基于计算机视觉的电子行进铺助系统关键技术研究.pdf

自动化技术与应用 Automation Technology and Application2023.7 今日制造与升级 69随着城市交通的发展和智能化水平的不断提高，电子行进铺助系统成为提升行人安全和交通效率的重要手段之一。电子行进铺助系统通过应用计算机视觉技术，能够实时检测、识别和跟踪道路上的行人、车辆及道路设施等目标，从而为行人提供安全、高效的过马路体验。基于计算机视觉的目标检测技术，旨在从图像或视频中自动识别和定位感兴趣的目标。人行横道是电子行进铺助系统中的重要目标之一，其检测对于提供安全的行人过马路体验至关重要。特别是在高密度交通情况下，准确检测和判断人行横道的位置和状态，可以自动为行人、特别是盲人群体，提供更准确的辅助通行。基于计算机视觉的人行横道检测方法能够通过对图像中行人横道的识别和分析，实现自动化的人行横道检测和导引。文中将重点探讨目标检测技术的基本原理、目标特征表达、目标检测模型以及目标检测加速等关键技术。同时，将研究基于链式 CNN 模型的人行横道检测方法和基于 AdaBoost 算法的人行横道信号灯检测方法，并进行相应的实验和性能评估。1基于计算机视觉的目标检测技术理论1.1基本原理目标检测技术是计算机视觉领域中的核心，其基本原理包括图像特征提取和目标分类器的构建。在目标检测中，首先需要进行图像预处理，对输入图像进行去噪、增强等操作，以提高后续特征提取的准确性。其次通过特征提取算法，从预处理后的图像中提取具有判别性的特征信息。基于计算机视觉的目标检测技术通过图像的预处理、特征提取和目标分类器的构建，能够从图像中准确、高效地检测出感兴趣的目标。这些理论原理为后续基于链式 CNN模型和 AdaBoost 算法的人行横道检测和信号灯检测方法奠定了基础1。基于计算机视觉的目标检测如图1所示。图1基于计算机视觉的目标检测示意1.2目标特征表达1.2.1特征描述子目标特征表达是目标检测中一个重要的环节，它通过对图像进行特征提取来描述目标的关键信息。常见的特征描述子包括Haar特征、HOG特征、LBP特征、Gabor特征等。Haar 特征是在人脸检测中引入的一种特征描述子，其根据图像中不同位置像素的差异来表示图像的局部特征，可以通过计算图像区域内黑白矩形的像素和来得到特征值，进而对图像进行分类。Haar 特征基本小波函数可以表示如下公式：（1）HOG特征通过统计图像局部区域的方向梯度直方图来构建。HOG 特征提取过程首先根据图像像素计算梯度，梯度的幅值和方向可以表示如公式（2）、（3）所示。其次，在连通区域中根据梯度方向进行直方图统计。最后在区域中按照细胞块的顺序将所有方向梯度直方图组合的分摘要文章针对电子行进铺助系统中的目标检测和信号灯检测问题，基于计算机视觉技术进行了关键技术研究。首先介绍了计算机视觉的基本原理和应用领域，包括目标检测、分类算法、图像分割和运动跟踪等；其次对目标检测技术进行了详细的理论探讨，包括目标特征表达和目标检测模型的介绍；最后针对人行横道检测问题，文中提出了一种基于链式 CNN 模型的检测方法，并进行了相关测试和比较实验。此外，基于 AdaBoost 算法的人行横道信号灯检测方法也得到了研究和测试。实验结果表明，所提出的方法在电子行进铺助系统中具有较高的准确性和稳定性。关键词计算机视觉；电子行进铺助系统；链式 CNN 模型；AdaBoost 算法中图分类号TP311 文献标志码A基于计算机视觉的电子行进铺助系统关键技术研究李 奕（武昌职业学院，湖北武汉 430000）（1）HOG 特征通过统计图像局部区域的方向梯度直方图来构建。HOG 特征提取过程首先根据图像像素计算梯度，梯度的幅值和方向可以表示如公式（2）、（3）所示。其次，在连通区域中根据梯度方向进行直方图统计。最后，在区域中按照细胞块的顺序将所有方向梯度直方图组合的分量进行串联，串联产生的向量进行归一化处理后即可得到 HOG 特征。自动化技术与应用 Automation Technology and Application70 今日制造与升级 2023.7量进行串联，串联产生的向量进行归一化处理后即可得到HOG 特征。（2）（3）LBP（LocalBinaryPatterns）特征是一种局部纹理特征。