5的線段為對角線的矩形的運算區(qū)域116內(nèi)的像素值的總和。在這種情況下，可以通過從位置114和位置115處的積分像素值的和中減去位置117和位置118 (剩余的2個頂點)處的積分像素值的和，來求出運算區(qū)域116內(nèi)的像素值的總和。與依次讀取圖像區(qū)域80內(nèi)的每個像素的像素值后進行求和的方法相比，采用這種計算方法，能夠大幅減少對存儲器(存儲部34)的訪問次數(shù)。因此能夠高速進行對像素值求和的運算處理。
[0062]在步驟S4中，數(shù)據(jù)壓縮處理部44對在步驟S3中生成的各積分圖像101-108執(zhí)行細化處理(Thinning Processing、像素挑選處理)，以削減圖像的像素數(shù)。這里，細化處理是指沿著圖像區(qū)域100(參照圖7)的至少一個方向，至少每隔I個(像素)間隔來提取像素的處理。在本實施方式中，數(shù)據(jù)壓縮處理部44在二維平面上，具體來說，沿著X方向以及與X方向垂直的Y方向分別執(zhí)行細化處理，但是，也可以僅沿著X方向和Y方向中的任意一個方向(X方向或者Y方向)執(zhí)行細化處理。
[0063]如圖8A所示，各積分圖像101-108由配置在二維平面上的多個像素120構(gòu)成，該像素120在X方向上有1200個，在Y方向上有600個。數(shù)據(jù)壓縮處理部44例如沿X方向每隔2個像素(每3個像素提取I個)，且沿Y方向每隔2個像素間隔(每3個像素提取I個)來提取像素。從而使相當于整個像素120的1/9的提取像素122 (帶陰影的矩形單元)分別被提取出來，并且，使相當于整個像素120的8/9的排除像素124(不帶陰影的矩形單元)被分別除去。
[0064]因此，如圖8B所示，數(shù)據(jù)壓縮處理部44獲得X方向上400個、Y方向上200個的提取像素122配置在二維平面上的積分圖像(下面，稱為第I壓縮圖像131-138 (壓縮數(shù)據(jù)))。并且，第I壓縮數(shù)據(jù)131-138分別存儲在存儲部34中的與存儲有積分對象區(qū)域81-88的存儲區(qū)域相同或者不同的區(qū)域內(nèi)。
[0065]下面，參照圖9A-9C說明通過實施上述細化處理(步驟S4)而得到的作用效果。各圖均是表示輸入到圖1的積分對象區(qū)域制作部40的拍攝圖像Im的示意圖。
[0066]圖9A是表示在不改變分辨率的情況下的拍攝圖像Im的示意圖。在這種情況下，雖然拍攝圖像Im的細微部位被適當?shù)乇憩F(xiàn)出來，但是會產(chǎn)生在之后的識別處理中所要處理的數(shù)據(jù)量龐大的問題。
[0067]圖9B是表示在使分辨率橫縱變?yōu)楫斍胺直媛实?/3倍(相當于單個像素的尺寸增大為3倍)之后的拍攝圖像Im的示意圖。在這種情況下，能夠大幅減少(大約90% )積分圖像的數(shù)據(jù)量，但是則會產(chǎn)生新的問題，即，因分辨率的降低，導致圖像自身的信息量的減少。具體來說，伴隨著原圖像的分辨率的降低，喪失了對象物的細微特征(輝度梯度強度
1、輝度梯度角Θ)。
[0068]圖9C是在不改變分辨率的情況下的拍攝圖像Im的示意圖。由本圖可知，與圖9A相同，細微部位被適當?shù)乇憩F(xiàn)出來。這里，在積分圖像101-108生成之后執(zhí)行細化處理，能夠大幅削減(大約90%)數(shù)據(jù)量，并且能夠保留與各積分像素值有關的大致與圖9A的情況相等的細微的信息。其原因在于，積分圖像中保持了每個像素的積分像素值，該積分像素值自身不會受到之后進行的細化處理的影響。
