夜间行人检测技术的研究现状

[摘要]随着生活水平的不断提高以及汽车技术的不断进步，城市交通安全成为不容忽视的影响生存的问题之一。大量数据表明，交通事故夜间发生率较高，且伤情严重，行人安全岌岌可危。因此，以行人检测技术来辅助驾驶员，缓解驾车疲劳或光线不足产生的视线模糊，提高夜间驾车过程中对行人的识别率，成为国内外检测技术应用研究的热点之一。文章从夜间行人检测技术的社会价值、研究现状入手进行分析，提出现存问题，为今后深入研究该领域技术奠定基础。

[关键词]行人检测；夜间行车安全；社会价值

[DOI]1013939/jcnkizgsc201615045

随着人们生活水平的不断提高，汽车已成为我国代步工具中的一大种类。据国家公安部通报，2013年，全国汽车增加1651万辆、驾驶人增加1790万人。方便之余，随之而来的交通安全问题，却成为威胁人们生命的不可忽视的关键。据交通部透露，交通事故在夜间行车中发生的概率较高。有数据显示，虽然40%左右的交通事故在夜间发生，但却有高达60%的事故死亡率。由此可见，夜间行车的危险指数远远高于白天行车。因此，夜间行车安全应该得到更多的重视。

1夜间行人检测研究的社会价值

产生夜间行车安全问题的因素[1]主要有两个：其一，也是夜间交通事故发生的主要原因，是由于夜间光线较暗，驾驶员视角窄，视线模糊，不能准确地对路况进行预判，对潜在危险的处理滞后；其二，根据人体生物钟规律变化，夜间驾驶员身体的各方面机能都有明显下降，加之行车过程视觉效果不好，可依赖的条件少，为了准确、快速地对速度和距离进行判断，行车过程中驾驶员必须注意力高度集中，更容易产生紧张情绪，易疲劳。而中国城市人口密集度高，行人、自行车、电动车交错穿行，机动车驾驶员稍有不慎，就容易产生碰撞冲突，造成事故伤亡。针对中国交通现状的需求，充分利用汽车安全辅助驾驶技术对路面行人情况进行全面、正确的判断和分析，缓解汽车驾驶员视觉范围有限、精力有限的缺点，是提高我国安全行车系数的重要保障。

近年来，国内外很多学者高度关注智能视觉监控领域，在理论知识和实际应用两个方面都取得了一定的进展。行人检测也因为在此领域有着广泛的应用而备受广大学者与研究人员的热衷。然而，目前的行人检测技术尚未达到人们预期的效果。运动过程中的行人检测是一项相当复杂的工程，涉及计算机视觉和模式识别，车辆定位技术，人体形态学等诸多学科，有许多技术难点有待研究人员攻克。进行行人检测研究不论在理论研究方面或者实际应用方面均具有较高的应用价值和经济潜力。

2研究现状

行人检测与识别研究开始于20世纪90年代中期，经过大量研究，目前已形成许多可行性方案，为后期的研究人员提供了一系列具有较高参考价值的理论体系和应用系统。

21国外研究现状

目前，国外学者在行人检测图像采集途径上可分为基于可见光图像和基于红外图像两种方法。可见，光图像作为人们日常生活中的常用图像采集手段，受光照程度的影响对图像中目标的识别存在很大的差别，光线不足的条件下，能见距离和能见度会明显下降，影响正常视频图像采集。而红外成像又称红外辐射，利用电磁波强大的“穿透”能力，可以通过黑暗、烟雾等外界因素，形成可见光下看不到的目标表面的温度分布图，但因为其图像层次感差、轮廓模糊等缺陷，在日常生活中使用较少。

在行人检测方法上现有两大类[2]：第一类是基于视觉传感器的行人检测方法，常用的方法有：基于小波和支持向量机的方法、基于运动特征的方法、基于立体视觉的方法、基于形状信息的方法、基于行人模型的方法等。早期的视觉传感器系统多借鉴基于静态摄像头的静态视觉监控技术，包括图像处理中的图像分割、边缘提取、图像匹配、光流、运动检测等技术及模式识别中的一些简单分类算法。随着智能化水平的不断提高，传感器也在不断更新中。目前较为前沿的行人检测方法是基于立体视觉的方法，即利用多部摄像机作为视觉传感器，在多方位同时进行图像采集，得到场景中行人的空间信息，但算法复杂、计算量大。多数使用的方法是利用多种传感器信息融合的技术。第二类是基于非视觉传感器的行人检测方法[3]，常用的方法有：基于激光测距传感器的方法、基于微波雷达的方法、基于红外线成像传感器的方法等。两类方法均使用广泛，且结合适当的图像预处理技术和相关算法后均能用于夜间行人检测，为夜间行人检测的进行奠定了充足的基础。

现有的行人检测技术的两个主要侧重点分别为运动和形状。侧重于运动的检测方法是通过分析运动过程中人体行走的周期频率来进行行人检测。行走时，人体呈现出一定周期性的步态，处理过程中将先待检测图像序列的周期性与预先分析得到的行人步态的周期性进行对比，就可以判断出是不是行人。该方法的优点在于降低了光线变化和人体纹理产生的影响，但需要经过多帧对比才能得出判断结果，判断速度不及时，且只能检测运动过程中的行人。该方法的典型代表有基于光流法的行人检测。而侧重于形状的检测方法是通过对边缘、灰度、轮廓等信息的分析检测，达到对目标进行检测的目的。该方法既能检测运动的行人，亦能检测静止状态的行人，但易将不是行人的目标错认为行人而产生虚警信息。其典型方法有基于统计分类的方法、基于局部模型的方法和基于模板匹配的方法。但实际工程设计时，多采用两种方法同时使用，比如：Viola等人利用AdaBoost算法对人体的类Haar特征进行训练行人检测器[4]，并融合进行人的外貌特征和肢体运动信息进行检测，取得了良好效果，在有行人、非机动车和运行汽车的环境下，能较好地检测出步行的行人。

