本發(fā)明屬于智能交通、智能車輛研究領(lǐng)域，涉及一種基于光流聚類的車載行人區(qū)域估計(jì)方法，適用于行人檢測(cè)系統(tǒng)快速定位行人區(qū)域。

背景技術(shù)：

近年來(lái)逐漸形成了haar小波行人檢測(cè)法、人體形態(tài)檢測(cè)法、hog+svm行人檢測(cè)法等研究成果，推動(dòng)了智能駕駛技術(shù)的發(fā)展，這些研究均采用了滑動(dòng)窗口的行人模板匹配方法來(lái)識(shí)別行人，但由于模板匹配的全局多尺度窗口搜索策略，造成了行人檢測(cè)大量的盲目搜索和時(shí)間浪費(fèi)，降低了行人檢測(cè)的實(shí)時(shí)性。而行人感興趣區(qū)域(regionsofinterest，roi)獲得行人可能區(qū)域的方法可以減少滑動(dòng)窗口的盲目搜索，提高行人檢測(cè)的實(shí)時(shí)性。目前行人roi檢測(cè)方法可概括為兩類：(1)特征估計(jì)法，該方法通過(guò)圖像紋理、顏色、亮度等特征，估算行人形態(tài)、概率密度分布等檢測(cè)行人roi。該類方法雖然能夠獲取行人roi，但復(fù)雜的模型計(jì)算反而增加了行人檢測(cè)的運(yùn)行時(shí)間.(2)運(yùn)動(dòng)檢測(cè)法，該方法利用光流計(jì)算和運(yùn)動(dòng)分割方法，獲取行人區(qū)域。如elzein等人從運(yùn)動(dòng)分割的角度為行人roi估計(jì)提供了新的視覺(jué)，但該方法缺乏考慮運(yùn)動(dòng)場(chǎng)景與行人的運(yùn)動(dòng)差異特性，仍無(wú)法降低光流場(chǎng)分割計(jì)算復(fù)雜度。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是提出一種基于光流聚類的車載行人區(qū)域估計(jì)方法，本方法能夠有效且快速地識(shí)別車輛前方的行人區(qū)域，避免傳統(tǒng)方法的盲目搜索所造成的時(shí)間上的浪費(fèi)，為車載主動(dòng)行人保障技術(shù)、無(wú)人駕駛、智能車輛等研究和應(yīng)用提供技術(shù)支持和依據(jù)。

本發(fā)明提出的一種基于光流聚類的車載行人區(qū)域估計(jì)方法是采用如下技術(shù)方案實(shí)現(xiàn)的：

步驟一、利用車載攝像機(jī)拍攝車輛前方道路，通過(guò)攝像機(jī)獲取的圖像為rgb三維圖像，經(jīng)過(guò)圖像灰度化處理得到二維灰度圖像，二維灰度圖像可視為一個(gè)個(gè)像素點(diǎn)的亮度值構(gòu)成的矩陣i(x,y)，其中x為圖像的像素點(diǎn)的橫坐標(biāo)，y為圖像的像素點(diǎn)的縱坐標(biāo)；

步驟二、光流場(chǎng)是指圖像中所有像素點(diǎn)構(gòu)成的一種二維瞬時(shí)速度場(chǎng)，包含了被觀察物體的運(yùn)動(dòng)信息，還包含有關(guān)景物三維結(jié)構(gòu)的豐富信息，光流在物體運(yùn)動(dòng)檢測(cè)方面有著重要應(yīng)用，光流的計(jì)算過(guò)程如下：

1)令i(x,y,t)表示圖像i(x,y)的時(shí)間序列，其中，t為時(shí)間，令dx代表橫坐標(biāo)x上的變化量、dy代表縱坐標(biāo)y上的變化量、dt代表i(x,y,t)在時(shí)間t上的變化量，那么在圖像光強(qiáng)亮度恒定和物體微小運(yùn)動(dòng)的假設(shè)下有：

i(x,y,t)＝i(x+dx,y+dy,t+dt)(1)

將上式中的i(x+dx,y+dy,t+dt)進(jìn)行泰勒公式展開(kāi)：

式中，表示i(x,y,t)對(duì)x的偏導(dǎo)數(shù)、表示i(x,y,t)對(duì)y的偏導(dǎo)數(shù)、表示i(x,y,t)對(duì)t的偏導(dǎo)數(shù)，δ表示高階項(xiàng)；

結(jié)合式(1)和式(2)且忽略高階項(xiàng)δ，則得到：

令則式(3)表示為

ixu+iyv＝-it

整理成矩陣形式為：

其中：為x對(duì)t的導(dǎo)數(shù)，表示光流場(chǎng)在x方向的分量；為y對(duì)t的導(dǎo)數(shù)，表示光流場(chǎng)在y方向上的分量；

