行人檢測器

行人檢測儀是利用計算機視覺技術判斷圖像或者視頻序列中是否存在行人並給予精確定位的儀器。該技術可與行人跟蹤，行人重識別等技術結合，套用於人工智慧系統、車輛輔助駕駛系統、智慧型機器人、智慧型視頻監控、人體行為分析、智慧型交通等領域。

基本介紹

• 中文名：行人檢測器
• 理論基礎：行人檢測 
• 方法：支持向量機，神經網路 

發展歷史

行人檢測系統的研究起始於二十世紀九十年代中期。從最開始到2002年，研究者們借鑑、引入了一些圖像處理、模式識別領域的成熟方法，側重研究了行人的可用特徵、簡單分類算法。自2005 年以來，行人檢測技術的訓練庫趨於大規模化、檢測精度趨於實用化、檢測速度趨於實時化。隨著高校、研究所以及汽車廠商的研究持續深入，行人檢測技術得到了飛速的發展。

基於全局特徵的行人檢測方法

該類方法是目前較為主流的行人檢測方法，主要採用邊緣特徵、 形狀特徵、 統計特徵或者變換特徵等圖像的各類靜態特徵來描述行人，其中代表性的特徵包括Haar小波特徵、HOG 特徵、Edgelet特徵、Shapelet特徵和輪廓模板特徵等。

基於Haar小波特徵的方法

Papageorgiou和Poggio最早提出Harr小波的概念，Viola等引進了積分圖的概念，加快了Harr特徵的提取速度，並將該方法套用於行人檢測，結合人體的運動和外觀模式構建行人檢測系統，取得了較好的檢測效果，為行人檢測技術的發展奠定了基礎。

基於HOG特徵的方法

Dalal和Triggs在2005年提出梯度方向直方圖( Histogram of Oriented Gradients，HOG)的概念，並將其用於行人檢測，在 MIT行人資料庫上獲得近乎 100% 的檢測成功率；在包含視角、 光照和背景等變化的 INRIA 行人資料庫上，也取得了大約 90% 的檢測成功率。HOG是目前使用最為廣泛的行人特徵描述子。

基於edgelet特徵的方法

B． Wu等人提出了“小邊” ( Edgelet) 特徵的概念，即一些短的直線或者曲線片段，並將其套用於複雜場景的單幅圖像的行人檢測，在 CAVIAR 資料庫上取得了大約92%的檢測率。

基於Shapelet特徵的方法

針對上述Edgelet特徵存在的缺點，Sabzmeydani在2007 年提出了一種可以利用機器學習的方法自動得到的特徵，即Shapelet特徵。該算法首先從訓練樣本提取圖片不同方向的梯度信息，然後利用AdaBoost算法進行訓練，從而得到Shapelet特徵。

基於輪廓模板的方法

該方法是指利用圖像中目標物體的邊緣輪廓、紋理和灰度等信息構建模板，通過模板匹配的方法檢測目標。Gavrila等較早提出了基於人體邊緣輪廓的模板識別方法用以檢測行人。

基於運動特徵的方法

近年來一些學者嘗試將目標的運動信息加入到行人檢測系統中，並與其他靜態特徵相結合用於檢測行人。其中較具代表性的算法包括： 1) Viola等人針對攝像機靜止的情況提出在不同圖像上計算Haar－like特徵，然後將運動信息與圖像的灰度信息相結合構建行人檢測系統。2) Dalal等針對攝像機運動的情況，提出將基於外觀的梯度描述子和基於運動的差分光流描述子相結合來構建行人檢測器，但該方法只對單個視窗的檢測比較有效，對於整幅圖像檢測效果則很差。

行人檢測分類器

行人檢測方法中主要用到的分類器有支持向量機(SVM)、Adaboost和神經網路分類器，下面分別對這幾種分類器進行概述。

SVM分類器

Vapnik 提出的支持向量機 (Support Vector Machine， SVM)是近年來具有完善理論基礎的分類器之一。SVM分類器是基於結構風險最小化規範的統計學習方法，根據所採用核函式的不同，可分為“線性 SVM”和“非線性 SVM”兩種。

神經網路分類器

神經網路分類器經過多年的發展，已經發展成為一個包含了眾多學習模型的機器學習算法群。最基本的神經網路是被套用廣泛的基於vanilla的神經網路系統，也可以稱為單隱藏層後向傳播網路，即單層感知器。神經網路通過學習的方式將模式的特徵隱藏在一些事先設定好的網路參數中，通過這種方式可以描述比較複雜的特徵，正因為神經網路具有這樣的特點，近年來在行人檢測技術領域也得到了廣泛地套用。

Adaboost分類器

Adaboost 是由 Freund 和 Schapire最早在1997年提出來的一種自適應的 boosting 方式分類器，其中使用了指數損失函式，採用了基於貪心策略的前向分布搜尋方式，並進行加法建模。通過Adaboost 得到的分類器廣泛套用於模式識別和計算機視覺領域。

套用前景

行人檢測在計算機套用領域有著非常廣泛的套用，比如車輛輔助駕駛系統、智慧型視頻監控、機器人、航拍圖像、人機互動系統、運動分析等。近年來智慧型車輛領域研究中備受關注的前沿方向，目前一些汽車生產廠商、 大學和研究機構相繼開始了行人檢測技術的研究。比如，歐洲戴姆勒、德國大眾等就發起了旨在研究行人保護方案的 PROTECTOR 項目 , 並且已經取得了初步的成效。2004-2005年的SAVE- U項目實現的目標是減少行人和車輛碰撞造成的傷亡數量和事故等級, 並在危險狀況下駕駛員警告和車輛自動減速試驗車輛。作為無人駕駛的先驅技術之一，行人檢測系統在近幾年也已成為研發熱點，它通常整合到碰撞預防系統當中，利用雷達攝像頭和感應器來檢測行人，並及時減速剎車從而減少事故傷害。沃爾沃、豐田等車企已率先推出先進的行人檢測系統，而福特也推出了先進的行人檢測系統，能夠識別路上的行人並進行動態分析，預測他們是否會闖入駕駛路線中。除了傳統汽車公司外，很多網際網路公司也在研發行人檢測系統，以期實現智慧型汽車。谷歌最新的行人檢測系統只靠攝像機影像來掌握行人動向，但是最佳化了速度問題。此外，行人檢測在智慧型交通等領域也越來越受到重視。