黃宇涵，張洪昌，2

（1.武漢理工大學汽車工程學院，湖北 武漢 430070；2.武漢理工大學重慶研究院，重慶 401120）

汽車智能網(wǎng)聯(lián)技術已成為全球科技創(chuàng)新領域的焦點，而智能網(wǎng)聯(lián)汽車是繼新能源汽車后汽車產(chǎn)業(yè)的又一制高點。從智能網(wǎng)聯(lián)汽車的技術架構來看，傳感器在環(huán)境感知技術中扮演著信息采集的重要角色。由于單一傳感器在信息獲取上具有一定的局限性，因此，多傳感器融合技術的研究具有重要意義[1]。行人檢測任務一直是汽車智能網(wǎng)聯(lián)技術中的熱門問題。當前，在國內道路區(qū)域的行人檢測方面，大都采用功能單一的交通監(jiān)控設備進行區(qū)域性檢測，如利用紅外攝像檢測，該方法存在對比度低、噪聲較多的問題；百度自動駕駛汽車上的Ⅴelodyne64 線激光雷達在行人檢測方面存在工作可靠性不高等問題。由于汽車實際行駛環(huán)境復雜，現(xiàn)有單一傳感器并不能滿足復雜路況下的所有需求，為了保證自動駕駛的行駛安全性，通常采用數(shù)量眾多的不同類型的傳感器以滿足探測和數(shù)據(jù)采集的需要，即多傳感器融合技術。目前來看，多傳感器融合技術已成為自動駕駛傳感器方案的主流發(fā)展趨勢[2]。

本文利用熱成像傳感器和激光雷達組成多傳感器檢測系統(tǒng)，其中熱成像傳感器具有探測能力強、作用距離遠、能直觀顯示物體表面溫度場等優(yōu)點，激光雷達具有體積小、質量輕、分辨率高、抗有源干擾能力強等優(yōu)點。對熱成像傳感器和激光雷達所采集的由速度V、體溫T、身高H 及體型高寬比Z 組合構成的多源綜合信息進行分析和處理，包括對多源數(shù)據(jù)進行檢測、相關與組合，從而提高目標行人檢測的準確度。

基于以上情況，本文提出了一種基于熱成像傳感器和激光雷達的行人識別系統(tǒng)及方法，用于解決在固定背景下的行人檢測問題。

1 系統(tǒng)設計

該方法是由熱成像傳感器、激光雷達、接口單元、中央處理單元、電源及聲光警示單元組成。所述的熱成像傳感器通過USB 線與接口單元連接，激光雷達通過網(wǎng)線與接口單元連接，接口單元通過內部總線與中央處理單元連接，中央處理單元與聲光警示單元連接，電源與所有模塊連接。其中，熱成像傳感器傳輸熱成像圖片數(shù)據(jù)給接口單元，激光雷達將激光雷達點云數(shù)據(jù)傳給接口單元，接口單元將數(shù)據(jù)濾波傳給中央處理單元，中央處理單元通過傳輸電平信號控制聲光警示單元。其流程如圖1 所示。所述的熱成像傳感器用于檢測行人體溫與體型高寬比信息，激光雷達用于檢測行人速度與身高信息，中央處理單元用于處理所有的運行算法，聲光警示單元用于警示監(jiān)測人員。

圖1 結構示意圖

2 行人識別方法設計

行人識別方法運行步驟如下。

步驟1：通過激光雷達獲取行人的速度與身高信息，熱成像傳感器獲取行人體溫與體型高寬比信息。

步驟2：提出一種隸屬函數(shù)可變的模糊綜合評判算法[3]，對傳感器的多源信息數(shù)據(jù)進行融合處理并形成綜合評判體系，實現(xiàn)對目標行人的檢測。其結構示意圖如圖2 所示。

圖2 結構示意圖

2.1 行人檢測模型

為支持目標行人檢測，對熱成像傳感器和激光雷達所采集的由速度V、體溫T、身高H 及體型高寬比Z組合構成的多源綜合信息進行分析和處理，包括對多源數(shù)據(jù)進行檢測、相關與組合，從而提高目標行人檢測的準確度。根據(jù)傳感器系統(tǒng){激光雷達，熱成像傳感器}，設計行人檢測模型M，如圖3 所示。

圖3 行人檢測模型M

2.2 均值可變隸屬函數(shù)