采用局部與全局相結(jié)合的光流求解方法求解(4)式，得到圖像光流場(chǎng)，即[u,v]；

步驟三、移動(dòng)個(gè)體做不同于背景的運(yùn)動(dòng)，具有不同于背景的光流場(chǎng)，對(duì)步驟二所獲得的圖像光流場(chǎng)[u,v]聚類，獲取圖像光流場(chǎng)[u,v]的運(yùn)動(dòng)幅值聚類直方圖和圖像光流場(chǎng)[u,v]的運(yùn)動(dòng)方向角聚類直方圖，進(jìn)一步可實(shí)現(xiàn)前景和背景分離，具體過(guò)程如下：

1、獲取圖像光流場(chǎng)[u,v]的運(yùn)動(dòng)幅值聚類直方圖和圖像光流場(chǎng)[u,v]的運(yùn)動(dòng)方向角聚類直方圖：

1)令坐標(biāo)為(x,y)的像素點(diǎn)的光流在x方向分量為u(x,y)，在y方向分量v(x,y)，再根據(jù)下式計(jì)算坐標(biāo)為(x,y)的像素點(diǎn)的運(yùn)動(dòng)幅值m(x,y)和坐標(biāo)為(x,y)的像素點(diǎn)的運(yùn)動(dòng)方向角θ(x,y)：

2)對(duì)運(yùn)動(dòng)幅值m(x,y)的取值范圍離散化以及運(yùn)動(dòng)方向角θ(x,y)的取值范圍離散化，統(tǒng)計(jì)運(yùn)動(dòng)幅值m(x,y)不同取值范圍下對(duì)應(yīng)的頻數(shù)n1和運(yùn)動(dòng)方向角θ(x,y)不同取值范圍下對(duì)應(yīng)的頻數(shù)n2，以運(yùn)動(dòng)幅值m(x,y)為橫軸，以運(yùn)動(dòng)幅值各取值范圍對(duì)應(yīng)的頻數(shù)n1為縱軸，可獲得運(yùn)動(dòng)幅值聚類直方圖；同理，以運(yùn)動(dòng)方向角θ(x,y)為橫軸，以運(yùn)動(dòng)方向角各取值范圍其對(duì)應(yīng)的頻數(shù)n2為縱軸即可獲得運(yùn)動(dòng)方向角聚類直方圖；圖像光流場(chǎng)[u,v]的運(yùn)動(dòng)幅值聚類直方圖和圖像光流場(chǎng)[u,v]的運(yùn)動(dòng)方向角聚類直方圖均可分別視為一個(gè)混合高斯分布，每個(gè)混合高斯分布均含有背景高斯分量、前景高斯分量、估計(jì)誤差高斯分量以及噪聲干擾高斯分量；

2、估計(jì)車載攝像機(jī)拍攝的車輛前方道路的圖像的背景：

1)考慮到車載攝像機(jī)拍攝的車輛前方道路的圖像的背景占該圖像的絕大部分區(qū)域，即背景區(qū)域像素點(diǎn)頻數(shù)最大；因此可以將圖像光流場(chǎng)[u,v]的運(yùn)動(dòng)幅值聚類直方圖的極大值點(diǎn)對(duì)應(yīng)的高斯分量和圖像光流場(chǎng)[u,v]的運(yùn)動(dòng)方向角聚類直方圖的極大值點(diǎn)對(duì)應(yīng)的高斯分量作為背景高斯分量；

選取背景高斯分量和前景高斯分量的交叉點(diǎn)作為它們的分類閾值；根據(jù)攝像機(jī)成像投影原理，所有的成像點(diǎn)相交于成像的滅點(diǎn)，即車輛前方距離車載攝像機(jī)較遠(yuǎn)的背景的像素點(diǎn)的運(yùn)動(dòng)幅值向于0點(diǎn)，運(yùn)動(dòng)幅值聚類直方圖中從0點(diǎn)開(kāi)始到極大值點(diǎn)對(duì)應(yīng)的高斯分量為背景高斯分量；因此，圖像光流場(chǎng)[u,v]的運(yùn)動(dòng)幅值聚類直方圖中運(yùn)動(dòng)幅值m(x,y)∈[0,t]且t＞mmax對(duì)應(yīng)的區(qū)間為背景部分，其中t為圖像光流場(chǎng)[u,v]的運(yùn)動(dòng)幅值聚類直方圖中背景高斯分量與前景高斯分量的分類閾值，mmax為圖像光流場(chǎng)[u,v]的運(yùn)動(dòng)幅值聚類直方圖的極大值點(diǎn)；此外，由于運(yùn)動(dòng)方向角θ(x,y)的范圍為[-π,π]以及前景運(yùn)動(dòng)方向的不確定性，為降低背景的誤分類，在圖像光流場(chǎng)[u,v]的運(yùn)動(dòng)方向角聚類直方圖極大值點(diǎn)兩側(cè)分別選取閾值作為背景部分，即運(yùn)動(dòng)方向角θ(x,y)∈[t1,t2]且t1＜θmax＜t2的區(qū)間為背景部分，其中t1和t2為圖像光流場(chǎng)[u,v]的運(yùn)動(dòng)方向角聚類直方圖中的背景高斯分量與前景高斯分量的分類閾值，θmax為圖像光流場(chǎng)[u,v]的運(yùn)動(dòng)方向角聚類直方圖的極大值點(diǎn)；

