本發(fā)明涉及高級(jí)駕駛輔助系統(tǒng)的計(jì)算機(jī)視覺技術(shù)，特別涉及輔助駕駛中基于部件的行人檢測(cè)和基于特征的跟蹤方法、系統(tǒng)。

背景技術(shù)：

隨著經(jīng)濟(jì)的發(fā)展，人們的購(gòu)買力越來越強(qiáng)，越來越多的汽車行駛在公路上，隨之而來的是車禍的發(fā)生量也越來越多。因?yàn)轳{駛員或者行人的疏忽大意、違規(guī)操作等原因，車禍中人員的傷亡率越來越高，人們迫切需要一種技術(shù)減少交通事故的發(fā)生，尤其是減小人員受到的傷害，高級(jí)駕駛輔助系統(tǒng)(adas)正是在這樣的背景下產(chǎn)生的。其中，行人檢測(cè)系統(tǒng)是基于計(jì)算機(jī)視覺的高級(jí)駕駛輔助系統(tǒng)中非常重要的一部分，它是直接針對(duì)行人保護(hù)的系統(tǒng)，力圖減少交通事故的發(fā)生量。由于目標(biāo)的極端變化，照明條件，遮擋和高速車輛運(yùn)動(dòng)，檢測(cè)行人對(duì)于汽車視覺系統(tǒng)仍然是一項(xiàng)具有挑戰(zhàn)性的任務(wù)。在過去十年中，大量研究集中在這個(gè)問題上，其中，分類器在所提出的不同方法中獲得了特殊的地位。許多標(biāo)準(zhǔn)特征和學(xué)習(xí)算法已經(jīng)被用于行人檢測(cè)。常見的選擇包括基于類似haar的特征的adaboost級(jí)聯(lián)，或者是hog+svm，也有使用其他特征的，如edgelet、梯度圖的變化、簡(jiǎn)單強(qiáng)度圖像等等。在p.viola,m.j.jones,andd.snow,“detectingpedestriansusingpatternsofmotionandappearance,”int.j.comput.vis.,vol.63,no.2,pp.153–161,jul.2005.[online].available:http://dx.doi.org/10.1007/s11263-005-6644-8中描述的基于類似haar特征的級(jí)聯(lián)分類器是用于行人檢測(cè)的非?？焖俚乃惴?。這種方法的缺點(diǎn)是與行人的外觀的緊密聯(lián)系以及由此導(dǎo)致的魯棒性的缺乏。另一種方案是使用n.dalalandb.triggs,“histogramsoforientedgradientsforhumandetection,”inproc.ieeecomput.soc.conf.cvpr,2005,vol.1,pp.886–893.中提出的hog和支持向量機(jī)(svm)的解決方案。以速度為代價(jià)，該算法更加魯棒，并且能在更困難的情況下檢測(cè)行人。將行人形狀分解成多個(gè)部件在該領(lǐng)域中變得越來越受關(guān)注，在x.mao,f.qi,andw.zhu,“multiple-partbasedpedestriandetectionusinginterferingobjectdetection,”inproc.3rdicnc,2007,vol.2,pp.165–169.中，開發(fā)了一種基于viola的adaboost級(jí)聯(lián)框架的系統(tǒng)，使用除了haar特征之外的邊緣特征來改善行人輪廓的檢測(cè)；此外，引入了干擾對(duì)象的概念，即在特征級(jí)別上與人類相似的對(duì)象。在part-basedpedestriandetectionandfeature-basedtrackingfordriverassistanceprioletti,antonio；andreas；grislieri,paolo；trivedi,mohan；broggi,alberto；moeslund,thomasb.publishedin:ieeetransactionsonintelligenttransportationsystemsdoi(linktopublicationfrompublisher):10.1109/tits.2013.2262045publicationdate:2013，提出了一種的基于部件的分階段檢測(cè)方法(ppd)，其將未知部件位置建模為svm框架中的潛變量。針對(duì)檢測(cè)高度可變對(duì)象(例如行人)本質(zhì)上是使用跟蹤模塊，但是在復(fù)雜場(chǎng)景中跟蹤可變數(shù)量的對(duì)象是一個(gè)具有挑戰(zhàn)性的過程。為了應(yīng)對(duì)這種問題，通常使用逐個(gè)跟蹤檢測(cè)的方法，即在單獨(dú)的幀中檢測(cè)行人，然后再在各幀之間進(jìn)行關(guān)聯(lián)。

