一种基于视频分析的车辆避让行人检测方法技术

本发明专利技术属于智能交通领域，尤其涉及一种基于视频分析的车辆避让行人检测方法。该方法包括以下步骤：1)样本采集：从实际场景中截取，采集车辆和行人的正负样本；2)样本预处理：对采集的样本进行灰度化处理，并进行尺寸缩放；3)特征提取：计算图像梯度，进行梯度方向投票，对梯度方向投票进行计算及优化，直方图归一化并收集特征向量；4)分类器训练；5)目标快速检测：检测出标定区域内所有的车辆和行人目标，并返回目标的中心位置坐标；6)进行违法判断。本发明专利技术可以主动检测车辆和行人在行经未设置交通信号的交叉口时的潜在冲突，提前提醒驾驶员注意避让，减少交通事故；同时督促驾驶员养成文明、安全的驾驶习惯，提升城市文明形象。

【技术实现步骤摘要】

本专利技术属于智能交通领域，尤其涉及一种基于视频分析的车辆避让行人检测方法。
技术介绍
近些年来，随着我国城市进程化推进和道路交通压力的增大，交通安全形势日趋严峻，城市道路口尤其是未设置交通信号灯的交叉路口，车辆与行人的通行权长期以来存在明显冲突。我国法律明确规定，机动车行经没有交通信号的道路时，遇行人横过道路，应当避让。但是由于缺乏有效的监督和检测手段，一些机动车辆在行经未设置交通信号灯的路口时，依然我行我素，不注意避让行人，常常不经意间酿成严重事故。
技术实现思路
本专利技术为解决
技术介绍
中存在的上述技术问题，而提供一种基于视频分析的车辆避让行人检测方法，通过嵌入相机的智能分析算法，对未设置交通信号灯的交叉口的通行车辆和行人轨迹进行实时分析，对于可能出现威胁行人安全的驾驶行为进行远程告警和抓拍，从而督促驾驶员形成规范、文明的驾驶习惯，确保道路交叉口的持续安全通行。本专利技术的技术解决方案如下：本专利技术为一种基于视频分析的车辆避让行人检测方法，其特殊之处在于：该方法包括以下步骤：1)样本采集：从实际场景中截取，采集车辆和行人的正负样本；2)样本预处理：对采集的样本进行灰度化处理，并进行尺寸缩放；3)特征提取：计算图像梯度，进行梯度方向投票，对梯度方向投票进行计算及优化，直方图归一化并收集特征向量；4)分类器训练；5)目标快速检测：检测出标定区域内所有的车辆和行人目标，并返回目标的中心位置坐标；6)进行违法判断。上述步骤1)的具体步骤如下：1.1)采集车辆的正负样本，从实际场景中截取；正样本包含多种光照下多种车辆类型的正面截图；负样本的选取无特殊要求，从实际场景中不包含车辆正面的图像中截取，道路，树木，车辆目标的部分部件等均可作为负样本；1.2)采集行人的正负样本，从实际场景中截取；正样本包含多种光照下多种行人的正面截图；负样本的选取无特殊要求，从实际场景中不包含行人正面的图像中截取，道路，树木，行人目标的部分等均可作为负样本。上述步骤2)的具体步骤如下：2.1)首先将行人和车辆所有的正负样本进行灰度化处理；2.2)将行人样本的尺寸缩放至高96像素,宽48像素；车辆样本缩放至高56像素，宽56像素。上述步骤3)的具体步骤如下：3.1)计算图像梯度分别计算图像中的像素点I(x,y)处的灰度值的梯度幅度和角度：3.2)梯度方向投票3.2.1)Block和Cell参数的设置和数量计算特征向量按照图像内Block的移动顺序依次收集，每个Block包含2*2个Cell，每个Cell为8*8像素的正方形区域，Block的移动步长为8像素，从图像的左上角开始从左到右从上到下依次遍历图像；对于行人样本，其图像宽度共包含(48-16)/8+1＝5个Block，图像高度共包括(96-16)/8+1＝11个Block；对于车辆样本，其图像宽度和图像高度均包含(56-16)/8+1＝6个Block，整幅样本图像共36个Block；3.2.2)像素梯度在Cell内投票在求得样本中所有像素的灰度梯度值后，按梯度角度方向在每个Block中的每个Cell内依次进行投票；若认为投票方向单向，则投票方向在0°～360°之间分布,每隔20°一个方向，即0°,20°,40°...