此外，利用一些交叉学科的系统对人体进行建模，通过模型对运动物体进行识别检测也是目前较可行的方法。国际上现有的可以使用的行人检测系统[5]主要有：①2004年11月，在第38届东京车展上，三菱汽车公司（戴姆勒・克莱斯勒旗下）推出的以行人检测技术为支撑的三菱扶桑概念车，该车能在不超过150km/h车速的情况下，在多种天气条件下，对行人作出快速准确的检测，为驾驶者提供危险状况报警，并提供一定的安全应急措施；②2006年3月，在第76届日内瓦车展上，雷克萨斯LS460概念车集成了立体视觉近红线外加激光雷达的行人检测系统，能够以30～40km/h的车速，在距离车辆30～50m处检测出在人行横道上行走的行人；③2007年4月，在英国伦敦科学博物馆展出的无人驾驶汽车（德国大众汽车公司研制），能在不超过183米的范围内识别各种交通标识，并利用激光摄像机对汽车周围的行人和道路状况等障碍进行检测。

22国内研究现状

我国在行人检测技术方面，主要研究静止摄像机以及图像采集条件较好的行人检测，与此同时也在积极摸索运动摄像机情况下及夜间等受自然条件制约场景的行人检测。国内进行行人检测与跟踪研究的单位现有：浙江大学、中山大学、清华大学、哈尔滨工业大学、厦门大学、重庆大学、四川大学、长安大学、安徽大学、武汉理工大学等。浙江理工大学的徐振兴针对传统形状上下文特征在行人检测中区域划分较密的问题改进区域划分的方法，并在研究中引入随机森林分类器和点对比较特征进行行人检测。[6]苏州大学的王宝兴在单视点固定摄像头场景下提出了一种基于局部时空域模型的核密度估计行人检测算法，在单视点移动摄像头场景下提出了一种融合目标多特征的行人检测算法，并提出了基于卡尔曼滤波和显著区域检测的行人识别算法[7]用于处理由于高空视频细节模糊、背景杂乱等特点所导致的行人分割与识别困难问题。南京理工大学的陶建峰针对单特征辨识度较低和人体尺度多样性问题，提出一种多特征融合的行人检测方法。[8]

3主要存在的问题

近年来，国内外学者在夜间行人检测与运动跟踪领域的研究方面取得了一定的进展，但由于学科技术发展水平有限、实验设备性能不足、视频图像环境复杂等各方面因素的限制，至今仍然不能研究出一种方法能够在各种场景条件下都通用，其中，存在的主要技术问题有以下几点：

（1）动态视频图像采集的背景多样性问题。目前，行人检测研究多以静态背景进行，原因在于动态场景下检测目标及背景环境均在不断变化中，将出现多个不同类型复杂目标的遮挡问题。车身摄像机随车辆的抖动、偏转会发生拍摄角度及清晰度的变化，影响行人识别与检测的准确率。且对行人检测系统的鲁棒性（即应对“突然打击下”的适应能力）提出了更高的要求。

（2）夜间图像采集的复杂性问题。首先，夜间光线较弱，图像灰度值较高，色彩辨析困难，导致干扰因素多，阴影面积大；其次，现有的夜间图像采集多数使用红外线设备，红外图像分辨率低，层次感差，纹理信息少，轮廓模糊，导致夜间行人目标的检测难度更大。因此，目前进行夜间行人检测的研究项目的比重相对较低。

（3）行人外观和姿态的多样性问题。人体柔韧性强，具有多种形态，结合身材和衣着的差异，往往在行人识别检测中相差甚远。现有的行人特征有多种，但要获得较好的检测结果，既受到图像本身属性的直接影响，又取决于使用算法的选择，所以，通常不直接将特定的特征和通用的算法应用于行人识别检测。

（4）行人检测目标的快速准确判断。车载嵌入式系统随着车辆的行驶，行车速度、行车环境都在不断变化，相应采集到的图像信息复杂性高，且计算机运算速度有限，因此，如何快速地对采集到的目标进行分割、识别与检测成为实时检测系统的一大难题。

参考文献：

[1]田翠翠基于红外图像的夜间行人检测技术研究[D].重庆：重庆大学，2010.

[2]许腾，黄铁军，田永鸿车载视觉系统中的行人检测技术综述[J].中国图像图形学报，2013，18（4）：359-367

[3]庄家俊，刘琼面向辅助驾驶的夜间行人检测方法[J].华南理工大学学报，2012，40（8）：56-62

[4]陈志恒，姜明新基于OpenCV的人脸检测系统的设计[J].电子设计工程，2012，20（10）：182-185

[5]单晓森混合交通中行人检测方法研究[D].哈尔滨：哈尔滨工程大学，2011.

[6]徐振兴基于机器视觉的行为检测和跟踪技术研究[D].杭州：浙江理工大学，2012.

[7]王兴宝复杂场景下多姿态行人检测与识别方法研究[D].苏州：苏州大学，2012.

[8]陶建峰基于多特征融合的行人检测方法研究[D].南京：南京理工大学，2013.