韦皓瀚 曹 国 尚岩峰 孙权森 王必胜

(1.南京理工大学计算机科学与工程学院，南京，210094; 2.公安部第三研究所，上海，201204)

引 言

行人检测在视频监控、虚拟现实技术和机器人视觉中都有着广泛的应用研究。由于行人具有姿态多变性的特征，外观易受衣着、尺度变化、外物遮挡、姿态改变和拍摄角度等因素的影响，一直是图像处理领域的研究热点与难点。目前主流的行人检测算法包括两部分：特征提取和分类器学习。常用的目标特征有梯度方向直方图(Histograms of oriented gradient, HOG)[1]、颜色特征如(RGB, LUV和HSV等)、Harr小波变换以及梯度幅度等，分类器主要包括支持向量机(Support vector machine, SVM) 、随机森林[2](RandomForest)、决策树以及深度学习[3]等。

2005年Dalal和Triggs提出的基于梯度直方图加支持向量机(HOG+SVM)的行人检测算法，是行人检测领域中的一大突破；Oliver等[4]利用边缘图像来对不同的形状模型进行匹配(ASM)；2008年Felzenswalb教授基于HOG+SVM框架的理论知识，提出了经典的目标形变部件模型检测算法(Deformable part models, DPM)[5]，极大提高了行人形变检测的鲁棒性和准确性，不过该算法的时间复杂度太高，不适合用来进行实时检测；曾波波[6]于2012年提出了一种颜色自相似性(CSS)特征，其计算方法是在LUV颜色通道上计算大小一致、不同位置的矩形区域内的数值和之比，该特征具有计算快、尺度不变等特点；文献[7]等针对5种干扰类型：物体遮挡、图像失焦、亮度异常、偏色、噪声干扰提取出有效的特征，进行分类检测和识别，具有较好的检测效果，且能够满足监控系统实时性的要求。ACF[8]采用决策树为弱分类器训练Boosting分类器，训练和检测阶段时间花费较少，适合用于实时检测，但在实际检测中会有较多的误检数。……