，其是將該影像劃分為複數單元5'(cell)，且各該單元5'又包括複數細粒5"(granule)，如第5a圖所示為由2×2細粒5"所構成的一單元5'(步驟S121)。使G _i代表各該細粒5"之區域，如第5a圖中所示之G ₁、G ₂、G ₃及G ₄，並假設該影像在座標(u,v)上的強度能表示為I(u,v)，則應用如公式便能獲得各該細粒強度平均值f(G_i)(步驟S122)：

其中| G _i |為各該細粒5"區域之面積。接者，取得各該細粒5"的強度平均值後，便能進一步透過對角方向上之各該細粒5"強度平均的差值，即透過f(G ₁)-f(G ₄)與f(G ₂)-f(G ₃)，獲得各該單元5'之特徵向量(步驟S123)，其由一大小值(magnitude)及一方位值(orientation)所組成，如下所示：

Orientation：θ _Cell=atan2(f(G ₁)-f(G ₄),f(G ₂)-f(G ₃)) (3)

假設一區塊5(block)由4×4單元所構成，如第5b圖所示。則該區塊5能以該單元5'為單位進行掃描，便予以框選出9個單元5'進行運算，並獲得9個特徵向量。若將該區塊5在角度範圍0~180度內以每20度劃分成9等分，作為9個票箱(bin)，並以各該單元5'的特徵向量之方位值進行投票，而特徵向量之大小值代表票數，則在該區塊5便能進行統計。若以另一實施例說明，一128×64畫素影像，其予以被劃分成32×16個單元5'，並等同於16×8個區塊5，便能產生15×7次投票結果，即會有105個特徵向量，作為該128×64畫素影像之特徵。

因此，該影像所包含的各該單元5'皆能透過上述運算，以獲得該影像代表性的向特徵量，並在透過區域性的統計，讓該影像得以轉換為該細粒方向梯度(HOGG)影像(步驟S124)。

另外，就方向梯度長條圖(HOG)而言，其同樣是將該影像劃分成各該單元5'(cell)，並同樣以各該單元5'編組成各該區塊5(block)，以求得特徵向量。不同之處在於，方向梯度長條圖(HOG)是利用單一單元5'與周圍相鄰的單元5'的平均強度的差值，求出特徵向量，並同樣藉由投票統計之方法獲得該方向梯度長條圖(HOG)影像，故其方法步驟不在此多做贅述。

再者，如第3圖所示，透過一影像結合模組予以將該影像轉換後的該細粒方向梯度(HOGG)影像及該方向梯度(HOG)影像合併(步驟S15)，成為一HOG+HOGG特徵影像。

在該較佳實施例中，該分類器203欲進行影像分類前，預先採用一訓練樣本進行訓練。其中，該訓練樣本包含複數有人影像(正例影像)和複數無人影像(反例影像)。而經由訓練後，該等有人影像會使該分類器203在判斷該影像有行人出現時，輸出一正值訊號；反之，該等無人影像會使該分類器203判斷該影像中無形人出現時，輸出一負值訊號。

在該較佳實施例中，該分類器203採用一支持向量器(SVM,supported vector machine)，其於離線時預先進行訓練，透過該訓練樣本建立一多維(multi-dimensional)空間，並在該正例影像和該反例影像間建立一超平面(hyper plane)，作為該影像行人判斷的依據。由於SVM為常用辨識和分類之工具，故其運作方法不在此加以贅述。

又，該分類器203輸出該正值訊號及該負值訊號後，該處理模組20便依據該正值訊號及該負值訊號，將該影像中包含行人的位置進行標註，便得以經由該顯示模組30進行顯示。

藉此可知，本發明之行人偵測系統與方法，透過該攝像模組10擷取該影像，並由該處理模組20擷取出特徵值及比對分類，以判斷該影像中是否含有行人之特徵。由於方向梯度長條圖(HOG)的能力對於複雜線條難以判斷，故同時引入細粒方向梯度長條圖(HOGG)的技術，其在該影像所劃分的各該單元5'內，將對角方向的各該細粒平均強度作相減，以獲得各該單元5'之特徵向量，再經由各該區塊5的統計，轉換成該細粒方向梯度(HOGG)影像，並與該方向梯度(HOG)影像合併成該HOG+HOGG特徵影像，達到行人判斷能力之提升。

上列詳細說明係針對本發明之可行實施例之具體說明，惟該實施例並非用以限制本發明之專利範圍，凡未脫離本發明技藝精神所為之等效實施或變更，均應包含於本案之專利範圍中。

S11~S15‧‧‧步驟

S121~S124‧‧‧步驟

10‧‧‧攝像模組

20‧‧‧處理模組

201‧‧‧特徵擷取器

202‧‧‧特徵擷取器

203‧‧‧分類器

30‧‧‧顯示模組

4‧‧‧車輛

5‧‧‧區塊

5'‧‧‧單元

5"‧‧‧細粒

第1圖為本發明行人偵測系統之示意圖；第2圖為本發明行人偵測方法(HOGG)之步驟流程圖；第3圖為本發明行人偵測方法(HOGG+HOG)之步驟流程圖；第4圖本發明細粒方向梯度(HOGG)之運作步驟圖；第5a圖為複數細粒構成之單元；以及第5b圖為複數單元構成之區塊。

S11~S15‧‧‧步驟

Claims

一種行人偵測系統，包括：一攝像模組，係設置在一車輛，並提供擷取該車輛周圍之影像；及一處理模組，係具有二特徵擷取器和一分類器，並接收該影像進行影像分析，以判斷該影像中是否有行人，而各該特徵擷取器，係分別採用方向梯度直條圖及細粒方向梯度直條圖擷取出該影像之特徵。
如申請專利範圍第1項所述之行人偵測系統，其中該分類器，係提供分類，以判斷該影像中是否有行人存在。
如申請專利範圍第1項所述之行人偵測系統，其中該處理模組，係予以將影像分析的結果，透過一顯示模組進行顯示。
一種行人偵測方法，包括：由一攝像模組擷取一影像；擷取該影像之細粒方向梯度(HOGG)特徵，並將該影像轉換成一細粒方向梯度影像；及一分類器對該細粒方向梯度影像進行分類，以判斷是否有行人。
如申請專利範圍第4項所述之行人偵測方法，其中擷取該影像之細粒方向梯度(HOGG)特徵，並將該影像轉換成一細粒方向梯度影像之步驟，係包括將該影像劃分為複數細粒；求得各該細粒強度平均值；由複數單元內對角方向上的細粒強度平均差值，獲得複數特徵向量；及以區塊為單位，統計各該區塊內之特徵向量，獲得該細粒方向梯度影像。
如申請專利範圍第5項所述之行人偵測方法，其中各該細粒，其面積係小於各該單元，而各該單元面積又小於各該區塊。
如申請專利範圍第4項所述之行人偵測方法，其中擷取該影像之細粒方向梯度(HOGG)特徵，並將該影像轉換成一細粒方向梯度影像之步驟，係能同時進行一方向梯度(HOG)擷取步驟，其將該影像轉換為一方向梯度影像。
如申請專利範圍第7項所述之行人偵測方法，其中該方向梯度影像，係能透過一影像結合模組與該細粒方向梯度影像合併。