，360°,共18个方向；若投票双向则其分布在0°～180°之间，将每相隔180°的两个方向合并为一个方向，即0°(180°),20°(200°),...,180°(360°)共9个方向，当每出现一个对应的梯度角度时，在对应梯度方向上加一票，最终统计的票数即为该Cell内的特征向量；3.2.3)每张样本特征向量数目的计算以双向投票为例，每个Cell内生成9维特征向量，每个Block内共有36维特征向量。由于每个行人样本共有55个Block，则每张行人样本图像共生成55*36＝1980维特征向量；每个车辆样本共有36个Block，则每张车辆样本图像共生成36*36＝1296维特征向量。每个Block内特征向量的组成可以按照规则确定，但需要与目标检测时特征向量的排序一致；将该特征向量进行归一化后即可获得每幅样本的特征数据；3.3)梯度方向投票算法及优化3.3.1)一维线性插值实际中Cell内像素的梯度方向可能与9个投票方向都不一致，这时投票的权重需要依据实际梯度方向与标准梯度方向之间的距离按线性比例分配票数，离得越近，投的票数越多。如在某像素处计算出的梯度方向为35°，梯度幅度为w，则在20°和40°分别投票0.25*w和0.75*w；3.3.2)三维线性插值投票算法优化为了增加目标检测的鲁棒性，不但要考虑Block内某一像素对其所在Cell内的各方向投票，还须考虑其对相邻Cell产生的影响，在平面内对其相邻Cell(即x,y方向)产生的投票和对梯度方向的投票称为三维线性插值，方法如下：3.3.2.1)4个角落的白色区域像素不再向相邻的Cell内都投票，而只向其所在Cell投票；3.3.2.2)灰色区域的像素保持不变，只向其相邻的2个Cell投票；3.3.2.3)中间的4个Cell临界的白色区域内的像素需要向Block内4个Cell都进行投票；3.4)直方图归一化并收集特征向量对提取出的特征向量进行L2-norm归一化，设特征向量为v，则根据以下公式进行归一化：其中，ε取0.0001。上述步骤4)中，分类器训练算法采用成熟的SVM支撑向量机分类算法，为保证分类的精度，采用三组交叉验证方式，即将训练用的样本分为三组，其中一组用作训练，另外两组样本用作验证；如将行人正样本共3000张，分为3组，轮流用其中一组用作训练，另外两组用作测试，取在测试中分类精度最高的一组样本和分类器作为最终的分类器。上述步骤4)的具体步骤如下：4.1)选择行人正样本3000张，分为3份，每份各1000张样本图像，将每份图像按前述步骤进行样本预处理和特征提取后，得到3组1000*1980维特征向量，并建立3组1000*1维的标签向量，标记为+1；4.2)选择行人负样本2000张，按前述步骤进行样本预处理和特征提取后，得到2000*1980维特征向量，并建立2000*1维的标签向量，标记为-1；4.3)分类器的核函数类型选择LINEAR线性核函数，惩罚因子设置为0.5；4.4)将组1的正样本的特征向量和标签向量、所有负样本特征向量和标签向量送入训练算法，得到分类器1；利用分类器1对组2和组3的正样本图像进行分类，得到检测率d1；4.5)将组2的正样本的特征向量和标签向量、所有负样本特征向量和标签向量送入训练算法，得到分类器2；利用分类器2对组1和组3的正样本图像进行分类，得到检测率d2；4.6)将组3的正样本的特征向量和标签向量、所有负样本特征向量和标签向量送入训练算法，得到分类器3；利用分类器3对组1和组2的正样本图像进行分类，得到检测率d3；4.7)比较d1,d2和d3,将检测率最高的一个分类器作为行人检测最终的分类器；4.8)车辆分类器的训练流程和行人一致，选择正样本1000张，分2组；负样本1000张，重复以上步骤即可。上述步骤5)的具体步骤如下：5.1)图像灰度化所有从前端摄像头获取的实时图像在进行目标检测之前进行灰度化处理，灰度范围0～255；5.2)图像尺寸缩放所有从前端摄像头获取的本文档来自技高网...

