林浩，马可可，牛阿云，庄家俊

（仲恺农业工程学院计算科学学院，广州510225）

0 引言

夜间行车仅约占行车总量的25%，但却有超过50%的交通事故发生于夜间，给行人等脆性目标带来了严重的威胁[1]。得益于恶劣环境适应性强的优点，红外成像特别适合于在能见度差的夜间场景中执行行人检测任务[2]。基于红外成像的行人检测方法通常包含感兴趣区域（Regions of Interest，RoIs）提取和行人识别两个主要环节。刘琼等人[3]提出一种融合行人区域显著性的双阈值图像分割算法，实现了多尺度红外行人分割，但该算法包含较多的模型参数。Dollar 等人[4]提出描述行人目标的聚合通道特征（Aggregated Channel Feature，ACF），结合集成学习方法，提高了光学图像中的行人检测准确性，但由于色彩信息的缺失，ACF 算子无法直接应用于红外行人检测。崔少华等人[5]采用包含若干个卷积层和池化层的LeNet-7 框架，提出了一种基于卷积神经网络的红外行人检测方法；许茗等人[6]在频率域中生成红外行人区域的显著性热图，以行人目标概率图为期望输出，提出了一种全卷积网络行人检测方法；上述基于深度学习的行人检测方法虽能显著提高红外行人识别准确性，但依赖于专属GPU 硬件设备。笔者结合远红外行人目标的成像特性，提出一种基于远红外图像序列的行人检测方法，结合全局和局部图像分割策略快速准确定位潜在目标区域，在AdaBoost 集成学习框架下引入多目标跟踪机制，以提高夜间行人检测系统的鲁棒性。

1 实验数据……

登录APP查看全文