[0069]其中，當圖像特征量用直方圖，且積分對象圖像81-88是表示拍攝圖像Im的各像素74是否處于直方圖的任意一部分的2值投票數(shù)據(jù)時，所要處理的積分圖像的數(shù)量有增多的傾向，因而在此情況下進行壓縮處理對數(shù)據(jù)量的削減效果尤其顯著。
[0070]另外，為了實現(xiàn)遠距離且大視角范圍的檢測，通常在車輛12上搭載圖像分辨率較高的攝像頭14。這樣得到的具有較高分辨率的拍攝圖像Im有積分圖像的像素數(shù)變多且數(shù)據(jù)列(像素值)的有效位數(shù)(有效比特數(shù))變大的傾向，因而在此情況下進行壓縮處理對數(shù)據(jù)量的削減效果尤其顯著。
[0071]在步驟S5中，數(shù)據(jù)壓縮處理部44對在步驟S4中經(jīng)細化處理后得到的各第I壓縮圖像131-138執(zhí)行位數(shù)削減處理，即，對各第I壓縮圖像131-138中的像素單元的數(shù)據(jù)量至少削減I位(比特)。
[0072]如圖10所示，數(shù)據(jù)列140是二進制數(shù)據(jù)，其表征的是與終點112 (參照圖7)相對應的提取像素122 (參照圖8)的積分像素值(3字節(jié))。下面，在數(shù)據(jù)列140和后述的數(shù)據(jù)列142、144中，將最低有效位(LSB)稱為第I位、將最高有效位(MSB)稱為第24位。
[0073]在本實施方式中，由于各積分對象圖像81-88(參照圖6)中的像素值均為非負值(O或者I)，因而，數(shù)據(jù)列140所表示的值相當于提取像素122中的最大值。換言之，數(shù)據(jù)列140的有效位數(shù)為18位(比特)，第19-第24位的值均為O。另外，在圖8A所例示的圖像區(qū)域100的情況下，理論上最大可以采用19.5位的值，但是，在輝度梯度角Θ大致相同的情況下，最大值約為17位。
[0074]如圖10所示，數(shù)據(jù)壓縮處理部44通過對數(shù)據(jù)列140進行移位運算，從而得到第18位的值與第24位(MSB)的值一致的數(shù)據(jù)列142。然后，如圖10所示，數(shù)據(jù)壓縮處理部44保留數(shù)據(jù)列142中的高位側(cè)的16位(2字節(jié))，去掉低位側(cè)的8位(I字節(jié))，從而得到作為實質(zhì)有效值的2字節(jié)的數(shù)據(jù)列144。另外，通過刪除低位側(cè)的位，也能夠得到在數(shù)據(jù)中去除利用攝像頭14攝像時混入的電氣噪聲的效果。
[0075]或者，數(shù)據(jù)壓縮處理部44可以根據(jù)運算部30和存儲部34間進行數(shù)據(jù)傳送的協(xié)議，來確定位數(shù)的削減量。例如，可按照壓縮后的數(shù)據(jù)列140的數(shù)據(jù)量為數(shù)據(jù)傳送單位的整數(shù)倍的方式來削減位數(shù)，從而能夠減少所要傳送的數(shù)據(jù)總量。
[0076]因此，數(shù)據(jù)壓縮處理部44能夠得到積分圖像(下面稱為第2壓縮圖像151-158 (壓縮數(shù)據(jù)))，其由二維的提取像素122構(gòu)成，該提取像素122由2字節(jié)的積分像素值構(gòu)成。并且，第2壓縮圖像151-158分別存儲在存儲部34中與存儲有第I壓縮圖像138的存儲區(qū)域箱體或者不同的區(qū)域內(nèi)。