但是現(xiàn)有的方法都不能很好的解決帶有假陽(yáng)性可能的不連續(xù)檢測(cè)的問題和缺失檢測(cè)的問題。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明要解決的技術(shù)問題是，提供用以降低假陽(yáng)性的數(shù)量的輔助駕駛中基于部件的行人檢測(cè)和基于特征的跟蹤方法，并使用基于特征的跟蹤來過濾存活候選者以增強(qiáng)識(shí)別魯棒性并提高結(jié)果的穩(wěn)定性。

解決上述技術(shù)問題，本發(fā)明提供了輔助駕駛中基于部件的行人檢測(cè)和基于特征的跟蹤方法，包括如下步驟：

1)檢測(cè)階段

1-1)輸入原始圖像，對(duì)所述原始圖像通過積分圖像的方法構(gòu)造所述原始圖像的矩形特征，

1-2)通過haar級(jí)聯(lián)分類器對(duì)上述矩形特征分類得到強(qiáng)分類器，

2)驗(yàn)證階段

2-1)對(duì)上述檢測(cè)的結(jié)果得到的感興趣區(qū)域regionofinterest進(jìn)行hog特征提取，然后對(duì)特征使用支持向量機(jī)svm進(jìn)行分類，

2-2)上述分類包括：部件驗(yàn)證和/或組合驗(yàn)證，

3)基于檢測(cè)的跟蹤階段

3-1)對(duì)svm的檢測(cè)結(jié)果保留一設(shè)定時(shí)間，

3-2)將上述驗(yàn)證階段的結(jié)果與上述檢測(cè)結(jié)果匹配后得到最終的行人位置。

更進(jìn)一步，所述步驟1-1)包括如下步驟：

使用下述至少三種特征：雙矩形特征、三矩形特征以及四矩形特征，首先求出積分圖像，然后計(jì)算矩陣特征。

更進(jìn)一步，所述步驟1-2)包括如下步驟：

對(duì)每個(gè)計(jì)算得到的矩陣特征構(gòu)造t個(gè)弱分類器，再根據(jù)t個(gè)弱分類器進(jìn)行加權(quán)線性組合構(gòu)造出強(qiáng)分類器。

更進(jìn)一步，所述組合驗(yàn)證具體為：

將行人分成三部件：全身、上身和下身，其中上下身比例為1:1；

利用hog-svm分類器對(duì)上述三個(gè)部件進(jìn)行檢測(cè)，然后利用組合驗(yàn)證的方式得到最終結(jié)果

其中，lout是最終決定，li是來自三個(gè)基于部件的檢測(cè)器之一的輸出。

更進(jìn)一步，所述設(shè)定時(shí)間為：250ms。

更進(jìn)一步，所述部件驗(yàn)證具體為：

提取圖像的hog特征,

計(jì)算梯度后進(jìn)行方向bin統(tǒng)計(jì)，

最后對(duì)梯度強(qiáng)度做歸一化，將歸一化處理之后的向量最為最終的hog描述符。

基于上述，本發(fā)明還提供了輔助駕駛中基于部件的行人檢測(cè)和基于特征的跟蹤系統(tǒng)，包括：

檢測(cè)單元，用以輸入原始圖像，對(duì)所述原始圖像通過積分圖像的方法構(gòu)造所述原始圖像的矩形特征，通過haar級(jí)聯(lián)分類器對(duì)上述矩形特征分類得到強(qiáng)分類器，

