论文部分内容阅读
车载热成像行人检测是高级驾驶辅助系统的关键技术之一,也是计算机视觉领域的热门研究方向。热成像不受环境光照条件影响,对低能见度鲁棒,受到广泛重视。由于背景动态复杂、行人外观多变、细节信息缺失等,热成像行人检测在权衡检测率和实时性等方面仍极具挑战性。相比热成像,近年来可见光目标检测提出许多代表性的方法成果:基于EdgeBox的Ro Is提取方法在召回率和实时性等都取得突破,它以边缘信息为线索特征,具有应用到热成像的潜力;分类检测环节通过改进可见光样本,有效权衡检测率和实时性。本文针对车载热成像行人检测对实时性和检测率的要求,围绕热成像系统的成像特点,以及交通场景下行人目标和背景的特性,基于可见光目标检测的相关成果,提出针对实时性和召回率改进的热成像RoIs提取方法,以及基于样本增强的热成像分类检测方法。本文的主要工作如下:(1)针对EdgeBox方法在可见光和热成像都具有较高召回率、但实时性仍不足的情况,提出一种Fast-EdgeBox方法用于快速热成像Ro Is提取。根据可见光通用目标和热成像行人的特性差异,提出级联行人尺寸约束和自适应局部双阈值分割方法的策略,过滤EdgeBox滑窗遍历阶段产生的边界框,尽量滤除非行人边界框。实验表明改进方法的有效性,能够维持原有方法的高召回率,且有效降低计算耗时和减少Ro Is数量。(2)针对EdgeBox方法在热成像出现召回率下降的问题,提出改进召回率的热成像RoIs提取方法。通过对比可见光和热成像稀疏边缘响应图的差异,分析EdgeBox对热成像行人召回率下降的原因。以Fast-EdgeBox方法为基础:提出竖直边缘增强策略,判断图像中可能的行人竖直边缘,增强其幅值;提出得分评估改进策略,根据行人的轮廓特征使用“T”型模板对过滤后的边界框进行得分评估,在去除边界框内部的无关边缘时能够保留可能的行人腿部信息;提出基于行人强尺寸约束的RoIs重排序策略,提高疑似行人Ro Is的排名。实验表明改进方法能够有效提高召回率,而实时性略有降低。(3)针对分类检测对兼顾实时性和检测率的要求,提出基于样本增强的热成像分类检测方法。分析现有热成像样本存在的问题,提出针对样本在数量和数据分布等方面的改进策略,生成增强正负样本,用于训练ACF-T+THOG特征和AdaBoost算法构成的分类器。实验表明改进方法相比使用原始样本的同类型方法,能够有效降低漏检率。