因此坐標(biāo)為(x,y)的像素點(diǎn)如果滿足如下條件，則該像素點(diǎn)屬于背景區(qū)域：

m(x,y)∈[0,t]且t＞mmax,θ(x,y)∈[t1,t2]且t1＜θmax＜t2

2)為滿足背景估計(jì)的自適應(yīng)，需要自適應(yīng)確定t、t1和t2，利用過(guò)零點(diǎn)檢測(cè)方法自適應(yīng)確定閾值t、t1和t2，具體如下：

為降低噪聲造成的干擾，利用平滑窗口函數(shù)k(ω)與圖像光流場(chǎng)[u,v]的運(yùn)動(dòng)幅值聚類直方圖f(z)和圖像光流場(chǎng)[u,v]的運(yùn)動(dòng)方向角聚類直方圖g(a)進(jìn)行卷積運(yùn)算，如式(6)所示：

這里用函數(shù)f(z)表示圖像光流場(chǎng)[u,v]的運(yùn)動(dòng)幅值聚類直方圖，用函數(shù)g(a)表示圖像光流場(chǎng)[u,v]的運(yùn)動(dòng)方向角聚類直方圖，ω為濾波窗口長(zhǎng)度，長(zhǎng)度為奇數(shù)，則其中矩陣?yán)锕灿笑貍€(gè)這里ω取為3或5；

由于ff(z)導(dǎo)數(shù)的零點(diǎn)對(duì)應(yīng)ff(z)的拐點(diǎn)，同理gg(a)導(dǎo)數(shù)的零點(diǎn)對(duì)應(yīng)gg(a)的拐點(diǎn)，可利用差分函數(shù)求解ff(z)的導(dǎo)數(shù)以及gg(a)的導(dǎo)數(shù)然后利用式(7)判斷過(guò)零點(diǎn)位置，獲取ff(z)在圖像光流場(chǎng)[u,v]的運(yùn)動(dòng)幅值聚類直方圖的極大值點(diǎn)mmax右側(cè)第一個(gè)拐點(diǎn)位置t，作為其分類閾值，獲取gg(a)在圖像光流場(chǎng)[u,v]的運(yùn)動(dòng)方向角聚類直方圖的極大值點(diǎn)θmax左側(cè)的第一個(gè)拐點(diǎn)位置t1和右側(cè)第一個(gè)拐點(diǎn)位置t2，作為分類閾值，從而自適應(yīng)確定閾值t、t1和t2；

其中：tzero表示ff(z)的零點(diǎn)，表示ff(z)在z1點(diǎn)的導(dǎo)數(shù)，表示ff(z)在z1+1點(diǎn)的導(dǎo)數(shù)；tzero表示gg(a)的零點(diǎn)，表示gg(a)在a1點(diǎn)的導(dǎo)數(shù)，表示gg(a)在a1+1點(diǎn)的導(dǎo)數(shù)；

3、剔除估計(jì)的背景區(qū)域，即可得到前景區(qū)域；

步驟四、采用基于圖論的分割算法分割步驟三得到的前景區(qū)域的光流場(chǎng)：令g＝(pfore,e)為頂點(diǎn)pi∈pfore，邊集(pi,pj)∈e構(gòu)成的無(wú)向圖，其中pi、pj均為該無(wú)向圖的頂點(diǎn)，pfore表示去除估計(jì)的背景區(qū)域內(nèi)的像素點(diǎn)后的前景像素點(diǎn)的集合，(pi,pj)為近鄰頂點(diǎn)構(gòu)成的邊，e表示所有邊的集合，ω(pi,pj)為邊(pi,pj)對(duì)應(yīng)的權(quán)重，表示為頂點(diǎn)pi和pj的差異性；圖像光流場(chǎng)為速度矢量場(chǎng)，頂點(diǎn)pi的光流表示為ui為頂點(diǎn)pi的光流在x方向的分量，vi為頂點(diǎn)pi的光流在y方向的分量；同理，將頂點(diǎn)pj的光流表示為uj為頂點(diǎn)pj的光流在x方向的分量，vj為頂點(diǎn)pj的光流在y方向的分量；為有效表示頂點(diǎn)pi和pj光流矢量的差異性，本方法引入矢量模mij和矢量夾角αij的聯(lián)合表示度量其差異性，表示為：