LBP 特征通过将邻域内像素与中心像素进行比较，将比中心像素大的像素标记为1，否则标记为0，从而构建二进制模式2。通过统计这些二进制模式的出现频率，得到图像的特征表示。LBP 特征提取过程如图2所示。Gabor 特征是基于人类视觉系统的响应特性而提出的一种特征描述子。它通过使用一组 Gabor 滤波器来分析图像的空间频率响应，从而提取局部纹理信息。Gabor 特征具有多尺度和多方向选择性，能够对图像的纹理进行有效的表示和捕捉。Gabor 函数由三角函数（如正弦函数）和高斯核函数叠加组成，是一种窗口函数为高斯核函数的窗口Fourier 变换函数，可以用如下表示：（4）（5）（6）（7）这些特征描述子各自具有不同的特点和适用范围，在目标检测中发挥了重要作用。根据具体的应用场景和目标类型，可以选择合适的特征描述子来提取图像中的关键特征，并进一步用于目标检测和分类任务。1.2.2层次特征层次特征是一种基于图像结构的特征表示方法，它能够捕捉目标的多尺度和多层次信息。常见的层次特征包括金字塔特征和深度特征。其中，金字塔特征是通过构建图像的多尺度表示来获取不同分辨率下的特征信息，其分为高斯金字塔和拉普拉斯金字塔两种类型。高斯金字塔通过不断降采样原始图像，生成一系列尺度逐渐减小的图像，保留了图像的整体结构特征；拉普拉斯金字塔则是通过对高斯金字塔相邻层间的差异进行计算得到，用于描述图像细节部分的变化情况。通过将金字塔特征进行融合，可以获取多个尺度下的全局和局部特征信息，提高目标检测的鲁棒性。1.3目标检测模型1.3.1神经网络神经网络是一种模仿人脑神经元网络结构的计算模型，广泛应用于图像处理和目标检测领域。神经网络通过多层神经元之间的连接和权重调整，来实现图像特征的自动学习和目标分类。神经网络模型如图3所示。图3神经网络模型卷积神经网络（CNN）是目前最常用的神经网络模型之一，被广泛应用于图像识别和目标检测任务中。CNN模型由多个卷积层、池化层和全连接层组成。卷积层通过卷积操作在图像上提取特征；池化层则通过降采样操作减少特征维度，并增强对平移和尺度变化的鲁棒性；全连接层将提取的特征映射输入到分类器中进行目标分类。1.3.2支持向量机（SVM）支持向量机（SupportVectorMachine,SVM）是一种常用的监督学习算法，广泛应用于图像处理和目标检测任务中。SVM 通过构建一个最优的超平面来实现二分类或多分类任务，并具有较好的泛化性能3。SVM 模型如图4所示。SVM 算法在目标检测中的应用主要包括两个方面：一是作为分类器用于检测器的训练，二是作为回归器用（2）（3）LBP（Local Binary Patterns）特征是一种局部纹理特征。LBP 特征通过将邻域内像素与中心像素进行比较，将比中心像素大的像素标记为 1，否则标记为 0，从而构建二进制模式2。通过统计这些二进制模式的图2LBP特征提取过程（7）这些特征描述子各自具有不同的特点和适用范围，在目标检测中发挥了重要作用。根据具体的应用场景和目标类型，可以选择合适的特征描述子来提取图像中的关键特征，并进一步用于目标检测和分类任务。1.2.2层次特征层次特征是一种基于图像结构的特征表示方法，它能够捕捉目标的多尺度和多层次信息。常见的层次特征包括金字塔特征和深度特征。其中，金字塔特征是通过构建图像的多尺度表示来获取不同分辨率下的特征信息，其分为高斯金字塔和拉普拉斯金字塔两种类型。高斯金字塔通过不断降采样原始图像，生成一系列尺度逐渐减小的图像，保留了图像的整体结构特征；拉普拉斯金字塔则是通过对高斯金字塔相邻层间的差异进行计算得到，用于描述图像细节部分的变化情况。通过将金字塔特征进行融合，可以获取多个尺度下的全局和局部特征信息，提高目标检测的鲁棒性。1.3目标检测模型1.3.1神经网络神经网络是一种模仿人脑神经元网络结构的计算模型，广泛应用于图像处理和目标检测领域。神经网自动化技术与应用 Automation Technology and Application2023.7 今日制造与升级 71图4SVM 模型于物体位置的回归。通过适当选择特征和调整模型参数，SVM能够实现较高的分类准确率和目标定位精度。需要注意的是，在深度学习兴起之后，基于神经网络的方法在目标检测任务中取得了显著的性能提升。然而，SVM仍然被广泛使用，并且在某些特定场景下仍然具有一定的优势和应用价值。