论文部分内容阅读
随着人民生活水平的日益提高,道路车辆的不断增多,道路交通安全已然成为一个不容忽视的社会问题,如何有效地减少交通事故、避免人员的伤亡成为了人们关注的焦点。车载安全辅助驾驶系统是减少车祸、减少事故损失的有效手段,基于车载的夜间行人检测技术作为车载安全辅助驾驶系统中的一项关键技术,已然受到了政府及相关部门的高度关注,其可以在夜间对车辆前方的道路路况进行实时预警,有效地辅助驾驶员进行安全驾驶,减少了交通事故的出现。本文设计的行人检测是车载安全辅助驾驶系统中重要组成部分。论文研究了基于Haar特征和Adaboost分类算法,利用计算机视觉库OpenCV选取6631幅行人图片和66051张背景图片进行行人检测器的训练,训练出了一个27级用于行人识别的级联分类器,后使用级联分类器对图像中的感兴趣区域进行检测识别。单帧图像的检测识别耗时较多,不适合实时检测,针对该问题,本文优化了图像检测窗口扫描方法,检测速度提高到原始的1.5倍;目标行人在图像序列中是连续存在的,即行人的位置具有一定的连续性,依据该特点,本文设计了利用上一帧目标位置预测当前帧目标位置的方法,提高了检测效率;针对检测过程行人由于遮挡可能发生漏检,设计了基于Kalman滤波行人跟踪方法。本文在Cortex-A8平台上实现了夜间行人检测系统,该系统采用Android操作系统。论文采用Java语言编写了JNI层和接口程序,采用C/C++代码通过调用OpenCV编写了行人检测算法代码,利用Android NDK交叉编译环境对算法代码进行编译生成可供调用的动态库文件。经过在Cortex-A8平台上对Java和C/C++代码的编写和调试,算法在Cortex-A8平台上执行的帧率已经达到20帧/秒,检测率达到80%。