梅若恒，马惠敏

（北京科技大学计算机与通信工程学院，北京100083）

1 引 言

遮挡问题在计算机视觉领域一直是一个极具挑战的问题，当遮挡发生时，图像目标的特征会出现不同程度的缺失，造成目标检测算法精度的迅速下降。为了应对遮挡问题带来的挑战，国内外学者做了很多工作，如在跟踪领域，分块mean shift，HCF 等算法被提出以提升遮挡下的跟踪性能［1-2］，在自动驾驶领域，关于行人检测、车辆检测和跟踪的一系列算法被提出以解决自动驾驶环境下的遮挡检测问题［3］。

虽然现在就遮挡问题在许多应用场景已经诞生了很多优秀的算法，但如何评估遮挡问题对算法的影响仍是当前亟需解决的任务。图像数据集在计算机视觉研究中具有非常重要的作用，ImageNet［4］涵盖20 000 多个类别，并为每张图像标注了颜色、纹理等属性。PASCAL VOC［5］拥有较高质量的图片数据，并针对不同的任务对物体的分割和检测提供了完备的标注。这些数据集为挖掘深度学习算法的潜能做出了巨大的贡献，但是它们缺乏对遮挡的标注来评估遮挡问题。KITTI 数据集［6］是一个自动驾驶场景下的大型数据集，包含城镇、乡村、高速公路等场景，并对行人、汽车等对象进行了0～3 级的遮挡标注。Caltech［7］是一个行人检测数据集，使用完整包围盒和可见包围盒对行人进行了标注，并将遮挡程度简单地划分为无遮挡、部分遮挡和严重遮挡。但是这些数据集对于遮挡问题仅仅提供了粗略的标注，仍缺乏合适的数据集来对遮挡问题进行系统地评价。……