2基于链式CNN模型的人行横道检测方法研究文中提出了一种基于链式 CNN 模型的人行横道检测方法，该方法使用滑动窗口和全局数据综合的策略来检测人行横道。2.1滑动窗口检测滑动窗口检测是一种常用的目标检测方法，它通过在图像上以固定大小和固定步长滑动窗口，并在每个窗口上应用分类器或回归器来检测目标的存在和位置4。滑动窗口检测算法通常分为以下几个步骤。（1）尺度空间定义：首先需要定义一个尺度空间，即在不同大小的窗口上搜索目标。通过在图像或图像金字塔上设置不同尺度的窗口，可以捕捉目标在不同尺度上的变化和多尺度信息。（2）窗口滑动：在每个尺度上，以固定大小的窗口从图像的左上角开始滑动，按照设定的步长在图像上平移，覆盖整个图像区域。在每个窗口位置上，提取窗口内的图像块作为输入。（3）特征提取：对提取的图像块应用特征提取方法，如 Haar 特征、HOG 特征、LBP 特征等，从中提取出具有代表性的特征向量，用于目标的分类或回归。（4）目标分类或回归：将提取的特征向量输入到分类器或回归器中，进行目标的分类或位置回归。常用的分类器包括 SVM、AdaBoost、深度神经网络等，回归器可以使用线性回归、支持向量回归等方法。（5）目标判决与定位：根据分类器或回归器的输出结果，对窗口内的目标进行判决，确定是否存在目标以及目标的类别。对于回归器，则可以通过迭代调整窗口位置来进一步精确定位目标的位置。滑动窗口检测算法的优点是简单直观且易于实现，可以应用于不同尺度和比例的目标检测。然而，由于需要对图像中的大量窗口进行遍历和分类，计算量较大，效率较低。随着深度学习的发展，基于神经网络的目标检测方法逐渐取代了传统的滑动窗口检测，使得目标检测算法在速度和准确性上有了较大的提升。2.2全局数据综合全局数据综合是指在目标检测中，从多个源的数据中综合并整合信息，以获得更全面和准确的结果。这些数据源可以包括不同传感器、不同尺度或不同模态的数据。在全局数据综合过程中，将所有的分值图求和以计算 ROI各个区域的分值。一个区域的分值代表对应区域被确定为人行横道可通行区域的次数。在 ROI 中，任意一个区域被检测的总数满足如下:（8）人行横道的方向可以通过计算方向均值获得，表达式如式（9）所示:（9）在目标检测中，全局数据综合可以有以下几个方面的应用。（1）多尺度信息融合：通过使用不同尺度的数据，可以获取更丰富的目标信息。例如，在金字塔状的图像尺度空间中，从多个尺度上提取特征并进行融合，可以提高检测器在不同目标大小上的适应性，同时捕捉目标的多尺度特征。（2）多模态数据融合：利用多种传感器或不同的数据模态，可以获取目标不同方面的信息，从而提高目标检测的准确性和鲁棒性。例如，结合可见光图像和红外图像，在不同光照和气候条件下都能够有效地检测目标。（3）空间-时间综合：通过利用时间序列数据，可以捕捉目标在时空中的变化和运动信息。例如，利用视频序列数据进行运动目标检测，可以通过前后帧之间的差异来提取目标的运动轨迹，从而增强目标的检测和跟踪能力。（4）多源信息融合：将来自不同传感器或数据源的信息进行融合，可以提高目标检测的可靠性和鲁棒性。例如，结合图像、激光雷达和雷达数据，可以在复杂环境下对目标进行多角度、多模态的检测和定位。（8）人行横道的方向可以通过计算方向均值获得，表达式如式（9）所示:（9）在目标检测中，全局数据综合可以有以下几个方面的应用。（1）多尺度信息融合：通过使用不同尺度的数据，可以获取更丰富的目标信息。例如，在金字塔状的图像尺度空间中，从多个尺度上提取特征并进行融合，可以提高检测器在不同目标大小上的适应性，同时捕捉目标的多尺度特征。（2）多模态数据融合：利用多种传感器或不同的数据模态，可以获取目标不同方面的信息，从而提高目标检测的准确性和鲁棒性。例如，结合可见光图像和红外图像，在不同光照和气候条件下都能够有效地检测目标。（3）空间-时间综合：通过利用时间序列数据，可以捕捉目标在时空中的变化和运动信息。例如，利用视频序列数据进行运动目标检测，可以通过前后帧之间的差异来提取目标的运动轨迹，从而增强目标的检测和跟踪能力。（4）多源信息融合：将来自不同传感器或数据源的信息进行融合，可以提高目标检测的可靠性和鲁棒性。例如，结合图像、激光雷达和雷达数据，可以在复杂环境下对目标进行多角度、多模态的检测和定位。全局数据综合能够从不同的视角和角度提供更全面的信息，同时克服单一数据源的局限性，提高目标检测的准确性和可靠性。