基于多特征的粒子滤波行人跟踪算法研究

摘要

汽车与行人碰撞是道路交通事故主要碰撞类型。对车辆前方处于危险状态的行人进行检测，并对其进行跟踪，利用跟踪结果分析行人运动状态进行建模，分析其危险状态，从而进行有效的行人防碰撞预警是汽车主动安全保护行人的重要方法。因此，行人目标一旦确认识别，该目标能否准确跟踪直接决定行人防碰撞预警系统性能的好坏。
　　作为国家自然科学基金项目《基于组合分类机制的过街行人检测与防碰撞预警方法研究》的主要研究内容之一，本文以汽车主动保护行人安全问题为研究目标，以粒子滤波理论为基础，结合行人颜色、SIFT以及梯度方向直方图等多特征信息，研究了摄像机运动情况下的行人检测与跟踪算法。详细介绍基于多特征的粒子滤波行人跟踪算法的设计流程和实现步骤，并给出不同环境下的实验分析。本文主要研究工作包括以下内容:
　　(1)利用课题组前期研究成果（文献[7]）中的腿部检测的方法进行行人整体的检测，即首先提取图像中局部区域的梯度方向直方图(HOG)特征，利用基于查找表型的GentleAdaBoost方法形成行人识别分类器，作为HOG特征训练的分类，从而实现行人的在线检测，并且进行了实验验证。
　　(2)为获得车载动态环境下较好的行人跟踪结果，提出一种HOG与颜色直方图特征的粒子滤波行人跟踪方法。利用HOG特征训练识别行人的分类器获取待跟踪目标，利用粒子滤波预测行人位置状态信息，并在预测结果的一定范围内，利用HOG特征对行人进行验证及位置校正，不断修正粒子权值并实现重采样，实现动态背景下行人跟踪。
　　(3)尺度不变特征变换(SIFT)算法是一种有效的特征提取算法，但耗时较长;粒子滤波算法是依据颜色特征进行跟踪的方法，但是单纯的依据颜色特征会造成跟踪的不稳定，尤其是在目标被部分遮挡的情况下。根据两种算法各自的优缺点提出一种基于SIFT-粒子滤波行人跟踪方法。利用颜色直方图的同时利用SIFT对目标进行加以描述，并且采用粒子滤波预测目标位置进行粗定位，SIFT特征匹配进行精确定位的方法，此方法对解决目标遮挡及旋转问题具有较好的效果。
　　(4)本文将行人检测模块与行人跟踪模块组合成一个行人检测跟踪系统。然后针对几个典型的场景分别进行试验，并比较不同粒子数对跟踪消耗时间和跟踪误差的影响。进一步分析行人运动，提取行人运动参数，确定防碰撞行人预警机制。
　　试验表明，本文提出的算法对车辆前方一定距离内的行人能够较好的识别并能较好的跟踪行人，同时能够准确描绘出行人运动的轨迹，为进行行人的运动分析提供依据。