机器视觉在机器学习的行人检测应用

  基于机器学习的行人检测汽车安全控制和事故预防系统在过去十年中得到了长足的发展。较好司机辅助系统(ADAS)现在市面上都可以买到,而且经常被汽车制造商预先安装.这些系统的目的是为车辆提供能够探测危险情况并对其采取行动的传感器,在这种情况下,驾驶员无法避免碰撞。下面,我们将了解机器视觉在机器学习的行人检测应用。

人行横道上的司机和行人

  实现行人跟踪检测

  探测行人在城市环境中运行的ADAS较具挑战性的任务之一当然是启动警报并对其有时不可预测的行为采取行动。在这种情况下,ADAS系统的全部潜力可以通过以下方式实现行人跟踪、定向与意图预测.

  在ADAS系统中,基于视觉的警报在评估危急情况方面发挥了核心作用,特别是对于行人检测,视觉信息对于区分道路上的人类和其他移动物体是至关重要的。对行人的实际检测不一定需要充分提取人体特征,而是需要对物体是人的识别。然而,对于意图预测,应该结合行人模型的上下文信息。

  自动行人检测

  由于复杂的环境和需要分析的各种情况,确定性的计算机算法容易出现许多假阳性检测。由于ADAS对假阳性检测的响应可能导致严重的后果,因此将错误检测降到低是对性能的严格要求。一个更好的快盈lV入口500万是基于机器学习的算法已经被证明更有活力。

  为了利用这种健壮的机器学习,再加上计算机视觉方法,我们建议采用分类器级联。每个分类器被训练成在给定一个候选目标的情况下,对行人的一个不同的身体部分进行建模。利用基于梯度直方图和Haar类特征的算法对目标进行检测.这些方法已经被证明能够实时操作,适合于ADAS所要求的快速响应时间。

  使用分类器做出选择

  通过几个分类器的多数表决,将候选对象识别为行人。对结果施加严格的阈值可以限制假阳性检测的水平。当上下文信息被集成到系统中时,识别值的调整是非常重要的。例如,在城市和农村道路上开车并不需要同样的警戒级别。因此,可以使用这些环境中任何一个环境中的汽车本地化来动态调整ADAS中的警报级别.

  在复杂环境中实现自动行人检测的一系列学习和分类技术需要谨慎。安全管制不允许集成一个高度不准确的系统,特别是当行人的生命危在旦夕时。因此,在机器学习和计算机视觉技术的规划、建设和实施方面,真正的专业知识是必不可少的。盈泰德视觉是计算机视觉和机器学习算法方面的专家。阅读更多关于RvstoVision如何构建机器检测系统的信息。