通過先驗知識，人的速度大致分布在0～10 m/s，體溫分布在36 ℃左右，身高在1～2.5 m，體型高寬比在4 左右，根據(jù)樸素貝葉斯理論[4]，認為符合這些給定特征的檢測對象屬于“人”這一類別（由于存在識別誤差，本文給出“無法識別”這一模糊判斷），由于行人速度V、體溫T、身高H 及高寬比Z 為人們所熟知，屬于有共識的客觀模糊現(xiàn)象，根據(jù)模糊理論，可以通過直覺法確定上述參數(shù)的隸屬函數(shù)[5]，這里統(tǒng)一對4個特征參數(shù)采用高斯函數(shù)進行描述。由于在實際使用過程中，熱成像傳感器和激光雷達易受到環(huán)境干擾，可能會對測量結果造成影響，本文提出一種與影響傳感器運行的主要環(huán)境因素的變化規(guī)律有關的修正函數(shù)f（Δ），對隸屬函數(shù)的均值進行修正[6]（修正前函數(shù)的均值直接加上對應的修正函數(shù)即可，相當于原隸屬函數(shù)向左平移了f（Δ）個單位），其中Δ為影響傳感器運行的主要環(huán)境因素，如溫度、風速等；設修正后的均值分別為速度v′、體溫t′、身高h′、高寬比z′，如圖4所示。

圖4 均值可變隸屬函數(shù)

2.3 評判矩陣

給出評判集合V{識別結果非人 無法識別 識別結果為人}，分別將收集的4 個傳感器的數(shù)據(jù)代入圖2 所示的相應隸屬函數(shù)中，例如，將激光雷達收集的身高數(shù)據(jù)代入步驟2 確定的有關身高的隸屬函數(shù)中，計算后得到該數(shù)據(jù)對應的y 值。將每一個數(shù)據(jù)得出的y 值分別與該數(shù)據(jù)對應的隸屬函數(shù)中選定的α上界及α下界相比較，若y∈（0，α下界]，則這一數(shù)據(jù)的判斷結果為“識別結果非人”；若y∈（α下界，α上界]，則這一數(shù)據(jù)的判斷結果為“無法識別”；若y∈（α上界，1]，則這一數(shù)據(jù)的判斷結果為“識別結果為人”。將每一類傳感器的每一個數(shù)據(jù)代入隸屬函數(shù)中，P 次計算后（P 取決于每類傳感器收集的數(shù)據(jù)的數(shù)量），分別統(tǒng)計每一類傳感器收集的若干數(shù)據(jù)中對應“識別結果非人”“無法識別”以及“識別結果為人”的百分數(shù)，整合后構成2×3 的矩陣X 與Y，即：

式（1）（2）中：X 與Y 分別為熱成像傳感器和激光雷達對應評判集V 的評判矩陣；x11為激光雷達收集的若干速度數(shù)據(jù)中對應“識別結果非人”的百分數(shù)；x13為速度數(shù)據(jù)中對應“無法識別”的百分數(shù)；x2j為激光雷達收集的若干身高數(shù)據(jù)中對應于3 種評判結果的百分數(shù)；y1j為熱成像傳感器收集的若干溫度數(shù)據(jù)中對應于3 種評判結果的百分數(shù)；y2j為熱成像傳感器收集的若干體型高寬比數(shù)據(jù)中對應于3 種評判結果的百分數(shù)；其余符號含義類似，這里不加贅述。

2.4 信息權重及綜合評判

2.4.1 構建三元頻數(shù)統(tǒng)計法[7]確定信息數(shù)據(jù)權重

由于各個傳感器的精度以及測量參數(shù)的地位是不一樣的，本文提出一種三元頻數(shù)統(tǒng)計法來確定各傳感器的權重，該方法是從步驟1 給出的傳感器系統(tǒng){激光雷達，熱成像傳感器}出發(fā)，運用專家經(jīng)驗，給出i 組權重分配，根據(jù)給出的權重分配，按下列步驟對每類傳感器進行權重統(tǒng)計。

第一，在所給的某一類傳感器的i 組權重中找出最大值M 和最小值m。

并將權重從小到大進行分組。

第三，計算每組權重的頻數(shù)與頻率。

第四，選取最大頻率所在分組的組中值作為該傳感器的權重xi，從而得到權重向量N=[x1x2… xn]，之后將得到的權重向量進行歸一化處理：

第五，對其他傳感器重復上述操作。

由上述方法確定權重向量為：

式（4）中：N 為兩傳感器X、Y 的權重向量；N1為傳感器X 速度與身高指標的權重向量；N2為傳感器Y 溫度和體型高寬比指標的權重向量。

2.4.2 進行綜合評判

式（5）中，?與矩陣乘法類似，表示一種合成關系，例如：

對A 進行歸一化處理：

結果說明，有P1%的概率判斷識別結果非人，有P2%的概率無法識別，而P3%的概率判斷識別對象為人，取Pmax%對應的判斷結果為最終判斷結果，若其結果為無法識別，則轉為人工排查。

3 結束語

本文介紹的基于熱成像傳感器和激光雷達的行人識別方法，用于解決在固定背景下的行人檢測問題。該方法具有很好的容錯能力，能夠排除錯誤數(shù)據(jù)在融合過程中對正確結果的影響，并且能夠降低數(shù)據(jù)冗余。