行人检测技术研究综述

行人检测是计算机视觉领域极具挑战性的研究热点,它在智能交通、机器人开发和视频监控等领域具有重要应用。从行人检测所采用的特征着手,对现有的行人检测方法进行了分类和评述,分析了各类方法的优缺点,同时,介绍了常用的行人检测数据库的特点,最后分析了行人检测研究中存在的难题并对未来的发展做出展望。     

基于特征增强模块的小尺度行人检测

行人检测中,小尺度行人时常被漏检、误检。为了提升小尺度行人的检测准确率并且降低其漏检率,该文提出一个特征增强模块。首先,考虑到小尺度行人随着网络加深特征逐渐减少的问题,特征融合策略突破特征金字塔层级结构的约束,融合深层、浅层特征图,保留了大量小尺度行人特征。然后,考虑到小尺度行人特征容易与背景信息发生混淆的问题,通过自注意力模块联合通道注意力模块建模特征图空间、通道关联性,利用小尺度行人上下文信息和通道信息,增强了小尺度行人特征并且抑制了背景信息。最后,基于特征增强模块构建了一个小尺度行人检测器。所提方法在CrowdHuman数据集中小尺度行人的检测准确率为19.8%,检测速度为22帧/s,在CityPersons数据集中小尺度行人的误检率为13.1%。结果表明该方法对于小尺度行人的检测效果优于其他对比算法且实现了较快的检测速度。     

基于特征表示的行人再识别技术综述

行人再识别是智能视频监控中的一项关键任务,是近年来计算机视觉领域中一直备受关注的研究热点,适用于安防以及公共场所寻人等技术领域。特征提取是行人再识别技术中存在的核心问题之一。对现有的基于特征表示的行人再识别方法进行评述,并分析其中代表性方法的优缺点;介绍了常用行人数据库的特点;然后总结现阶段行人再识别研究所面临的挑战。最后对行人再识别技术的未来发展方向进行了展望。     

结合头部和整体信息的多特征融合行人检测

尺度过小或被遮挡是造成行人检测准确率降低的主要原因。由于行人头部不易被遮挡且其边界框包含的背景干扰较少,对此,该文提出一种结合头部和整体信息的多特征融合行人检测方法。首先,设计了一种具有多层结构的特征金字塔以引入更丰富的特征信息,融合该特征金字塔不同子结构输出的特征图从而为头部检测和整体检测提供有针对性的特征信息。其次,设计了行人整体与头部两个检测分支同时进行检测。然后,模型采用无锚框的方式从特征图中预测中心点、高度及偏移量并分别生成行人头部边界框和整体边界框,从而构成端到端的检测。最后,对非极大值抑制算法进行改进使其能较好地利用行人头部边界框信息。所提算法在CrowdHuman数据集和CityPersons数据集Reasonable子集上的漏检率分别为50.16%和10.1%,在Caltech数据集Reasonable子集上的漏检率为7.73%,实验表明所提算法对遮挡行人的检测效果以及泛化性能与对比算法相比得到一定的提升。     

基于AdaBoost的行人检测研究与实现

行人检测是城市交通环境下的智能车辆导航系统中的一项关键技术,对推动智能车辆的发展及保障城市交通安全具有十分重要的作用。     

基于时空视觉显著性特征的行人检测

在分析现有的行人检测算法的基础上,针对前景提取不完整及检测误差较大等不足,提出了一种基于时空视觉显著性特征的行人检测改进算法.在具有代表性的Itti模型的基础上,使用更接近于人类视觉的Lab颜色空间对其颜色空间进行改进,并将运动特征及基于轮廓搜索的内部空洞填充法引入其中,生成总显著图.提取ROI,采用HOG特征结合SVM分类器对ROI进行行人检测.实验结果表明,该算法在一定程度上避免了误检和漏检的发生,相比较HOG算法具有较好的检效果.     

