黄 鹏, 于凤芹， 陈 莹

(江南大学 物联网工程学院,江苏 无锡 214122)

0 引 言

行人检测是计算机视觉中极具挑战性的课题，被广泛应用于视频监控、机器人辅助驾驶和智能摄像机。行人兼具刚性和柔性物体的特性，外观易受穿着、尺度、遮挡、姿态和视角等影响，使得行人检测成为计算机视觉的研究难点与热点[1]。

获取人体描述特征之前需要建立人体模型，轮廓信息的提取至关重要。典型的行人检测方法提取梯度方向直方图(histogram of oriented gradients,HOG)[2,3]特征，能有效刻画人体边缘特征，但维度高、计算慢；Dollár P等人[4]提出了积分通道特征(integral channel features,ICF)，从不同角度对行人进行描述，大幅提升了检测精度，但特征维数大，检测速度慢；Dollár P等人[5]提出了聚合通道特征(aggregate channel features，ACF)算法，计算块中像素和作为特征向量，具有较快的检测速度，但对行人外观轮廓描述不稳定导致检测率下降；Zhang S S等人[6]对ACF算法进行了改进，使用滤波器组来突出行人轮廓信息，在遮挡情况下仍然有较好的检测精度，但计算量较大；Hwang S等人[7]在ACF算法中增加了红外图像通道，增强在夜间环境下的检测率，但应用成本较高；Sermanet P等人[8]提出了使用卷积神经网络(convolutional neural network,CNN)学习多个层级的特征来检测行人；Lim J等人[9]提出了使用无监督的学习方法来获取能够准确捕捉行人轮廓的中层特征；Lim J等人[10]利用快速边缘检测[11]提取边缘信息获取可能存在的目标区域，提出了通用目标检测EdgeBox算法，检测区域与实际目标重合50 %的情况下，取得了96 %的检测率。

本文针对ACF算法中行人外观轮廓不稳定导致检测率下降的问题，提出了基于快速边缘检测和Real Adaboost的行人检测。……