驗(yàn)證單元，用以對(duì)上述檢測(cè)的結(jié)果得到的感興趣區(qū)域regionofinterest進(jìn)行hog特征提取，然后對(duì)部件特征使用支持向量機(jī)svm進(jìn)行分類，其中上述分類包括：部件驗(yàn)證和/或組合驗(yàn)證，

基于檢測(cè)的跟蹤單元，用以對(duì)svm的檢測(cè)結(jié)果保留一設(shè)定時(shí)間，將上述驗(yàn)證階段的結(jié)果與上述檢測(cè)結(jié)果匹配后跟蹤得到最終的行人位置。

更進(jìn)一步，所述檢測(cè)單元還用以，使用下述至少三種特征：雙矩形特征、三矩形特征以及四矩形特征，首先求出積分圖像，然后計(jì)算矩陣特征，

以及，對(duì)每個(gè)計(jì)算得到的矩陣特征構(gòu)造t個(gè)弱分類器，再根據(jù)t個(gè)弱分類器進(jìn)行加權(quán)線性組合構(gòu)造出強(qiáng)分類器。

更進(jìn)一步，所述驗(yàn)證單元還用以，將行人分成三部件：全身、上身和下身，其中上下身比例為1:1；

利用hog-svm分類器對(duì)上述三個(gè)部件進(jìn)行檢測(cè)，然后利用組合驗(yàn)證的方式得到最終結(jié)果

其中，lout是最終決定，li是來自三個(gè)基于部件的檢測(cè)器之一的輸出。

更進(jìn)一步，所述基于檢測(cè)的跟蹤單元還用以，

提取圖像的hog特征,

計(jì)算梯度后進(jìn)行方向bin統(tǒng)計(jì)，

最后對(duì)梯度強(qiáng)度做歸一化，將歸一化處理之后的向量最為最終的hog描述符

本發(fā)明的有益效果：

在本發(fā)明中在檢測(cè)階段引入基于部件的分階段檢測(cè)方法(ppd)使得整個(gè)系統(tǒng)能夠有效地緩解行人遮擋產(chǎn)生誤檢測(cè)問題，以及在基于檢測(cè)的跟蹤階段引入基于檢測(cè)的跟蹤算法，能夠提高系統(tǒng)的檢測(cè)率。

本發(fā)明通過將基于部件的分階段檢測(cè)方法以及基于檢測(cè)的跟蹤算法引入輔助駕駛中的行人檢測(cè)系統(tǒng)中去，從而提高行人檢測(cè)率與魯棒性，使得輔助駕駛系統(tǒng)更加穩(wěn)健、安全。

附圖說明

圖1是本發(fā)明一實(shí)施例中的方法流程示意圖；

圖2是本發(fā)明一實(shí)施例中的方法流程示意圖；

圖3(a)-圖3(d)是類haar特征示意圖；

圖4是檢測(cè)級(jí)聯(lián)的過程示意圖；

圖5是檢測(cè)器示意圖；

圖6是特征描述子示意圖。

具體實(shí)施方式

現(xiàn)在將參考一些示例實(shí)施例描述本公開的原理?？梢岳斫?，這些實(shí)施例僅出于說明并且?guī)椭绢I(lǐng)域的技術(shù)人員理解和實(shí)施例本公開的目的而描述，而非建議對(duì)本公開的范圍的任何限制。在此描述的本公開的內(nèi)容可以以下文描述的方式之外的各種方式實(shí)施。

如本文中所述，術(shù)語(yǔ)“包括”及其各種變體可以被理解為開放式術(shù)語(yǔ)，其意味著“包括但不限于”。術(shù)語(yǔ)“基于”可以被理解為“至少部分地基于”。術(shù)語(yǔ)“一個(gè)實(shí)施例”可以被理解為“至少一個(gè)實(shí)施例”。術(shù)語(yǔ)“另一實(shí)施例”可以被理解為“至少一個(gè)其它實(shí)施例”。