其中σ表示矢量模mij的權(quán)重系數(shù)，取為0.2；β表示矢量夾角αij的權(quán)重系數(shù)，取為0.8；

區(qū)域c1和區(qū)域c2表示無(wú)向圖g中的兩個(gè)區(qū)域，根據(jù)無(wú)向圖g的最小生成樹(shù)，如果滿足條件：dif(c1,c2)＞mint(c1,c2)，則區(qū)域c1和區(qū)域c2需要分割；

其中，dif(c1,c2)＝minω(pi,pj)，其中pi∈c1,pj∈c2,(pi,pj)∈e，表示兩個(gè)分割區(qū)域c1、c2之間頂點(diǎn)相互連接的最小邊的權(quán)值，表示區(qū)域的類間差異；mint(c1,c2)＝min(int(c1)+τ(c1),int(c2)+τ(c2))，分割區(qū)域的合并指標(biāo)|c|是指分割部分頂點(diǎn)的個(gè)數(shù)，k為閾值參數(shù)，int(c)＝maxω(pi,pj)，其中pi,pj∈c,(pi,pj)∈e,表示分割區(qū)域的類內(nèi)差異，即分割區(qū)域c中包含的最大邊的權(quán)值；

步驟五、因步驟三無(wú)法準(zhǔn)確得到背景區(qū)域，因此經(jīng)步驟四分割后的各區(qū)域除了包含行人、非行人物體外，還可能包含步驟三中無(wú)法完全剔除的背景，需進(jìn)一步減少上述非行人區(qū)域，利用人體形態(tài)的相關(guān)指標(biāo)進(jìn)行判斷其是否為行人，剔除非行人區(qū)域：

選取物體的高度與寬度之比l、區(qū)域面積s、區(qū)域面積與圈定區(qū)域的矩形窗口面積之比sn作為判別指標(biāo)，來(lái)判斷某區(qū)域是否為行人區(qū)域；如果l、s、sn同時(shí)滿足l∈(lmin，lmax)，s∈(smin，smax)，sn∈(snmin，snmax)，則該區(qū)域?yàn)樾腥藚^(qū)域，獲得行人區(qū)域后，將除了行人區(qū)域外的其他非行人區(qū)域剔除；

其中l(wèi)max是為高度與寬度比設(shè)定的最大值、lmin是為高度與寬度比設(shè)定的最小值；smax是為區(qū)域面積設(shè)定的最大值、smin是為區(qū)域面積設(shè)定的最小值；snmax是為區(qū)域面積與圈定區(qū)域的矩形窗口面積之比設(shè)定的最大值、snmin是為區(qū)域面積與圈定區(qū)域的矩形窗口面積之比設(shè)定的最小值，lmax、lmin、smax、smin、snmax和snmin的具體取值均通過(guò)以手工標(biāo)定的方式進(jìn)行的大量實(shí)驗(yàn)來(lái)獲得。

與現(xiàn)有技術(shù)相比本發(fā)明的有益效果是：

1、本發(fā)明提出的基于光流聚類的車載行人區(qū)域估計(jì)方法，避免了傳統(tǒng)行人檢測(cè)系統(tǒng)采用全局模板搜索匹配識(shí)別造成的行人識(shí)別的盲目搜索，適用于車載環(huán)境下的無(wú)人駕駛。

2、在背景估計(jì)步驟中，通常的em算法和k-means等聚類算法難以確定背景的高斯分布，而本方法提出的光流聚類算法可更加有效地估計(jì)背景區(qū)域。

3、在判別前景行人區(qū)域的過(guò)程中，利用人體形態(tài)特征，可有效地剔除非行人區(qū)域，獲得行人區(qū)域。

附圖說(shuō)明

圖1是本發(fā)明所述的一種基于光流聚類的車載行人區(qū)域估計(jì)方法的框架示意圖；

圖2a是步驟三所述背景估計(jì)過(guò)程中獲取的相鄰幀圖像運(yùn)動(dòng)幅值聚類直方圖示意圖；

圖2b是步驟三所述背景估計(jì)過(guò)程中獲取的相鄰幀圖像運(yùn)動(dòng)方向角聚類直方圖示意圖；

圖3是步驟三所述背景估計(jì)的流程圖；

圖4是兩高斯分布的最小誤分類分割閾值示意圖；

圖5a是步驟三所述背景估計(jì)過(guò)程中平滑后的運(yùn)動(dòng)幅值分割閾值示意圖；

圖5b是步驟三所述背景估計(jì)過(guò)程中平滑后的運(yùn)動(dòng)方向角分割閾值示意圖。

具體實(shí)施方式

下面結(jié)合附圖，對(duì)本發(fā)明的技術(shù)方案進(jìn)行詳細(xì)說(shuō)明：

如圖1所示的本發(fā)明所述的方法框架，本發(fā)明所述方法是對(duì)攝像機(jī)獲取的圖像進(jìn)行光流估計(jì)，獲得圖像光流場(chǎng)；再進(jìn)行光流聚類，從而估計(jì)出背景區(qū)域；剔除背景區(qū)域，使用圖分割算法分割前景區(qū)；最后對(duì)前景區(qū)各區(qū)域進(jìn)行判別，識(shí)別出有效的行人區(qū)域。具體步驟如下：

