利用Adaboost算法实现行人的快速检测，结合Kalman滤波原理跟踪行人

摘要：为提高城市交通环境中车辆的主动安全性，保障行人安全，提出一种基于车载视觉传感器的行人保护方法。利用Adaboost算法实现对行人的快速检测，利用卡尔曼滤波原理对行人进行跟踪，获取行人的运行轨迹。该方法使用离散Adaboost算法训练样本的Haar-like特征，得到识别行人的级联分类器，遍历车辆视觉采集的图像，得到行人目标；结合卡尔曼滤波原理，对检测到的行人目标进行跟踪建立检测行人。动态感兴趣区域用于使用跟踪结果分析行人的运行轨迹。实验表明：该方法平均耗时约80ms/帧，检测率达到88%；结合卡尔曼滤波原理，平均耗时降低到55ms/帧，实时性好。

随着汽车保有量的不断增加，道路交通事故和车祸造成的死亡人数仍然居高不下。为了满足人们对汽车安全性能日益提高的要求，越来越多的先进技术被应用到汽车主动安全领域。在道路交通事故中，主要受害者是参与交通系统的行人和骑自行车的人。根据美国国家公路安全管理局（NHTSA）的数据，2008年美国有6.9万行人因交通事故死亡或受伤，4378人死亡，行人死亡人数占11.@ > 7%。 2007年我国因交通事故死亡的行人21106人，占交通事故总数的25.9%，受伤的行人70838人，占18. 6%。与一些发达国家相比，我国的交通方式主要是混合交通方式，导致交通事故死因和伤害方式与发达国家不同。

近年来，为保障行人安全，提高汽车的主动安全性能，国内外一些科研院所对行人保护技术进行了研究和探讨。在不断完善汽车被动安全系统的同时，逐步开发应用主动安全系统，结合行人保护理念和技术的引入svm cnn 行人检测 比较，提高对行人的保护。例如，Bajracharya 等人。建立双目视觉行人保护集成系统，实现道路交通场景下40m距离内行人的检测与跟踪。

Munder 等人。融合行人点分布形状模型和纹理特征建立行人识别分类器，采用基于粒子滤波的贝叶斯方法实现行人跟踪。德国 Enzweiler 等人比较分析了小波特征、线性支持向量机和神经网络在统计学习中的方法，设计了不同尺度的分类器来检测图像中的行人。清华大学蒋凡提出了一种基于模型融合的行人跟踪算法，将离线学习和在线互学习相结合，对模型进行更新。中国科学技术大学的程友龙将行人检测的先验知识融入到跟踪模型的自学习过程中svm cnn 行人检测 比较，对被跟踪的行人进行动态建模，从而在真实的监控场景中对运动复杂的行人进行跟踪。多传感器信息融合和行人模型的建立需要大量的计算和计算参数，难以满足车辆主动安全预警等系统的实时性要求。本文采用车载单目视觉传感器，通过训练得到的行人识别级联分类器，实时获取车辆前方的行人，并跟踪记录其运动轨迹，从而为有效预警司机和行人提供技术参考。

1 基于Adaboost算法的行人检测

1.@> 1 Adaboost算法原理

Adaboost算法通过训练得到具有一般分类能力的弱分类器叠加强分类器，然后将几个强分类器串联起来形成级联分类器对图像进行遍历。为了快速实现行人检测和防撞预警，针对Adaboost算法的特点，本文选择离散Adaboost算法训练一个级联分类器来识别行人，从而快速消除大部分非行人窗口图中，其结构如图1所示。其中，强分类器各阶段的训练过程如图2所示。

图。 1 N类级联分类器的结构

图。 2 离散Adaboost训练算法

从其训练过程可以看出，该算法主要通过调整训练样本的权重来加强对误分类样本的训练，最后通过权重组合将所有弱分类器级联形成强分类器。