圖1是本發(fā)明一實(shí)施例中的方法流程示意圖，本實(shí)施例中的一種輔助駕駛中基于兩級(jí)分類器的行人檢測(cè)方法，包括如下步驟：

步驟s101檢測(cè)階段

步驟s102輸入原始圖像，對(duì)所述原始圖像通過積分圖像的方法構(gòu)造所述原始圖像的矩形特征，通過haar級(jí)聯(lián)分類器對(duì)上述矩形特征分類得到強(qiáng)分類器。在上述步驟中的檢測(cè)階段，主要是對(duì)原始圖像求積分圖像，進(jìn)而求出圖像的提取矩形特征，接著使用haar級(jí)聯(lián)分類器，對(duì)每種特征構(gòu)造弱分類器，并對(duì)弱分類器進(jìn)行線性加權(quán)，構(gòu)造強(qiáng)分類器。然后利用強(qiáng)分類器進(jìn)行分類，從而使得檢測(cè)器能夠去除大部分錯(cuò)誤的候選窗口。

步驟s201驗(yàn)證階段

步驟s202對(duì)上述檢測(cè)的結(jié)果得到的感興趣區(qū)域regionofinterest進(jìn)行hog特征提取，然后對(duì)特征使用支持向量機(jī)svm進(jìn)行分類，上述分類包括：部件驗(yàn)證和/或組合驗(yàn)證，在上述步驟中的驗(yàn)證階段，主要基于檢測(cè)階段的檢測(cè)結(jié)果，對(duì)得到的感興趣區(qū)域(roi)進(jìn)行hog特征提取，然后對(duì)特征使用支持向量機(jī)(svm)進(jìn)行分類。在驗(yàn)證階段，引入基于部件的分階段檢測(cè)方法(ppd)方法，利用組合驗(yàn)證的思想提高檢測(cè)器在行人遮擋情況下的準(zhǔn)確率。

步驟s301基于檢測(cè)的跟蹤階段

步驟s302對(duì)svm的檢測(cè)結(jié)果保留一設(shè)定時(shí)間，將上述驗(yàn)證階段的結(jié)果與上述檢測(cè)結(jié)果匹配后得到最終的行人位置。在上述步驟中的跟蹤階段，通過保留檢測(cè)到的結(jié)果一段時(shí)間，然后將驗(yàn)證階段的結(jié)果與之前的檢測(cè)結(jié)果進(jìn)行匹配，從而得到最終的行人位置。引入跟蹤階段，可以有效地減少假陽(yáng)性的數(shù)量，提高遮擋情況下的檢測(cè)的穩(wěn)定性。

圖2是本發(fā)明一實(shí)施例中的方法流程示意圖，在本實(shí)施例中的一種輔助駕駛中基于兩級(jí)分類器的行人檢測(cè)系統(tǒng)，包括：

檢測(cè)單元100，用以輸入原始圖像，對(duì)所述原始圖像通過積分圖像的方法構(gòu)造所述原始圖像的矩形特征，通過haar級(jí)聯(lián)分類器對(duì)上述矩形特征分類得到強(qiáng)分類器，

驗(yàn)證單元200，用以對(duì)上述檢測(cè)的結(jié)果得到的感興趣區(qū)域regionofinterest進(jìn)行hog特征提取，然后對(duì)特征使用支持向量機(jī)svm進(jìn)行分類，其中上述分類包括：部件驗(yàn)證和/或組合驗(yàn)證，

基于檢測(cè)的跟蹤單元300，用以對(duì)svm的檢測(cè)結(jié)果保留一設(shè)定時(shí)間，將上述驗(yàn)證階段的結(jié)果與上述檢測(cè)結(jié)果匹配后得到最終的行人位置。