随着数据获取和处理技术的不断进步，全局数据综合在目标检测领域具有广阔的应用前景。3基于 AdaBoost 算法的人行横道信号灯检测方法基于 AdaBoost 算法的人行横道信号灯检测方法是一种常用的计算机视觉方法，用于检测人行横道上的交通信号灯。该方法通过训练一个强分类器，由多个弱分类器组成，来实现信号灯的自动检测和识别5。该方法的主要步骤如下。（1）数据采集和标注：收集包含人行横道信号灯的图像数据，并进行标注，标注出信号灯的位置和类别信息。对图像数据进行预处理，如调整大小、裁剪等。（2）特征提取：从标注的图像数据中提取特征作为分类器的输入。常用的特征包括颜色特征（如 RGB、HSV 等）、形状特征（如 Haar-like 特征）等，这些特征能够捕捉信号灯的颜色、形状和纹理等信息。（3）弱分类器训练：使用 AdaBoost 算法训练一系列弱分类器。首先，在训练集上初始化权重分布，然后迭代地选择最佳的特征和阈值组合，以减少分类误差。每个弱分类器根据其分类准确率分配一个权重，用于最终的强分类器的组合。（4）强分类器构建：根据各个弱分类器的权重，将它们组合成一个强分类器。强分类器通过加权投票的方式来决定每个窗口是否包含信号灯。自动化技术与应用 Automation Technology and Application72 今日制造与升级 2023.7全局数据综合能够从不同的视角和角度提供更全面的信息，同时克服单一数据源的局限性，提高目标检测的准确性和可靠性。随着数据获取和处理技术的不断进步，全局数据综合在目标检测领域具有广阔的应用前景。3基于AdaBoost算法的人行横道信号灯检测方法基于 AdaBoost 算法的人行横道信号灯检测方法是一种常用的计算机视觉方法，用于检测人行横道上的交通信号灯。该方法通过训练一个强分类器，由多个弱分类器组成，来实现信号灯的自动检测和识别。该方法的主要步骤如下。（1）数据采集和标注：收集包含人行横道信号灯的图像数据，并进行标注，标注出信号灯的位置和类别信息。对图像数据进行预处理，如调整大小、裁剪等。（2）特征提取：从标注的图像数据中提取特征作为分类器的输入。常用的特征包括颜色特征（如RGB、HSV等）、形状特征（如 Haar-like 特征）等，这些特征能够捕捉信号灯的颜色、形状和纹理等信息。（3）弱分类器训练：使用 AdaBoost 算法训练一系列弱分类器。首先，在训练集上初始化权重分布，其次迭代地选择最佳的特征和阈值组合，以减少分类误差。每个弱分类器根据其分类准确率分配一个权重，用于最终的强分类器的组合。（4）强分类器构建：根据各个弱分类器的权重，将它们组合成一个强分类器。强分类器通过加权投票的方式来决定每个窗口是否包含信号灯。（5）检测与结果输出：在测试图像上通过滑动窗口的方式，将构建的强分类器应用于不同位置大小的窗口。对每个窗口，基于强分类器的输出结果进行判决，确定是否包含信号灯，如果是，则输出其位置和类别信息。基于 AdaBoost 算法的人行横道信号灯检测方法能够在复杂的场景中实现对信号灯的准确检测。通过训练一个强分类器，该方法能够克服光照变化、背景干扰等问题，并能够实现高效率的信号灯检测。在实际应用中，可以通过优化特征选择和调整算法参数来进一步提高检测性能。4结束语文中针对电子行进铺助中的目标检测和信号灯检测问题，基于计算机视觉技术进行了关键技术研究。通过提出基于链式 CNN 模型的人行横道检测方法和基于 AdaBoost算法的人行横道信号灯检测方法，得到了相应的实验结果和性能评估。实验表明，所提出的方法在电子行进铺助中具有较高的准确性和稳定性，为实现电子行进铺助系统的性能提升提供了有效的技术支持。参考文献1汤一平，杨昭，石兴民，等.基于计算机视觉的鹦鹉行为分析关键技术的研究J.小型微型计算机系统，2016（4）：203-208.2王钢，张华熊，胡洁.基于计算机视觉的电子白板定位技术研究J.浙江理工大学学报，2012，29（5）：693-697.3孙晓英，钱梦韵.基于光纤通信技术的车载电子通信安全技术研究J.电子技术与软件工程，2016（13）：242.4郑丽颖，张敬涛，王谦玉.基于计算机视觉的作物营养诊断系统的关键技术研究现状J.黑龙江农业科学，2009（2）：137-141.作者简介李奕（1979），男，湖北武汉人，本科，助理工程师，主要研究方向为电子信息。