基于PCB特征加权的行人重识别算法

为充分挖掘行人重识别特征,最近流行的PCB算法给出了一种特征均匀分块并通过RPP网络对齐特征的方法。PCB算法充分发挥了局部特征的作用,有效提高了行人重识别的准确率。为进一步提高行人重识别的性能,本文基于全局特征与局部特征对网络性能的影响差异提出了一种特征加权的PCB行人重识别算法。在典型的行人识别数据库Market1501、DukeMTMC-Reid上的实验结果表明:所提算法具有更好的首中准确率（Rank1）和平均准确率（mAP）;相比与经典的PCB+RPP算法,所提算法在Market1501数据集上Rank1提高了0.8%,mAP提高了4.5%;在DukeMTMC-Reid数据集上Rank1提高了5.5%,mAP提高了约7%。      

基于分块特征组合的视域盲区行人匹配

各相机间通常存在监控视域以外的非重叠区域,即相机视域盲区,它的存在对多相机多行人匹配带来了挑战性工作。提出了一种基于分块特征组合的多摄像机视域盲区行人匹配的方法。在单摄像机视域中首先通过HOG特征训练而成的判别训练部件模型对行人进行检测,在其Hue分量上分别提取COLOR、SIFT和LBP分块特征,从而通过实验找出最佳组合特征实现行人的匹配。提出的最佳组合特征和已有文献中的匹配方法进行比较,结果表明匹配速率有很大的提高。     

语义增强引导特征重建的遮挡行人检测

行人被严重遮挡导致无法提取有效特征是行人检测中出现漏检的一个主要原因。为了解决该问题,提出一种语义增强引导特征重建的遮挡行人检测算法。首先,利用空间和通道之间的依赖性设计了语义特征增强模块,建立全局上下文信息用以增强遮挡行人特征。其次,为关注行人的可见区域,通过自适应特征重建模块生成语义分割图,自适应调整通道的有效权重,增强行人和背景的可判别性。最后,通过多层次级联语义特征增强和自适应特征重建两个模块得到多层次特征图,融合多特征用以最终的行人解析。实验结果表明,该方法在具有挑战性的行人检测基准CityPersons和Caltech上,对严重遮挡目标的漏检率分别实现了47.28%和44.04%,在遮挡行人的检测上相较于其他方法具有较好的鲁棒性。     

基于一阶和二阶聚合通道特征的实时行人检测

为了同时改善实时行人检测的误检率和检测速度,文中引入了二阶聚合通道特征(SOACF)来提高行人检测算法的性能,该算法主要基于图像中的一阶信息聚合通道特征(ACF)检测器,互补了ACF与SOACF的性能,并设计开发了一种加权非最大抑制合并算法。与ACF检测器相比,该合并检测器不仅在INRIA,Caltech和KITTI行人数据集上表现良好,而且在Caltech和KITTI数据集上的误检率分别降低了4%和2%,检测速度比基于ACF的CheckerBoards检测器快了近100倍。     

基于聚合通道特征的红外行人检测方法

基于红外图像的行人检测技术在夜间场景监控、汽车夜间辅助驾驶等相关领域具有重要的作用,然而受红外图像分辨率低、信噪比高等因素影响,当前的很多方法性能不佳。提出了一种基于图像特征通道的红外行人检测算法。利用快速特征金字塔技术在红外图像上进行了滑动窗口检测。实验结果证明,相对于其他常规算法,该算法在实时性和鲁棒性上都有很大的提升。     

基于Haar-like特征多分类器集成的行人检测

Haar-like特征主要用于人脸等目标识别领域,然而因行人流动方向不确定,监控视频拍摄到的行人有正面、侧面和背面三种情况,因此文中提出一种根据三种特征设计的多分类器集成算法。在训练其中一面样本分类器时,将另外两面样本和背景图像作为负样本,从而得到三个分类器,分别检测识别后再筛选统计目标。实验证明该算法具有良好的检测识别效果。     

面向行人再识别的特征融合与鉴别零空间方法

针对行人再识别技术易受到光照、姿态和视角等因素影响，同一个人外观特征变化明显，较难提取其不变特征，导致识别率偏低的问题，本文提出面向行人再识别的融合特征与鉴别零空间方法。首先利用HSV、LAB、RGB和YCrCb四种颜色特征和Gabor滤波器提取条纹特征， GOG描述子提取块状特征，并将这两种特征融合成一个特征向量，然后将融合后的的特征投影到鉴别零空间，降低特征维数，最后利用欧氏距离计算距离进行行人再识别。本文所提方法在VIPeR、Prids_450s和CUHK01数据库上的rank1识别率分别是52.7%、72.2%和59.7%，实验结果表明所提方法能充分融合行人图像特征，对环境有较强鲁棒性，可有效提高识别率。      

