摘要： 為提高城市交通環境下車輛主動安全性，保障行人安全，提出了基于車載視覺傳感器的行人保護方法。利用Adaboost 算法實現行人的快速檢測，結合Kalman 濾波原理跟蹤行人，以獲取其運行軌跡。 該方法利用離散Adaboost 算法訓練樣本類Haar 特征，得到識別行人的級聯分類器，遍歷車載視覺采集的圖像，以獲取行人目標；結合Kalman 濾波原理，對檢測到的行人目標進行跟蹤，建立檢測行人的動態感興趣區域，利用跟蹤結果分析行人的運行軌跡。 試驗表明： 該方法平均耗時約80 ms /幀，檢測率達到88%; 結合Kalman 濾波原理跟蹤后，平均耗時降到55 ms /幀，實時性較好。

　　隨著汽車保有量的不斷增加，道路交通事故和因車禍傷亡的人數居高不下。 為滿足人們對汽車安全性能要求的日益提高，越來越多的先進技術被應用到汽車主動安全領域。在道路交通事故中，主要的受害群體是參與交通系統中的行人和騎自行車的人等。據美國高速公路安全管理局（ NHTSA） 的資料顯示，2008 年美國由于交通事故導致69 000 個行人死亡或者受傷、4 378 個行人死亡，行人死亡人數占全年交通事故死亡總人數的11. 7%。2007 年我國因交通事故導致行人死亡的人數為21 106 人，占交通事故死亡總人數的25. 9%，行人受傷人數為70 838 人，占交通事故受傷總人數的18. 6%. 與一些發達國家相比，由于我國的交通模式主要是混合交通模式，導致交通事故死亡原因和傷害模式與發達國家不同。

　　近年來，為保障行人安全、提高汽車主動安全性能，國內外一些科研院所對行人保護技術進行了研究探討，在不斷完善汽車被動安全系統的同時，逐漸發展和應用主動安全系統，結合行人保護概念和技術的引入，完善對行人的保護。 如Bajracharya等建立了雙目視覺行人保護集成系統，實現道路交通場景下40 m 距離范圍內行人的檢測與跟蹤。

　　Munder 等融合行人的點分布形狀模型和紋理特征建立了行人識別分類器，采用基于粒子濾波的貝葉斯方法實現行人的跟蹤。德國Enzweiler 等分別針對統計學習中的小波特征、線性支持向量機以及神經網絡的方法進行比較分析，通過設計不同尺度的分類器來檢測圖像中的行人。清華大學的江帆等提出一種基于模型融合的行人跟蹤算法，結合離線學習和在線互學習對模型進行更新。中國科學技術大學程有龍等將行人檢測的先驗知識融入到跟蹤模型自學習過程中，對被跟蹤行人進行動態建模，從而實現在真實監控場合下跟蹤具有復雜運動的行人。多傳感器信息融合以及行人模型的建立要求較大的計算量和計算參數，很難滿足類似車輛主動安全預警等系統實時性要求。 本文采用車載單目視覺傳感器，利用訓練得到的行人識別級聯分類器實時獲取車輛前方的行人，并對其進行跟蹤以記錄其運動軌跡，從而為駕駛員和行人的有效預警提供技術參考。

　　1 基于Adaboost 算法的行人檢測

　　1. 1 Adaboost 算法原理

　　Adaboost 算法通過訓練得到由分類能力一般的弱分類器疊加而成的強分類器，再將若干個強分類器串連成一個級聯分類器來遍歷圖像。為快速實現行人的檢測和防撞預警，鑒于Adaboost 算法的特點，本文選擇離散Adaboost 算法訓練得到識別行人的級聯分類器，以快速排除圖像中大部分非行人窗口，其結構如圖1 所示。 其中，各階段的強分類器訓練過程如圖2 所示。

　　圖1 N 階級聯分類器結構示意

　　圖2 離散Adaboost 訓練算法

　　從其訓練過程可知，該算法主要通過調整訓練樣本的權重，強化對錯誤分類樣本的訓練，最后通過權重組合級聯所有的弱分類器形成強分類器。