步驟一、利用車載攝像機(jī)拍攝車輛前方道路，通過(guò)攝像機(jī)獲取的圖像為rgb三維圖像，經(jīng)過(guò)圖像灰度化處理得到二維灰度圖像，二維灰度圖像可視為一個(gè)個(gè)像素點(diǎn)的亮度值構(gòu)成的矩陣i(x,y)，其中x為圖像的像素點(diǎn)的橫坐標(biāo)，y為圖像的像素點(diǎn)的縱坐標(biāo)；

步驟二、光流場(chǎng)是指圖像中所有像素點(diǎn)構(gòu)成的一種二維瞬時(shí)速度場(chǎng)，其中的二維速度矢量是景物中可見(jiàn)點(diǎn)的三維速度矢量在成像表面的投影，所以光流不僅包含了被觀察物體的運(yùn)動(dòng)信息，而且還包含有關(guān)景物三維結(jié)構(gòu)的豐富信息，光流在物體運(yùn)動(dòng)檢測(cè)方面有著重要應(yīng)用，光流場(chǎng)估計(jì)方法經(jīng)過(guò)多年的發(fā)展，在估計(jì)精度和速度方面取得重要進(jìn)展，并行環(huán)境下達(dá)到45幀每秒的快速運(yùn)算,其中基于梯度的光流估計(jì)方法應(yīng)用尤為廣泛，基于梯度的光流估計(jì)方法建立在光強(qiáng)亮度恒定和物體微小運(yùn)動(dòng)假設(shè)基礎(chǔ)上估計(jì)圖像光流場(chǎng)，光流的計(jì)算過(guò)程如下：

1)令i(x,y,t)表示圖像i(x,y)的時(shí)間序列，式中，t為時(shí)間，令dx代表橫坐標(biāo)x上的變化量、dy代表縱坐標(biāo)y上的變化量、dt代表i(x,y,t)在時(shí)間t上的變化量，那么在圖像光強(qiáng)亮度恒定和物體微小運(yùn)動(dòng)的假設(shè)下有：

i(x,y,t)＝i(x+dx,y+dy,t+dt)(1)

將上式等號(hào)右邊，即i(x+dx,y+dy,t+dt)進(jìn)行泰勒公式展開(kāi)：

式中，表示i(x,y,t)對(duì)x的偏導(dǎo)數(shù)、表示i(x,y,t)對(duì)y的偏導(dǎo)數(shù)、表示i(x,y,t)對(duì)t的偏導(dǎo)數(shù)，δ表示高階項(xiàng)；

結(jié)合式(1)和式(2)且忽略高階項(xiàng)δ，則得到：

令則式(3)表示為

ixu+iyv＝-it

整理成矩陣形式為：

其中：為x對(duì)t的導(dǎo)數(shù)，表示光流場(chǎng)在x方向的分量；為y對(duì)t的導(dǎo)數(shù)，表示光流場(chǎng)在y方向上的分量；

為了求解光流計(jì)算矩陣(4)，現(xiàn)有局部光流計(jì)算法、全局光流計(jì)算法以及局部與全局相結(jié)合的光流求解法。局部光流計(jì)算方法利用最小二乘法計(jì)算矩陣方程求解圖像光流場(chǎng)；全局光流計(jì)算方法利用松弛迭代法求解全局能量最小，計(jì)算全局光流場(chǎng)。局部光流法對(duì)噪聲具有較好的魯棒性，但計(jì)算為稀疏光流場(chǎng)；全局光流法具有較好的圖像結(jié)構(gòu)邊緣探測(cè)精度，獲取稠密光流，但抗噪聲干擾較差。車載行人檢測(cè)過(guò)程，為滿足行人運(yùn)動(dòng)區(qū)域估計(jì)以及提高外界干擾影響，本發(fā)明采用局部與全局相結(jié)合的光流求解方法，該方法利用共軛梯度法快速求解光流矩陣，得到圖像光流場(chǎng)[u,v]。

步驟三、相同運(yùn)動(dòng)屬性的物體將具有近似相同的光流場(chǎng)。車載相機(jī)的移動(dòng)致使交通場(chǎng)景背景具有近似相同的運(yùn)動(dòng)場(chǎng)，從而交通場(chǎng)景圖像的背景每個(gè)像素點(diǎn)具有近似相同的光流矢量，即背景像素點(diǎn)的光流具有近似相同的運(yùn)動(dòng)幅值和運(yùn)動(dòng)方向角。移動(dòng)個(gè)體作為不同于背景的運(yùn)動(dòng)，具有不同于背景的光流場(chǎng)。根據(jù)運(yùn)動(dòng)差異性，對(duì)圖像光流場(chǎng)聚類可實(shí)現(xiàn)前景與背景的分離。背景估計(jì)的流程如圖3所示，具體過(guò)程如下：