在所述檢測(cè)單元100，使用積分圖像的方法，構(gòu)造原始圖像的矩形特征，然后利用haar級(jí)聯(lián)分類器對(duì)特征進(jìn)行分類。此方法的優(yōu)勢(shì)在于能夠在初級(jí)階段去除大部分錯(cuò)誤的候選窗口，從而減少感興趣區(qū)域(roi)從而加速分類器的分類速度。

具體檢測(cè)方法如下：

第一步，使用積分圖像計(jì)算原始圖像的矩形特征。使用三種特征：雙矩形特征、三矩形特征以及四矩形特征。雙矩形特征的值是兩個(gè)矩形區(qū)域內(nèi)的像素之和之間的差。這些區(qū)域具有相同的尺寸和形狀，并且水平或垂直相鄰(參見圖3的(a),(b))。三矩形特征的值是中心矩形中的像素之和減去兩個(gè)外部矩形中的像素之和(參見圖3的(c))。最后，四矩形特征的值是矩形對(duì)角線上的兩個(gè)矩形中的像素之和之間的差(參見圖3的(d))。

首先求出積分圖像。位置x，y處的積分圖像包含x，y(包括端點(diǎn))上方和左側(cè)的像素的和：

其中ii(x，y)是積分圖像，i(x，y)是原始圖像。

然后計(jì)算矩陣特征，使用以下循環(huán)對(duì)：

s(x，y)＝s(x，y-1)+i(x，y)

ii(x，y)＝ii(x-1，y)+s(x，y)

其中s(x，y)是累積行和，s(x，-1)＝0，ii(-1，y)＝0)。

第二步，對(duì)每個(gè)特征來構(gòu)造t個(gè)弱分類器，然后根據(jù)t個(gè)弱分類器加權(quán)線性組合構(gòu)造強(qiáng)分類器，其中權(quán)重與訓(xùn)練誤差成反比。

1)給定示例圖像(x1，y1)，...，(xn，yn)，這里x是原始圖像的24×24像素子窗口，yi＝0，1分別代表反例和正例。

2)初始化權(quán)重分別對(duì)應(yīng)于yi＝0，1兩種情況，其中m和l分別代表了正例和反例的數(shù)量。

3)更新權(quán)重。對(duì)于t＝1，…，t：

a)歸一化權(quán)重

b)選擇相對(duì)于加權(quán)誤差的最佳弱分類器

∈t＝minf，p，θ∑iωi|h(xi，f，p，θ)-yi|，

其中，代表一個(gè)弱分類器，f(x)是特征，θ是閾值，p是指示不等式方向的極性。

c)定義ht(x)＝h(x，ft，pt，θt)其中ft，pt，θt是∈t的最小值。

d)更新權(quán)重：其中如果實(shí)例xi被正確分類，則ei＝0，否則ei＝1。

4)構(gòu)造最終強(qiáng)分類器是：

其中

更進(jìn)一步，級(jí)聯(lián)分類器的結(jié)構(gòu)如圖4所示：一系列分類器應(yīng)用于每個(gè)子窗口。來自第一分類器的肯定結(jié)果觸發(fā)對(duì)第二分類器的評(píng)估，該第二分類器也被調(diào)整以實(shí)現(xiàn)非常高的檢測(cè)率；來自第二分類器的肯定結(jié)果觸發(fā)第三分類器，等等。任何點(diǎn)處的否定結(jié)果導(dǎo)致立即拒絕該子窗口。初始分類器消除了大量的負(fù)面示例，后續(xù)層消除額外的負(fù)面示例。

在一些實(shí)施例中，構(gòu)建級(jí)聯(lián)檢測(cè)器的訓(xùn)練算法如下：

●選擇每層可接受的最大假陽(yáng)性率f以及最小可接受假陽(yáng)性率d，選擇期望的總假陽(yáng)性率ftarget

●設(shè)定正樣本集p以及負(fù)樣本集n

●f0＝1.0,d0＝1.0，i＝0

●當(dāng)滿足條件fi＞ftarget時(shí)循環(huán)

