Pedestrian Detection- state of art - 行人检测-更新到2015各种先进的algorithms

### 行人检测技术概述 行人检测是计算机视觉领域中的一个重要课题，主要目的是在图像或视频中自动识别出人类行人。这项技术广泛应用于智能交通系统、安防监控、无人驾驶汽车等领域。随着深度学习技术的发展，行人检测算法的性能得到了显著提升。本文基于一份截至2015年的文献综述，对当时流行的几种先进行人检测算法进行详细介绍。 ### 1. Caltech Pedestrian Dataset Caltech Pedestrian Dataset 是一个广泛使用的行人检测数据集，包含大量标注的行人实例。该数据集对于评估不同算法的有效性至关重要。以下是对该数据集中评估过的部分算法的总结： #### A. ACF (Aggregated Channel Features) - **特点**：利用多通道特征进行聚合。 - **分类器**：AdaBoost。 - **训练数据**：INRIA 或 Caltech 数据集。 - **备注**：该方法通过不同的通道特征组合提高了检测精度，并且有针对 Caltech 数据集的特定版本。 - **变体**： - ACF-Caltech：专为 Caltech 数据集优化。 - ACF-Caltech+：使用更深的决策树和更密集的采样。 - ACF+SDt：结合了运动特征（Stabilized DTree）来提高准确性。 #### B. AFS (Accelerated Feature Synthesis) - **特点**：采用多种特征。 - **分类器**：线性 SVM。 - **训练数据**：INRIA 数据集。 - **备注**：AFS 是一种加速版本的特征合成方法，具有更高的效率。 - **变体**： - AFS+Geo：在原始 AFS 的基础上增加了几何约束。 #### C. CCF (Combined Channel Features) - **特点**：使用深度特征。 - **分类器**：AdaBoost。 - **训练数据**：Caltech 数据集。 - **备注**：CCF 通过结合深度特征来增强检测性能。 #### D. Checkerboards - **特点**：使用通道特征。 - **分类器**：AdaBoost。 - **训练数据**：Caltech 数据集。 - **备注**：Checkerboards 方法通过引入额外的基于流的特征进一步提升了性能。 #### E. ChnFtrs (Channel Features) - **特点**：利用通道特征。 - **分类器**：AdaBoost。 - **训练数据**：INRIA 数据集。 - **备注**：这是一个经过更新的方法，在作者的网站上提供了附加材料。 #### F. CompACT-Deep - **特点**：采用多种特征。 - **分类器**：Boosting。 - **训练数据**：Caltech 数据集。 #### G. ConvNet (Convolutional Neural Networks) - **特点**：像素级特征。 - **分类器**：DeepNet。 - **训练数据**：INRIA 数据集。 - **备注**：基于卷积神经网络的方法在行人检测任务中表现出色。 #### H. Crosstalk - **特点**：使用通道特征。 - **分类器**：AdaBoost。 - **训练数据**：INRIA 数据集。 #### I. DBN-Isol 和 DBN-Mut (Deep Belief Networks) - **特点**：使用 HOG 特征。 - **分类器**：DeepNet。 - **训练数据**：INRIA/Caltech 数据集。 - **备注**：这两种方法都利用深层信念网络来提取高级特征。 #### J. DeepCascade - **特点**：像素级特征。 - **分类器**：DeepNet。 - **训练数据**：Caltech 数据集。 - **备注**：DeepCascade+ 使用了 Caltech、ETH 和 Daimler 数据集进行训练，进一步增强了模型的泛化能力。 #### K. DeepParts - **特点**：像素级特征。 - **分类器**：DeepNet。 - **训练数据**：Caltech 数据集。 #### L. FastCF - **特点**：使用通道特征。 - **分类器**：AdaBoost。 - **训练数据**：INRIA/Caltech 数据集。 - **备注**：FastCF 能够在 CPU 上实现每秒 100 帧的处理速度。 #### M. FeatSynth (Feature Synthesis) - **特点**：采用多种特征。 - **分类器**：线性 SVM。 - **训练数据**：INRIA 数据集。 #### N. FisherBoost - **特点**：使用 HOG 和 COV 特征。 - **分类器**：FisherBoost。 - **训练数据**：INRIA 数据集。 #### O. FPDW (Fast People Detector with Windows) - **特点**：使用通道特征。 - **分类器**：AdaBoost。 - **训练数据**：INRIA 数据集。 - **备注**：这是一种加速版的 ChnFtrs 方法。 #### P. FtrMine (Feature Mining) - **特点**：使用通道特征。 - **分类器**：AdaBoost。 - **训练数据**：INRIA 数据集。 #### Q. Franken - **特点**：使用通道特征。 - **分类器**：AdaBoost。 - **训练数据**：INRIA 数据集。 - **备注**：该方法通过构建多个针对遮挡的专用模型来提高准确性。 #### R. HikSvm - **特点**：使用 HOG 特征。 - **分类器**：HIKSVM。 - **训练数据**：INRIA 数据集。 - **备注**：自发表以来，已经修复了边界效应问题。 #### S. HOG (Histogram of Oriented Gradients) - **特点**：使用 HOG 特征。 - **分类器**：线性 SVM。 - **训练数据**：INRIA 数据集。 #### T. HOG-LBP (Histogram of Oriented Gradients and Local Binary Patterns) - **特点**：使用 HOG 和 LBP 特征。 - **分类器**：线性 SVM。 - **训练数据**：INRIA 数据集。 #### U. InformedHaar - **特点**：使用通道特征。 - **分类器**：AdaBoost。 - **训练数据**：INRIA/Caltech 数据集。 #### V. JointDeep - **特点**：使用颜色和梯度特征。 - **分类器**：DeepNet。 - **训练数据**：INRIA/Caltech 数据集。 #### W. Katamari - **特点**：使用通道特征。 - **分类器**：AdaBoost。 - **训练数据**：INRIA/Caltech 数据集。 - **备注**：该方法综合了多种方法的优点，包括 [4,16,28,31,37]。 #### X. LatSvm-V1 和 LatSvm-V2 (Latent SVM) - **特点**：使用 HOG 特征。 - **分类器**：Latent SVM。 - **训练数据**：PASCAL 和 INRIA 数据集。 #### Y. LDCF (Locally Decorrelated Channel Features) - **特点**：使用通道特征。 - **分类器**：AdaBoost。 - **训练数据**：Caltech 数据集。 - **备注**：该方法通过局部去相关通道特征来提高检测性能。 #### Z. LFOV (Large Field of View) - **特点**：使用像素级特征。 - **分类器**：DeepNet。 - **训练数据**：Caltech 数据集。 #### AA. MLS (Multiple Layer Structure) - **特点**：使用 HOG 特征。 - **分类器**：AdaBoost。 - **训练数据**：INRIA 数据集。 #### AB. MOCO (Model of Context) - **特点**：使用 HOG 和 LBP 特征。 - **分类器**：Latent SVM。 - **训练数据**：Caltech 数据集。 ### 结论 行人检测算法经历了从传统机器学习方法到深度学习方法的重大转变。这些算法不仅在准确率方面取得了显著进步，而且在处理遮挡、尺度变化等复杂场景时也表现出了强大的适应性。通过对比分析，我们可以看出，利用深度学习框架如卷积神经网络（CNNs）和深层信念网络（DBNs）的方法在检测性能上表现尤为突出。同时，通过融合多种特征（如 HOG、LBP 等）和改进训练策略（如 AdaBoost、SVM 等），能够进一步提高检测效果。未来的研究可以继续探索如何结合更多领域的知识和技术，进一步提高行人检测的准确性和鲁棒性。