1、獲取圖像光流場(chǎng)[u,v]的運(yùn)動(dòng)幅值聚類直方圖和圖像光流場(chǎng)[u,v]的運(yùn)動(dòng)方向角聚類直方圖：

1)令坐標(biāo)為(x,y)的像素點(diǎn)的光流在x方向分量為u(x,y)，在y方向分量v(x,y)，再根據(jù)下式計(jì)算坐標(biāo)為(x,y)的像素點(diǎn)的運(yùn)動(dòng)幅值m(x,y)和坐標(biāo)為(x,y)的像素點(diǎn)的運(yùn)動(dòng)方向角θ(x,y)：

2)對(duì)運(yùn)動(dòng)幅值m(x,y)的取值范圍離散化以及運(yùn)動(dòng)方向角θ(x,y)的取值范圍離散化，統(tǒng)計(jì)運(yùn)動(dòng)幅值m(x,y)不同取值范圍下對(duì)應(yīng)的頻數(shù)n1和運(yùn)動(dòng)方向角θ(x,y)不同取值范圍下對(duì)應(yīng)的頻數(shù)n2，以運(yùn)動(dòng)幅值m(x,y)為橫軸，以運(yùn)動(dòng)幅值各取值范圍對(duì)應(yīng)的頻數(shù)n1為縱軸，可獲得運(yùn)動(dòng)幅值聚類直方圖，示意圖如圖2a所示；同理，以運(yùn)動(dòng)方向角θ(x,y)為橫軸，以運(yùn)動(dòng)方向角各取值范圍其對(duì)應(yīng)的頻數(shù)n2為縱軸即可獲得運(yùn)動(dòng)方向角聚類直方圖，示意圖如圖2b所示；由圖2a所示的運(yùn)動(dòng)幅值聚類直方圖和圖2b所示的運(yùn)動(dòng)方向角聚類直方圖示意圖可以看出，圖像光流場(chǎng)[u,v]的運(yùn)動(dòng)幅值聚類直方圖和圖像光流場(chǎng)[u,v]的運(yùn)動(dòng)方向角聚類直方圖均可分別視為一個(gè)混合高斯分布，每個(gè)混合高斯分布均含有背景高斯分量、前景高斯分量、估計(jì)誤差高斯分量以及噪聲干擾高斯分量；

2、估計(jì)車載攝像機(jī)拍攝的車輛前方道路的圖像的背景：

由于車載視頻場(chǎng)景中運(yùn)行物體和行人個(gè)數(shù)的不確定性，上述混合高斯分布難以確定各高斯分量的個(gè)數(shù)，從而通常的em算法和k-means聚類算法難以確定背景的高斯分布。本方法提出的光流聚類方法可有效估計(jì)背景區(qū)域：

1)考慮到車載攝像機(jī)拍攝的車輛前方道路的圖像的背景占該圖像的絕大部分區(qū)域，即背景區(qū)域像素點(diǎn)頻數(shù)最大；因此可以將圖像光流場(chǎng)[u,v]的運(yùn)動(dòng)幅值聚類直方圖的極大值點(diǎn)對(duì)應(yīng)的高斯分量和圖像光流場(chǎng)[u,v]的運(yùn)動(dòng)方向角聚類直方圖的極大值點(diǎn)對(duì)應(yīng)的高斯分量作為背景高斯分量；

根據(jù)如下原理：兩高斯分布的最小誤分類閾值t對(duì)應(yīng)兩高斯分布的交叉點(diǎn)，如圖4所示。本方法選取背景高斯分量和前景高斯分量的交叉點(diǎn)作為它們的分類閾值；根據(jù)攝像機(jī)成像投影原理，所有的成像點(diǎn)相交于成像的滅點(diǎn)，即車輛前方距離車載攝像機(jī)較遠(yuǎn)的背景的像素點(diǎn)的運(yùn)動(dòng)幅值向于0點(diǎn)，運(yùn)動(dòng)幅值聚類直方圖中從0點(diǎn)開(kāi)始到極大值點(diǎn)對(duì)應(yīng)的高斯分量為背景高斯分量；因此，圖像光流場(chǎng)[u,v]的運(yùn)動(dòng)幅值聚類直方圖中運(yùn)動(dòng)幅值m(x,y)∈[0,t]且t＞mmax對(duì)應(yīng)的區(qū)間為背景部分，其中t為圖像光流場(chǎng)[u,v]的運(yùn)動(dòng)幅值聚類直方圖中背景高斯分量與前景高斯分量的分類閾值，mmax為圖像光流場(chǎng)[u,v]的運(yùn)動(dòng)幅值聚類直方圖的極大值點(diǎn)；此外，由于運(yùn)動(dòng)方向角θ(x,y)的范圍為[-π,π]以及前景運(yùn)動(dòng)方向的不確定性，為降低背景的誤分類，在圖像光流場(chǎng)[u,v]的運(yùn)動(dòng)方向角聚類直方圖極大值點(diǎn)兩側(cè)分別選取閾值作為背景部分，即運(yùn)動(dòng)方向角θ(x,y)∈[t1,t2]且t1＜θmax＜t2的區(qū)間為背景部分，其中t1和t2為圖像光流場(chǎng)[u,v]的運(yùn)動(dòng)方向角聚類直方圖中的背景高斯分量與前景高斯分量的分類閾值，θmax為圖像光流場(chǎng)[u,v]的運(yùn)動(dòng)方向角聚類直方圖的極大值點(diǎn)；平滑后的運(yùn)動(dòng)幅值分割閾值示意圖如圖5a所示，平滑后的運(yùn)動(dòng)方向角分割閾值示意圖如圖5b所示。