■i←i+1

■ni＝0,fi＝fi-1

■當(dāng)滿足條件fi＞f×fi-1時(shí)循環(huán)

◆ni←ni+1

◆使用adaboost方法，用ni個(gè)特征訓(xùn)練數(shù)據(jù)集p和n得到一個(gè)分類器

◆用交叉驗(yàn)證集來評(píng)估當(dāng)前級(jí)聯(lián)分類器并設(shè)為fi和di

◆降低第i個(gè)分類器的閾值直到當(dāng)前的級(jí)聯(lián)分類器的檢測(cè)率達(dá)到d×di-1，這同樣會(huì)影響到fi

■

■如果fi＞ftarget，那么利用當(dāng)前的級(jí)聯(lián)檢測(cè)器評(píng)估非人臉的圖片，然后將

任何錯(cuò)誤的檢測(cè)結(jié)果放入到數(shù)據(jù)集n中。

在所述驗(yàn)證單元200，分為兩個(gè)階段：部件驗(yàn)證階段和組合驗(yàn)證階段。

上述的部件驗(yàn)證階段：通過一個(gè)新的基于部件的hog-svm分類器，來驗(yàn)證候選人。在將roi傳遞到svm之前，需要預(yù)處理以添加背景并調(diào)整圖像大小以確保hog-svm的良好性能。然后，單獨(dú)部件驗(yàn)證和組合驗(yàn)證形成驗(yàn)證階段。

在本實(shí)施例中的的算法使用經(jīng)典hog描述符，具體方法為：

提取圖像的hog特征。首先需要將整個(gè)圖像進(jìn)行規(guī)范化(歸一化)。對(duì)每個(gè)顏色通道進(jìn)行平方根gamma壓縮(即gamma參數(shù)為1/2)：f(i)＝iγ.然后計(jì)算梯度。首先用[-1,0,1]梯度算子對(duì)原圖像做卷積運(yùn)算，得到水平方向(以向右為正方向)的梯度分量，然后用[1,0,-1]梯度算子對(duì)原圖像做卷積運(yùn)算，得到豎直方向(以向上為正方向)的梯度分量。

然后在根據(jù)以下公式計(jì)算梯度幅值和方向：

gx(x，y)＝i(x+1，y)-i(x-1，y)

gy(x，y)＝i(x，y+1)-i(x，y-1)

式中g(shù)x(x，y),gy(x，y)分別表示輸入圖像在像素點(diǎn)(x,y)處的水平方向梯度和垂直方向梯度。則g(x，y),α(x，y)分別為像素點(diǎn)(x,y)的梯度幅值和梯度方向。接下來進(jìn)行方向bin統(tǒng)計(jì)。將圖像分成若干個(gè)“單元格cell”，每個(gè)cell為8*8的像素大小。采用9個(gè)bin(bin的個(gè)數(shù)可根據(jù)實(shí)驗(yàn)效果來確定)的直方圖來統(tǒng)計(jì)這8*8個(gè)像素的梯度信息，即將cell的梯度方向0～180度(或0～360度，考慮了正負(fù)，signed)分成9個(gè)方向塊。如果這個(gè)像素的梯度方向是20-40度，直方圖第2個(gè)bin即的計(jì)數(shù)就加1，這樣，對(duì)cell內(nèi)每個(gè)像素用梯度方向在直方圖中進(jìn)行加權(quán)投影，將其映射到對(duì)應(yīng)的角度范圍塊內(nèi)，就可以得到這個(gè)cell的梯度方向直方圖了，就是該cell對(duì)應(yīng)的9維特征向量(因?yàn)橛?個(gè)bin)。

最后對(duì)梯度強(qiáng)度做歸一化。把各個(gè)細(xì)胞單元組合成大的、空間上連通的區(qū)域(blocks)。這樣，一個(gè)block內(nèi)所有cell的特征向量串聯(lián)起來便得到該block的hog特征，使用l2-norm對(duì)block塊內(nèi)的hog特征向量進(jìn)行歸一化處理。歸一化之后的塊描述符(向量)就是最終的hog描述符。

