[发明专利]基于递归结构车载单目摄像头下行人目标校验算法及系统

说明书

基于递归结构车载单目摄像头下行人目标校验算法及系统，属于车载辅助驾驶技术领域，用于解决车载单目摄像头行人检测中的行人目标错检的问题，要点是将处理后的行人目标图像作为新的待检测图像，重新输入至HOG特征行人检测系统F，得到输出行人检测框坐标和与其所对应的行人目标图像效果是将递归结构运用于HOG特征行人检测系统的输出结果，让原有的输出结果经锐化处理后作为反馈重新输入行人检测系统，不改变现有HOG特征行人检测器的结构，并且可以将行人检测中由于算法精度不高、输入图像场景过于复杂以及不相干特性信息等因素而导致的错检行人标定框进行有效去除，提升行人检测系统的准确度。

技术领域

本发明属于车载辅助驾驶技术领域，具体涉及一种基于递归结构的行人目标校验算法。

背景技术

随着无人车时代的来临，行人检测相关的处理技术也成为了热点研究方向之一。基于HOG特征的行人检测器具有较高的计算精度和较低的复杂度而成为机器学习中的热门工具。这一类检测器数量众多，结构易于理解，但却由于待检测图像会因不同场景差异、不均匀光线、密集遮挡物等一系列因素导致检测信息的复杂程度提升，很容易使行人的特征信息出现误检现象，降低检测系统的准确性。基于HOG特征的行人检测方法通过对采集的图像信息进行滤波、时频域转换等处理，得到置信度较高的行人特征从而完成对行人目标的检测。由于车载摄像头面对的环境较为多变，特征算法需要在算法复杂度较高、计算量较大的前提条件下才能够有效应对各种特殊情况中出现的行人目标框错检现象，难以在达到准确性的同时确保实时性。

对于上述的特殊、复杂场景条件，可以通过例如多检测器融合法、基于部件模型检测法、基于组合特征算法等不同的针对性算法来保证系统的准确性，但针对性算法仅对特殊场景有功效，在无遮挡物、行人与背景区分度较高、正确标定行人目标较简单的非特殊场景下进行针对性算法运算时会带来不必要的运算时间，降低了算法的实时性，给行人检测系统的实用性带来极大的影响，因此针对行人目标标定框错误现象，本发明提出基于递归结构车载单目摄像头下行人目标校验算法及系统的方法来进行有效地校验结果是否正确。为后续车载辅助驾驶等应用，给出明确地行人检测结果，尽可能地去除错误行人检测结果。

发明内容

为了解决车载单目摄像头行人检测中的行人目标错检的问题，本发明提供了一种基于递归结构车载单目摄像头下行人目标校验算法及系统。该方法和系统能够改善HOG特征的边缘梯度特征，有效地降低错检行人概率，提高行人检测系统的准确性和实用性。

本发明是通过以下技术方案实现的：

一种基于递归结构车载单目摄像头下行人目标校验算法：

第1步，将车载单目摄像头得到的实时视频图像作为输入，供给HOG特征行人检测器F，得到特征检测系统F输出数据，该输出数据包括行人检测框坐标对与其所对应的行人目标图像P_iⁿ，其中为行人目标检测框左上角坐标和右下角坐标，P_iⁿ为坐标对所确定的图像，i为HOG特征检测器输出的目标数量；

第2步，对待校验行人目标图像P_iⁿ，引入锐化核函数进行图像锐化处理计算S_a，具体算式为：

其中K_z表示核函数，定义为：

K_z＝(K_u+LoG*K_u)，K_u＝h|x_i-x|

LoG为拉普拉斯-高斯滤波器，*符号表示卷积计算，K_u表示独立适应性锐化参数，x表示原检测系统HOG检测器输出的局部特征参数，x_i表示x领域部分的特征参数，h表示面积平滑参数，初始值为1；