因此坐標(biāo)為(x,y)的像素點(diǎn)如果滿足如下條件，則該像素點(diǎn)屬于背景區(qū)域：

m(x,y)∈[0,t]且t＞mmax,θ(x,y)∈[t1,t2]且t1＜θmax＜t2

2)為滿足背景估計(jì)的自適應(yīng)，需要自適應(yīng)確定t、t1和t2，利用過(guò)零點(diǎn)檢測(cè)方法自適應(yīng)確定閾值t、t1和t2，具體如下：

為降低噪聲造成的干擾，利用平滑窗口函數(shù)k(ω)與圖像光流場(chǎng)[u,v]的運(yùn)動(dòng)幅值聚類直方圖f(z)和圖像光流場(chǎng)[u,v]的運(yùn)動(dòng)方向角聚類直方圖g(a)進(jìn)行卷積運(yùn)算，如式(6)所示：

這里用函數(shù)f(z)表示圖像光流場(chǎng)[u,v]的運(yùn)動(dòng)幅值聚類直方圖，用函數(shù)g(a)表示圖像光流場(chǎng)[u,v]的運(yùn)動(dòng)方向角聚類直方圖，ω為濾波窗口長(zhǎng)度，長(zhǎng)度為奇數(shù)，則其中矩陣?yán)锕灿笑貍€(gè)這里ω取為3或5；

由于ff(z)導(dǎo)數(shù)的零點(diǎn)對(duì)應(yīng)ff(z)的拐點(diǎn)，同理gg(a)導(dǎo)數(shù)的零點(diǎn)對(duì)應(yīng)gg(a)的拐點(diǎn)，可利用差分函數(shù)求解ff(z)的導(dǎo)數(shù)以及gg(a)的導(dǎo)數(shù)然后利用式(7)判斷過(guò)零點(diǎn)位置，獲取ff(z)在圖像光流場(chǎng)[u,v]的運(yùn)動(dòng)幅值聚類直方圖的極大值點(diǎn)mmax右側(cè)第一個(gè)拐點(diǎn)位置t，作為其分類閾值，獲取gg(a)在圖像光流場(chǎng)[u,v]的運(yùn)動(dòng)方向角聚類直方圖的極大值點(diǎn)θmax左側(cè)的第一個(gè)拐點(diǎn)位置t1和右側(cè)第一個(gè)拐點(diǎn)位置t2，作為分類閾值，從而自適應(yīng)確定閾值t、t1和t2；

其中：tzero表示ff(z)的零點(diǎn)，表示ff(z)在z1點(diǎn)的導(dǎo)數(shù)，表示ff(z)在z1+1點(diǎn)的導(dǎo)數(shù)；tzero表示gg(a)的零點(diǎn)，表示gg(a)在a1點(diǎn)的導(dǎo)數(shù)，表示gg(a)在a1+1點(diǎn)的導(dǎo)數(shù)；

步驟四、通常不同運(yùn)動(dòng)物體具有不同的運(yùn)動(dòng)屬性，同一運(yùn)動(dòng)物體同一時(shí)刻具有基本相同的運(yùn)動(dòng)屬性；對(duì)圖像光流圖而言，同一物體光流場(chǎng)具有均一性，不同物體具有不同的光流場(chǎng)，從而，對(duì)圖像光流場(chǎng)的光流分割可實(shí)現(xiàn)前景物體的分割。對(duì)剔除背景區(qū)域的光流圖，采用基于圖論的分割算法。

