段瑞雪,马凯悦，张仰森

(1.北京信息科技大学 计算机学院,北京 100101；2.国家经济安全预警工程北京实验室,北京 100044；3.北京信息科技大学 信息管理学院，北京 100192)

0 引言

行人检测(pedestrian detection)是计算机视觉领域内应用比较广泛和比较热门的算法，一般会与行人跟踪、行人重识别等技术进行结合，来对区域内的行人进行检测识别跟踪，广泛应用于安防、零售、无人驾驶等领域。由于行人的外观易受穿着、尺度、遮挡、姿态和视角等影响，目前行人检测仍然面临几大挑战：其一，杂物背景下低分辨率的行人难以检测，并且此种情况下会产生大量难例；其二，拥挤场景下难以精确定位每个行人。

近年来，深度学习技术快速发展，在行人检测方面也取得了较好的结果。Sermanet等[1]利用卷积神经网络模型进行行人检测，Chan等[2]利用自动学习的滤波来修改图像的卷积，提高了准确率。但是基于深度学习的方法其模型泛化能力较差，训练速度慢，而且容易出现过拟合等现象，并不适合于所有的行人检测环境。

本文采用传统HOG+SVM的算法，利用多源数据融合的方法，在样本处理、难例选择等方面对算法进行改进，设计了行人检测的各个模块，并进行了可视化，实现了在Caltech各个seq数据集和INRIA正负测试集之间的检测切换，改善了模型难以在Caltech上进行评测的问题。

1 国内外研究现状

目前有许多种行人检测的方法，其主流是基于统计的方法和深度学习的方法。基于统计的方法主要包括两个步骤：提取特征和分类。……