[发明专利]一种基于视觉融合的行人检测方法

说明书

本发明公开了一种基于视觉融合的行人目标检测方法、通过双目摄像机采集道路图像，对图像进行预处理，完成目标ROI分割，在单目摄像机采集中通过SSD深度学习模型检测ROI图像，在双目摄像机中计算ROI原始视差图，分析得到目标区域，融合单目视觉目标检测结果，得到最终目标检测结果。基于U‑V视差图，利用三角测量原理计算出目标行人与自身车辆的距离。本发明相较于现有方法，对行人目标的检测识别率更高，在检测行人目标时具有较好的实时性且精度较高。

技术领域

本发明属于目标检测领域，具体涉及一种基于视觉融合的行人检测方法。

背景技术

目前，行人检测技术已被广泛应用于先进驾驶员辅助系统，而系统环境感知部分大多使用视觉摄像头或车载雷达。视觉摄像头价格低廉，获取的图像包含丰富的场景信息，例如：颜色、纹理等信息。但是，视觉摄像头在目标识别、距离测量、相对速度计算等方面计算量较大，难以达到较好的实时性。

发明内容

为了解决行人检测过程中检测速度和检测精度以及难以识别的问题，本发明提供一种基于视觉融合的行人检测方法，包括步骤。

步骤(1)利用双目摄像机采集图像，对图像进行预处理，利用累积概率霍夫变换检测车道线，根据车道线交点确定道路消失点，以道路消失点纵坐标所在直线完成行人目标检测ROI分割。

步骤(2)在单目摄像机采集的视频图像中利用基于SSD深度学习模型的目标检测方法检测ROI图像，确定行人目标所在矩形区域，在双目摄像机采集视频图像中计算ROI图像原始视差图，提取U-V视差图，分析到目标区域，与基于SSD深度学习模型的单目视觉目标检测结果相融合，根据视觉融合规则得到最终目标检测结果。

步骤(3)基于U-V视差图的行人目标测距方法处理U-V视差图得到行人目标左部分、右部分、上部分、下部分视差，计算4部分视差平均值得到目标区域视差，利用三角测量原理计算出目标与自车距离。

进一步的，步骤(1)具体为：利用累积概率霍夫变换检测车道线，进而根据车道线交点计算得到的道路消失点，最后通过道路消失点确定道路消失线分割原始行车视频图像，完成车辆与行人目标检测ROI分割。

其中，车道线检测分为3步：高斯滤波、Canny边缘检测、累积概率霍夫变换直线检测。

通过高斯滤波对图像进行平滑处理。

Canny边缘检测利用Sobel算子计算梯度幅值与方向，计算公式是：

式中G_x表示图像在水平X轴方向的一阶导数，G_y表示图像在竖直Y轴方向的一阶导数，矩阵A为图像像素矩阵。

图像梯度幅值图像梯度方向角θ＝arctan(G_y/G_x)。对于单个边缘像素点，梯度方向角分为4个方向：0°，45°，90°，135°。

得到边缘二值图像后，利用累积概率霍夫变换拟合边缘像素点得到直线段，过像素点M(x₀,y₀)的直线族表示为r＝x₀cosθ+y₀sinθ，得到某条直线段l_i上的两点p_{i_1}，p_{i_2}，在图像像素坐标系上的坐标为相应的齐次坐标为p_{i_1}(x_{i_1},y_{i_1},1)^T，p_{i_2}(x_{i_2},y_{i_2},1)^T。直线l_i在图像像素坐标系上的齐次坐标e_i＝(a_i,b_i,c_i)^T计算公式是：