令g＝(pfore,e)為頂點(diǎn)pi∈pfore，邊集(pi,pj)∈e構(gòu)成的無(wú)向圖，其中pi、pj均為該無(wú)向圖的頂點(diǎn)，pfore表示去除估計(jì)的背景區(qū)域內(nèi)的像素點(diǎn)后的前景像素點(diǎn)的集合，(pi,pj)為近鄰頂點(diǎn)構(gòu)成的邊，e表示所有邊的集合，ω(pi,pj)為邊(pi,pj)對(duì)應(yīng)的權(quán)重，表示為頂點(diǎn)pi和pj的差異性；圖像光流場(chǎng)為速度矢量場(chǎng)，頂點(diǎn)pi的光流表示為ui為頂點(diǎn)pi的光流在x方向的分量，vi為頂點(diǎn)pi的光流在y方向的分量；同理，將頂點(diǎn)pj的光流表示為uj為頂點(diǎn)pj的光流在x方向的分量，vj為頂點(diǎn)pj的光流在y方向的分量；為有效表示頂點(diǎn)pi和pj光流矢量的差異性，本方法引入矢量模mij和矢量夾角αij的聯(lián)合表示度量其差異性，表示為：

其中σ表示矢量模mij的權(quán)重系數(shù)，取為0.2；β表示矢量夾角αij的權(quán)重系數(shù)，取為0.8；

區(qū)域c1和區(qū)域c2表示無(wú)向圖g中的兩個(gè)區(qū)域，根據(jù)無(wú)向圖g的最小生成樹(shù)，如果滿足條件：dif(c1,c2)＞mint(c1,c2)，則區(qū)域c1和區(qū)域c2需要分割；

其中，dif(c1,c2)＝minω(pi,pj)，其中pi∈c1,pj∈c2,(pi,pj)∈e，表示兩個(gè)分割區(qū)域c1、c2之間頂點(diǎn)相互連接的最小邊的權(quán)值，表示區(qū)域的類間差異；mint(c1,c2)＝min(int(c1)+τ(c1),int(c2)+τ(c2))，分割區(qū)域的合并指標(biāo)|c|是指分割部分頂點(diǎn)的個(gè)數(shù)，k為閾值參數(shù)，int(c)＝maxω(pi,pj)，其中pi,pj∈c,(pi,pj)∈e,表示分割區(qū)域的類內(nèi)差異，即分割區(qū)域c中包含的最大邊的權(quán)值；

步驟五、因步驟三無(wú)法準(zhǔn)確得到背景區(qū)域，因此經(jīng)步驟四分割后的各區(qū)域除了包含行人、非行人物體外，還可能包含步驟三中無(wú)法完全剔除的背景，需進(jìn)一步減少上述非行人區(qū)域，利用人體形態(tài)的相關(guān)指標(biāo)進(jìn)行判斷其是否為行人，剔除非行人區(qū)域：

選取物體的高度與寬度之比l、區(qū)域面積s、區(qū)域面積與圈定區(qū)域的矩形窗口面積之比sn作為判別指標(biāo)，來(lái)判斷某區(qū)域是否為行人區(qū)域；如果l、s、sn同時(shí)滿足l∈(lmin，lmax)，s∈(smin，smax)，sn∈(snmin，snmax)，則該區(qū)域?yàn)樾腥藚^(qū)域，獲得行人區(qū)域后，將除了行人區(qū)域外的其他非行人區(qū)域剔除；

其中l(wèi)max是為高度與寬度比設(shè)定的最大值、lmin是為高度與寬度比設(shè)定的最小值；smax是為區(qū)域面積設(shè)定的最大值、smin是為區(qū)域面積設(shè)定的最小值；snmax是為區(qū)域面積與圈定區(qū)域的矩形窗口面積之比設(shè)定的最大值、snmin是為區(qū)域面積與圈定區(qū)域的矩形窗口面積之比設(shè)定的最小值，lmax、lmin、smax、smin、snmax和snmin的具體取值均通過(guò)以手工標(biāo)定的方式進(jìn)行的大量實(shí)驗(yàn)來(lái)獲得。

將本發(fā)明所述方法分別在jlu-pds車載實(shí)驗(yàn)平臺(tái)與國(guó)際daimler車載行人測(cè)試視頻集進(jìn)行測(cè)試。jlu-pds實(shí)驗(yàn)環(huán)境選取了吉林大學(xué)校園內(nèi)車輛運(yùn)行環(huán)境下的測(cè)試，實(shí)車測(cè)試時(shí)長(zhǎng)為2個(gè)小時(shí)；daimler測(cè)試視頻集為野外和城市道路上的視頻集；結(jié)合圖1所述過(guò)程，對(duì)車載攝像機(jī)拍攝的圖像分別進(jìn)行光流計(jì)算、光流聚類、運(yùn)動(dòng)場(chǎng)景背景估計(jì)、光流分割以及區(qū)域判別等步驟，獲取最終的行人區(qū)域。實(shí)驗(yàn)結(jié)果顯示本算法能夠較好地滿足行人被部分遮擋、野外、街道、人群等復(fù)雜環(huán)境下的應(yīng)用，表明了本發(fā)明的算法具有較好的環(huán)境應(yīng)用性和較好的性能。本發(fā)明的算法極大地降低了行人檢測(cè)的搜索空間，為車載環(huán)境下的行人識(shí)別提供了快速、準(zhǔn)確的行人區(qū)域估計(jì)方法。