【技术保护点】
一种基于视频分析的车辆避让行人检测方法，其特征在于：该方法包括以下步骤：1)样本采集：从实际场景中截取，采集车辆和行人的正负样本；2)样本预处理：对采集的样本进行灰度化处理，并进行尺寸缩放；3)特征提取：计算图像梯度，进行梯度方向投票，对梯度方向投票进行计算及优化，直方图归一化并收集特征向量；4)分类器训练；5)目标快速检测：检测出标定区域内所有的车辆和行人目标，并返回目标的中心位置坐标；6)进行违法判断。

【技术特征摘要】
1.一种基于视频分析的车辆避让行人检测方法，其特征在于：该方法包括以下步骤：1)样本采集：从实际场景中截取，采集车辆和行人的正负样本；2)样本预处理：对采集的样本进行灰度化处理，并进行尺寸缩放；3)特征提取：计算图像梯度，进行梯度方向投票，对梯度方向投票进行计算及优化，直方图归一化并收集特征向量；4)分类器训练；5)目标快速检测：检测出标定区域内所有的车辆和行人目标，并返回目标的中心位置坐标；6)进行违法判断。2.根据权利要求1所述的基于视频分析的车辆避让行人检测方法，其特征在于：所述步骤1)的具体步骤如下：1.1)采集车辆的正负样本，从实际场景中截取；正样本包含多种光照下多种车辆类型的正面截图；负样本的选取无特殊要求，从实际场景中不包含车辆正面的图像中截取，道路，树木，车辆目标的部分部件等均可作为负样本；1.2)采集行人的正负样本，从实际场景中截取；正样本包含多种光照下多种行人的正面截图；负样本的选取无特殊要求，从实际场景中不包含行人正面的图像中截取，道路，树木，行人目标的部分等均可作为负样本。3.根据权利要求2所述的基于视频分析的车辆避让行人检测方法，其特征在于：所述步骤2)的具体步骤如下：2.1)首先将行人和车辆所有的正负样本进行灰度化处理；2.2)将行人样本的尺寸缩放至高96像素,宽48像素；车辆样本缩放至高56像素，宽56像素。4.根据权利要求3所述的基于视频分析的车辆避让行人检测方法，其特征在于：所述步骤3)的具体步骤如下：3.1)计算图像梯度分别计算图像中的像素点I(x,y)处的灰度值的梯度幅度和角度：R(x,y)=(I(x+1,y)-I(x-1,y))2+(I(x,y+1)-I(x,y-1))2]]>Angle(x,y)=arctan(I(x,y+1)-I(x,y-1)I(x+1,y)-I(x-1,y))]]>3.2)梯度方向投票3.2.1)Block和Cell参数的设置和数量计算特征向量按照图像内Block的移动顺序依次收集，每个Block包含2*2个Cell，每个Cell为8*8像素的正方形区域，Block的移动步长为8像素，从图像的左上角开始从左到右从上到下依次遍历图像；对于行人样本，其图像宽度共包含(48-16)/8+1＝5个Block，图像高度共包括(96-16)/8+1＝11个Block；对于车辆样本，其图像宽度和图像高度均包含(56-16)/8+1＝6个Block，整幅样本图像共36个Block；3.2.2)像素梯度在Cell内投票在求得样本中所有像素的灰度梯度值后，按梯度角度方向在每个Block中的每个Cell内依次进行投票；若认为投票方向单向，则投票方向在0°～360°之间分布,每隔20°一个方向，即0°,20°,40°...，360°,共18个方向；若投票双向则其分布在0°～180°之间，将每相隔180°的两个方向合并为一个方向，即0°(180°),20°(200°),...,180°(360°)共9个方向，当每出现一个对应的梯度角度时，在对应梯度方向上加一票，最终统计的票数即为该Cell内的特征向量；3.2.3)每张样本特征向量数目的计算以双向投票为例，每个Cell内生成9维特征向量，每个Block内共有36维特征向量；由于每个行人样本共有55个Block，则每张行人样本图像共生成55*36＝1980维特征向量；每个车辆样本共有36个Block，则每张车辆样本图像共生成36*36＝1296维特征向量；每个Block内特征向量的组成可以按照规则确定，但需要与目标检测时特征向量的排序一致；将该特征向量进行归一化后即可获得每幅样本的特征数据；3.3)梯度方向投票算法及优化3.3.1)一维线性插值实际中Cell内像素的梯度方向可能与9个投票方向都不一致，这时投票的权重需要依据实际梯度方向与标准梯度方向之间的距离按线性比例分配票数，离得越近，投的票数越多；如在某像素处计算出的梯度方向为35°，梯度幅度为w，则在20°和40°分别投票0.25*w和0.75*w；3.3.2)三维线性插值投票算法优化为了增加目标检测的鲁棒性，不但要考虑Block内某一像素对其所在Cell内的各方向投票，还须考虑其对相邻Cell产生的影响，在平面内对其相邻Cell(即x,y方向)产生的投票和对梯度方向的投票称为三维线性插值，方法如下：3.3.2.1)4个角落的白色区域像素不再向相邻的Cell内都投票，而只向其所在Cell投票；3.3.2.2)灰色区域的像素保持不变，只向其相邻的2个Cell投票；3.3.2.3)中间的4个Cell临界的白色区域内的像素需要向Block内4个Cell都进行投票；3.4)直方图归一化并收集特征向量对提取出的特征向量进行L2-norm归一化，设特征向量为v，则根据以下公式进行归一化：v′=v/||v22||+ϵ2,]]>其中，ε取0.0001。5.根据权利要求4所述的基于视频分析的车辆避让行人检测方法，其特征在于：所述步骤4)中，分类器训练算法采用SVM支撑向量机分类算法，为保证分类的精度，采用三组交叉验证方式，将训练用的样本分为三组，其中一组用作训练，另外两组样本用作验证；如将行人正样本共3000张，分为3组，轮流用其中一组用作训练，另外两组用作测试，取在测试中分类精度最高的一组样本和分类器作为最终的分类器。6.根据权利要求5所述的基于视频分析的车辆避让行人检测方法，其特征在于：所述步骤4)的具体步骤如下：4.1)选择行人正样本3000张，分为3份，每份各1000张样本图像，将每份图像按前述步骤进行样本预处理和特征提取后，得到3组1000*1980维特征向量，并建立3组1000*1维的标签向量，标记为+1；4.2)选择行人负样本2000张，按前述步骤进行样本预处理和特征提取后，得到2000*1980维特征向量，并建立2000*1维的标签向量，标记为-1；4.3)分类器的核函数类型选择LINEAR线性核函数，惩罚因子设置为0.5；4.4)将组1的正样本的特征向量和标签向量、所有负样本特征向量和...

【专利技术属性】
技术研发人员：王龙，孙超，赵青，
申请(专利权)人：西安翔迅科技有限责任公司，
类型：发明
国别省市：陕西;61