[0077]在步驟S6中，運算部30開始對拍攝圖像Im進行光柵掃描(raster scan)。這里，光柵掃描是指如下方法，即，使(設定的)基準位置68 (參照圖4B ;拍攝圖像Im內(nèi)的像素)沿掃描方向移動規(guī)定量(掃描間隔)的同時，(針對每次移動)逐次進行識別拍攝圖像Im中是否存在對象物的處理。下面，識別對象區(qū)域確定部48逐次確定當前掃描中的基準位置68以及根據(jù)該基準位置68確定的識別對象區(qū)域70 (同樣參照圖4B)的位置和尺寸。首先，識別對象區(qū)域確定部48對基準位置68和識別對象區(qū)域70進行初始設定。
[0078]在每次進行光柵掃描時，數(shù)據(jù)獲得部部46及時從存儲部34中讀取得到第2壓縮圖像151-158。在本實施方式中，數(shù)據(jù)獲得部46只要直接讀取預先存儲在存儲部34中的第2壓縮圖像151-158中指定地址的積分像素值即可，不需要進行其他的處理。數(shù)據(jù)獲得部部46在讀取積分對象圖像81-88時，也可以進行等同于由數(shù)據(jù)壓縮處理部44進行的細化處理(參照步驟S4)和/或者位數(shù)削減處理(參照步驟S5)的處理。
[0079]在步驟S7中，對象物識別部50識別所確定的識別對象區(qū)域70內(nèi)是否存在至少一種對象物。在進行該識別處理之前，數(shù)據(jù)獲得部部46從存儲部34中讀取得到運算所需的各種數(shù)據(jù)(例如，第2壓縮圖像151-158)。
[0080]在由數(shù)據(jù)壓縮處理部44執(zhí)行位數(shù)削減處理(參照步驟S5)時，數(shù)據(jù)獲得部部46將第2壓縮圖像151-158固有的數(shù)據(jù)定義(形式)變更為適于輸入對象物識別部50的數(shù)據(jù)定義(形式)。例如，可以將所削減的位數(shù)和位偏移量(位數(shù)和方向)恢復，也可以不變更數(shù)據(jù)定義(形式)而直接獲取。
[0081]具體來說，對象物識別部50依次得到與區(qū)間72相對應的第2壓縮圖像151-158的積分像素值，將分別計算出的屬于第1-第8部分的像素數(shù)而得到的各值連接起來，制作出與該區(qū)間72相對應的直方圖。然后，對象物識別部50依次將每個區(qū)間72的直方圖連接起來，得到識別對象區(qū)域70內(nèi)的作為圖像特征量的一種的HOG特征量。該圖像特征量不管其種類或者計算方法如何，除以HOG特征量為代表的邊緣特征量以外，也可以為以Haar-Like特征量為代表的輝度特征量。
[0082]對象物識別部50是利用機器學習法(智能學習法)而形成的識別器，其以識別對象區(qū)域70中的圖像特征量(例如，HOG特征量)為輸入信息，以表示“是否存在對象物”的信息為輸出信息(即，其被輸入識別對象區(qū)域70中的圖像特征量，而輸出的是表示是否存在對象物的信息)。作為機器學習的方法，可以采用監(jiān)督學習、非監(jiān)督學習及強化學習中的任何一種算法。作為學習模型的例子，例如有包含AdaBoost的提高算法(即，Boosting算法)、SVM(Support Vector machine)、神經(jīng)網(wǎng)絡、EM(Expectat1n Maximizat1n)算法等。
[0083]另外，可識別的對象物的種類除人(圖4A中的行人66)外，也可以為各種動物(具體為鹿、馬、羊、貓等哺乳動物、鳥類等)、人造物(具體為車輛、標識、電線桿、護欄、墻等)等。
[0084]在步驟S8中，識別對象區(qū)域確定部48判別對指定像素的掃描是否已經(jīng)全部結(jié)束。當判別為未結(jié)束時(步驟S8:NO)，進入下一個步驟(S9