目標(biāo)檢測(cè)是把視頻序列中出現(xiàn)的感興趣目標(biāo)從背景中分割出來并精確定位。目標(biāo)檢測(cè)除了具有一般的服飾變化、姿態(tài)變化等難點(diǎn)外，在車載應(yīng)用領(lǐng)域還具有以下難點(diǎn)：攝像機(jī)是運(yùn)動(dòng)的；目標(biāo)檢測(cè)面臨的是一個(gè)開放的環(huán)境，要考慮不同的路況、天氣和光線變化，對(duì)算法的魯棒性提出了很高的要求；實(shí)時(shí)性是系統(tǒng)必須滿足的要求，這就要求采用的圖像處理算法不能太復(fù)雜。在與行車安全相關(guān)的功能中，目標(biāo)檢測(cè)主要包含了對(duì)車內(nèi)環(huán)境下駕駛員的人臉檢測(cè)、戶外環(huán)境中的車輛檢測(cè)。
針對(duì)車載系統(tǒng)對(duì)目標(biāo)檢測(cè)的上述要求以及為了提高目標(biāo)檢測(cè)在不同姿態(tài)的效果，我們開發(fā)了基于統(tǒng)計(jì)學(xué)習(xí)的多姿態(tài)目標(biāo)檢測(cè)算法。在這里，檢測(cè)器除了獲得目標(biāo)的位置和大小信息外，還需要獲得大致的姿態(tài)信息用于人頭的姿態(tài)估計(jì)。
下面該算法框架分別應(yīng)用于車輛檢測(cè)和人臉檢測(cè)，并介紹他們與當(dāng)前流行方法的比較結(jié)果：
車輛檢測(cè)
車輛檢測(cè)是前車防撞功能模塊的基礎(chǔ)環(huán)節(jié)。下列視頻為我們的算法在不同天氣情況下對(duì)車輛正反面的檢測(cè)效果：
對(duì)于車輛檢測(cè)，我們?cè)趯?duì)收集的1200張圖片（包含總共1388輛車）進(jìn)行了測(cè)試，其測(cè)試精度為: Recall: 95.2%, Precision: 96.1%。與文獻(xiàn)[1]以及[2]在精度和速度方面的比較結(jié)果如下：
人臉檢測(cè)
下圖展示了人臉在不同姿態(tài)效果下的檢測(cè)效果，同時(shí)給出了人臉不同朝向的估計(jì)值。我們能夠看出朝向的預(yù)估結(jié)果并不十分精確，在偏離正臉不是很大的情況下，仍然會(huì)被判為正臉。
下表為我們的算法與opencv的人臉檢測(cè)器（目前常用的檢測(cè)器）比較的結(jié)果，測(cè)試集為lfpw數(shù)據(jù)庫(kù)中用于測(cè)試的共計(jì)224張圖片，278個(gè)人臉。
| Our method | Detector from opencv | |
|---|---|---|
| 正確檢測(cè)的數(shù)量 | 261 | 249 |
| 錯(cuò)誤檢測(cè)的數(shù)量 | 0 | 16 | 檢測(cè)速度 | 30ms/frame | >80ms/frame |
從上表中我們可以看出，我們的方法的檢測(cè)率以及誤報(bào)率都遠(yuǎn)好于目前常用的檢測(cè)器。除此之外，我們的檢測(cè)器還能給出大致的人頭朝向信息。
從上面的人臉檢測(cè)、行人檢測(cè)以及車輛檢測(cè)的結(jié)果可以看出，我們提出的目標(biāo)檢測(cè)框架具有通用性的優(yōu)點(diǎn)，且在速度和性能上已經(jīng)達(dá)到超過了國(guó)際先進(jìn)水平。
下列視頻展示了在真實(shí)車載環(huán)境下的車輛檢測(cè)和跟蹤結(jié)果，以及基于檢測(cè)基礎(chǔ)上進(jìn)行的前車距離估計(jì)和碰撞時(shí)間估計(jì)。 視頻中存在逆光、光線突變以及樹影等環(huán)境因素的干擾，但我們的檢測(cè)算法仍然能夠有效去除這些干擾的影響。 ：
[1] Wei Zheng, Hong Chang, Luhong Liang, Haoyu Ren, Shiguang Shan, and Xilin Chen, “Strip features for fast object detection”. IEEE Transactions on Systems, Man and Cybernetics, Part B: Cybernetics, vol.99, pp.1–15, 2013
[2] B.Wu and R. Nevatia, "Cluster boosted tree classifier for multi-view, multi-pose object detection", ICCV, 2007