在本實(shí)施例中組合驗(yàn)證，使用ppd方案從而使得分類器能夠處理遮擋等情況。將行人分成三部件：全身、上身和下身，其中上下身比例為1:1。利用hog-svm分類器對(duì)這三個(gè)部件進(jìn)行檢測(cè)，然后利用組合驗(yàn)證的方式得到最終結(jié)果。具體計(jì)算方法是：

如果分類器檢測(cè)到主體的特定部件，值將為1，如果未檢測(cè)到該部件，則為-1。如果三個(gè)分類器中的至少兩個(gè)將窗口標(biāo)記為行人，則窗口被分類為是正確的檢測(cè)，即最終以得票多的情況作為最終總的輸出結(jié)果。

其中，lout是最終決定，li是來自三個(gè)基于部件的檢測(cè)器之一的輸出?；貧w輸出分類使用來自驗(yàn)證階段的svm的三浮動(dòng)值估計(jì)來訓(xùn)練新的分類器。

基于檢測(cè)的跟蹤單元300，使用一種基于檢測(cè)的跟蹤算法來提高檢測(cè)率。跟蹤器可以增加真陽(yáng)性個(gè)數(shù)，因?yàn)闄z測(cè)器對(duì)類似遮擋等情況具有更高的穩(wěn)定性，降低假陽(yáng)性的個(gè)數(shù)，因?yàn)橹挥蟹€(wěn)定的檢測(cè)才會(huì)被考慮為行人。跟蹤系統(tǒng)設(shè)計(jì)：當(dāng)候選行人被svm識(shí)別250ms(由于幀率的可變性而引入時(shí)間限制)后，被認(rèn)為是真正的行人，并被引入到跟蹤系統(tǒng)中。將行人特征將與新的候選行人匹配，并且它們的位置和描述符將用新的行人特征進(jìn)行更新。

具體的匹配方法是：

為了得到穩(wěn)定的特征位置，本申請(qǐng)中使用5×5的塊和角掩模濾波器如圖5來處理輸入圖像。然后利用非最大以及非最小抑制來處理濾波后的圖像，從而產(chǎn)生候選特征點(diǎn)，特征點(diǎn)包含四類：塊最大、塊最小、角最大、角最小。本申請(qǐng)中假設(shè)相機(jī)運(yùn)動(dòng)是一個(gè)平滑軌跡，避免計(jì)算計(jì)算量大的旋轉(zhuǎn)不變性以及平移不變性的特征描述子。給定兩個(gè)特征點(diǎn)，通過計(jì)算誤差矩陣的的絕對(duì)差值(sad)的和來比較窗口的橫向和縱向的sobel濾波器的響應(yīng)值。為了加速匹配速度，本申請(qǐng)中將sobel響應(yīng)值量化到8位上，以及對(duì)16個(gè)位置上的差進(jìn)行求和，特征描述如圖6。因?yàn)閟ad可以利用單浮點(diǎn)sse指令進(jìn)行高效的計(jì)算，本申請(qǐng)中只用兩類(橫向和縱向的響應(yīng)值)來評(píng)價(jià)誤差矩陣。即使本申請(qǐng)中的實(shí)現(xiàn)非常有效，建立幾千到一萬(wàn)個(gè)對(duì)應(yīng)仍然需要時(shí)間在秒的數(shù)量級(jí)，因此對(duì)于在線應(yīng)用來說太慢。在第一遍，本申請(qǐng)中匹配所有特征的一個(gè)子集，使用一個(gè)更大的鄰域尺寸(因子3)的非最大抑制(nms)來搜索。由于該子集比完整特征集小得多，因此匹配非?？?。接下來，本申請(qǐng)中將圖像中的每個(gè)特征分配給等間隔網(wǎng)格的50×50像素區(qū)間。給定所有稀疏特征匹配，本申請(qǐng)中計(jì)算每個(gè)區(qū)間的最小和最大位移。這些統(tǒng)計(jì)用于局部縮小最終的搜索空間，使得在同一時(shí)間實(shí)現(xiàn)更快、更多的匹配。如果候選點(diǎn)沒有匹配用于搜索的標(biāo)準(zhǔn)特征(svm沒有檢測(cè)出候選行人)，那么將進(jìn)行全局圖像的搜索。如果成功匹配到，則產(chǎn)生一個(gè)幽靈行人，在更新之后的0.5s后被刪除。