基于阶梯型特征空间分割与局部注意力机制的行人重识别

为了让网络捕捉到更有效的内容来进行行人的判别,该文提出一种基于阶梯型特征空间分割与局部分支注意力网络(SLANet)机制的多分支网络来关注局部图像的显著信息。首先,在网络中引入阶梯型分支注意力模块,该模块以阶梯型对特征图进行水平分块,并且使用了分支注意力给每个分支分配不同的权重。其次,在网络中引入多尺度自适应注意力模块,该模块对局部特征进行处理,自适应调整感受野尺寸来适应不同尺度图像,同时融合了通道注意力和空间注意力筛选出图像重要特征。在网络的设计上,使用多粒度网络将全局特征和局部特征进行结合。最后,该方法在3个被广泛使用的行人重识别数据集Market-1501,DukeMTMC-reID和CUHK03上进行验证。其中在Market-1501数据集上的mAP和Rank-1分别达到了88.1%和95.6%。实验结果表明,该文所提出的网络模型能够提高行人重识别准确率。     

引入垂直全局表观约束的中层特征行人再识别

行人再识别问题中,包含语义信息的中层特征能够提供更强的判别力.由于中层特征也采用局部匹配方式,与底层特征一样存在由于不同行人部分表观区域比较相似而产生误匹配问题.考虑到行人几乎都处于站立姿态,同一行人在垂直方向上的表观序列比不同行人的更相似,提出了在中层特征的基础上引入行人垂直全局表观约束,并融合底层稠密块匹配的识别方法.实验结果表明,算法在最具挑战的公用VIPeR数据库和CUHK01数据库上,均取得了比现有方法更高的命中率.     

基于典型相关分析特征融合的行人再识别方法

传统的行人再识别方法通常使用手工设计的视觉 特征来描述行人图像。然而,仅用单 个类型的视觉特征很难全面表征行人图像信息,导致识别性能达不到满意效果。提出一种利 用典型相关分析对不同类型特征融合的行人再识别方法。该方法首先分别对两种不同类型的 行人视觉特征进行典型相关分析,以获得两组不同特征之间的最大相关子空间。然后,分别 使用连接融合和相加融合两种策略对两种变换后的特征进行融合,使用融合后的特征用于行 人再识别。实验结果表明,相比单个类型的行人图像特征和简单的多特征连接方法,提出的 特征融合方法在保持特征维度较低的同时,能获得更好的识别率。     

基于姿态估计与特征相似度的行人重识别算法

针对行人重识别场景复杂引起的局部特征不对齐，以及在背景杂乱情况下难以提取出具有不变性行人特征的问题，提出一种基于人体姿态估计算法和相似度矩阵引导的多尺度融合网络。网络引入姿态估计算法构造对齐的行人特征，通过多分支结构将低层局部特征和高层全局特征进行融合提升网络的表征能力；此外特征相似度矩阵将全局特征分割出相似度引导的背景、前景分支，再利用区域级的三元损失函数，提取出对复杂背景鲁棒的行人特征。在Market-1501、DukeMTMC-ReID、CUHK03和MSMT17四个主流数据集上的实验结果表明，本文提出的方法均能达到甚至超过当前主流算法的水平。在最具挑战的MSMT17数据集中，与目前精度领先的算法相比，首次命中精度提高了1.4个百分点，平均精度均值提高了3.4个百分点。     

基于GPU的高清视频图像行人检测方法研究

对视频或图像中的行人进行检测使用HOG特征与支持向量机SVM相结合的方法,取得了良好的效果,但是由于HOG特征的计算量非常大,难以满足实时检测的需要,文章针对这一情况提出并实现一种在GPU环境下使用并行加速策略的高效行人检测方法。实验证明这种方法快速有效,大大地提高了行人检测的效率。     

融合多尺度信息和跨维特征引导的轻量行人检测

针对复杂道路场景下行人检测精度与速度难以提升的问题,提出一种融合多尺度信息和跨维特征引导的轻量级行人检测算法。首先以高性能检测器YOLOX为基础框架,构建多尺度轻量卷积并嵌入主干网络中,以获取多尺度特征信息。然后设计了一种端到端的轻量特征引导注意力模块,采用跨维通道加权的方式将空间信息与通道信息融合,引导模型关注行人的可视区域。最后为减少模型在轻量化过程中特征信息的损失,使用增大感受野的深度可分离卷积构建特征融合网络。实验结果表明,相比于其他主流检测算法,所提算法在KITTI数据集上达到了71.03%的检测精度和80 FPS的检测速度,在背景复杂、密集遮挡、尺度不一等场景中都具有较好的鲁棒性和实时性。