欧阳爱国， 张文穗， 刘燕德， 曾体伟

(华东交通大学 光机电技术及应用研究所，江西 南昌 330013)

0 引 言

为了提高人们在公共区域的安全性，对行人的检测识别和状态分析是目前最受关注的研究内容[1]，因此需要探索精度更高的人群检测与定位方法。Zhou T等人[2]提出了一种基于多核学习(multi-kernel learning,MKL)的人群人头检测框架，先检测出运动候选区域，之后采用模型检测人群。此方法一般适用于中低密度，对于复杂背景遮挡严重的情况检测效果有限。为了克服这些问题，Conte D等人[3]提出一种间接的方法对拥挤人群进行计数，通过对检测人群的运动信息，提取SURF特征角点数与人群数间存在的对应关系，来估计人群数量。Zhang Y Y等人[4]和Sam D B等人[5]提出基于多级卷积神经网络的人群计数方法,方法在人群密度极高场景下检测精度较高。但深度学习的方法往往存在网络训练成本较高，需要大量的目标标注数据，并且可解释性较差，硬件成本较高。

本文基于视频的帧间时空特征，优化的聚合通道特征(aggregation channel feature,ACF)，兼顾外观与动态信息，提出了两种窗口融合策略改进非极大值抑制(non-maximum suppression,NMS)算法，使用软级联分类器对特征建模，对人群目标进行检测与定位。

1 行人目标检测与定位分析

首先提取运动区域，对运动区域进行目标检测，区分出行人目标与非行人目标。视觉背景提取(visual background extraction，ViBe)在分类前景和背景像素点时应用的是固定阈值，使得在动态背景中很容易造成扰动，影响检测结果；在检测由静转动和由动转静的目标时，算法存在鬼影和拖影现象，提升了后续检测的误检率[6]。……