應(yīng)當(dāng)理解，本發(fā)明的各部分可以用硬件、軟件、固件或它們的組合來實(shí)現(xiàn)。在上述實(shí)施方式中，多個(gè)步驟或方法可以用存儲(chǔ)在存儲(chǔ)器中且由合適的指令執(zhí)行系統(tǒng)執(zhí)行的軟件或固件來實(shí)現(xiàn)。例如，如果用硬件來實(shí)現(xiàn)，和在另一實(shí)施方式中一樣，可用本領(lǐng)域公知的下列技術(shù)中的任一項(xiàng)或他們的組合來實(shí)現(xiàn)：具有用于對(duì)數(shù)據(jù)信號(hào)實(shí)現(xiàn)邏輯功能的邏輯門電路的離散邏輯電路，具有合適的組合邏輯門電路的專用集成電路，可編程門陣列(pga)，現(xiàn)場(chǎng)可編程門陣列(fpga)等。

在本說明書的描述中，參考術(shù)語(yǔ)“一個(gè)實(shí)施例”、“一些實(shí)施例”、“示例”、“具體示例”、或“一些示例”等的描述意指結(jié)合該實(shí)施例或示例描述的具體特征、結(jié)構(gòu)、材料或者特點(diǎn)包含于本發(fā)明的至少一個(gè)實(shí)施例或示例中。在本說明書中，對(duì)上述術(shù)語(yǔ)的示意性表述不一定指的是相同的實(shí)施例或示例。而且，描述的具體特征、結(jié)構(gòu)、材料或者特點(diǎn)可以在任何的一個(gè)或多個(gè)實(shí)施例或示例中以合適的方式結(jié)合。

總體而言，本公開的各種實(shí)施例可以以硬件或?qū)Ｓ秒娐?、軟件、邏輯或其任意組合實(shí)施。一些方面可以以硬件實(shí)施，而其它一些方面可以以固件或軟件實(shí)施，該固件或軟件可以由控制器、微處理器或其它計(jì)算設(shè)備執(zhí)行。雖然本公開的各種方面被示出和描述為框圖、流程圖或使用其它一些繪圖表示，但是可以理解本文描述的框、設(shè)備、系統(tǒng)、技術(shù)或方法可以以非限制性的方式以硬件、軟件、固件、專用電路或邏輯、通用硬件或控制器或其它計(jì)算設(shè)備或其一些組合實(shí)施。

此外，雖然操作以特定順序描述，但是這不應(yīng)被理解為要求這類操作以所示的順序執(zhí)行或是以順序序列執(zhí)行，或是要求所有所示的操作被執(zhí)行以實(shí)現(xiàn)期望結(jié)果。在一些情形下，多任務(wù)或并行處理可以是有利的。類似地，雖然若干具體實(shí)現(xiàn)方式的細(xì)節(jié)在上面的討論中被包含，但是這些不應(yīng)被解釋為對(duì)本公開的范圍的任何限制，而是特征的描述僅是針對(duì)具體實(shí)施例。在分離的一些實(shí)施例中描述的某些特征也可以在單個(gè)實(shí)施例中組合地執(zhí)行。相反對(duì)，在單個(gè)實(shí)施例中描述的各種特征也可以在多個(gè)實(shí)施例中分離地實(shí)施或是以任何合適的子組合的方式實(shí)施。