20151026行人检测相关综述研讨.pptx

题目中文行人检测文献研究内容vs待解决问题技术路线详细题目基于深度学习的交通背景下的行人检测方法研究复杂交通场景中基于深度学习的行人检测研究基于深度学习的车辆前方行人检测算法眼就复杂交通背景下基于深度学习的行人检测智能交通系统中基于深度学习的行人检测方法研究中文文献1/2/6/36/37背景数据集：Caltech：该数据库是目前规模较大的行人数据库，采用车载摄像头拍摄，约10个小时左右，视频的分辨率为640x480，30帧/秒。标注了约250,000帧（约137分钟），350000个矩形框，2300个行人，另外还对矩形框之间的时间对应关系及其遮挡的情况进行标注。数据集分为set00~set10，其中set00~set05为训练集，set06~set10为测试集（标注信息尚未公开）。性能评估方法有以下三种：（1）用外部数据进行训练，在set06~set10进行测试；（2）6-fold交叉验证，选择其中的5个做训练，另外一个做测试，调整参数，最后给出训练集上的性能；（3）用set00~set05训练，set06~set10做测试。由于测试集的标注信息没有公开，需要提交给Pitor Dollar。结果提交方法为每30帧做一个测试，将结果保存在txt文档中（文件的命名方式为I00029.txt I00059.txt ……），每个txt文件中的每行表示检测到一个行人，格式为“[left, top,width, height, score]”。如果没有检测到任何行人，则txt文档为空。该数据库还提供了相应的Matlab工具包，包括视频标注信息的读取、画ROC（Receiver Operatingcharacteristic Curve）曲线图和非极大值抑制等工具。KITTIDataset：TheKITTIVisionBenchmarkSuite，也是认可度很广泛的汽车驾驶数据集。NYUDepthv2.和KITTI提到的硬件是：NVidiaGTXTianBlack车辆辅助驾驶系统中基于计算机视觉的行人检测研究综述行人检测在车辆辅助驾驶系统中的重要应用价值两个模块：感兴趣区分割（ROIs）和目标识别难点：服饰变化、姿态变化摄像机是运动的，这样广泛应用于智能监控领域中检测动态目标的方法便不能直接使用鲁棒性：路况、天气和光线变化实时性ROIs分割：从图像中提取可能包含行人的窗口区域作进一步验证，以避免穷举搜索，提高系统的速度目标识别：对得到的ROIs进行验证，以判断其中是否包含行人，其性能决定了整个系统可以达到的精度和鲁棒性。ROIs分割：基于运动、基于距离、基于图像特征基于摄像机参数目标识别：基于运动的识别基于形状方法基于运动基于距离基于图像特征基于摄像机参数得到ROIs的方式检测场景中的运动区域测量目标到汽车的距离检测与行人相关的图像特征设备摄像机雷达立体视觉可见光图像-竖直边缘局部区域的熵红外图像-人脸温度比周围温度高（热点）额外考虑的问题camera运动，所以要补偿车辆自身的运动各传感器之间的时间和空间同步问题检测算法不能太复杂，整个系统的速度不应该低于对所有窗口进行穷尽识别的速度优点不受姿态的影响，比较鲁棒比较鲁棒，受光照和行人外貌的影响较小直接利用了图像信息只需处理可能发生危险的区域缺点智能检测运动的行人额外的测距设备，从而增加了系统的造价和复杂度因环境的复杂多变，很难定义出对每种场景都是用的特征需要对摄像机参数进行标定，并且受车辆振动的影响主要应用智能监控基于视觉的检测系统与后面的目标识别算法结合=单步检测算法评价标准基于分类器的评价：正面测试样本-一系列和训练样本同样大小的包含行人的窗口正确率-正确分类的窗口数量和总的窗口数量的比值来表示负面测试样本-一系列不包含行人的窗口虚警率-错误分类的窗口数量与总的窗口数量的比值基于检测的评价测试数据一般是一个图片集或者视频序列，人工对行人图像或视频中的位置进行标注评价时，将检测到的星人的位置和标注的位置进行比较，如果误差小于一个阈值，则判决为正确的检测结果，否则，视为一个虚警正确率-正确检测到的目标个数和手工标注的目标个数的比值虚警率-一个数据集上出现的总的虚警的个数或者平均出现一个虚警个数的帧数车载视觉系统中的行人检测技术综述大体分类与上一篇一样行人检测技术综述基于无监督学习的行人检测算法研究解决学习样本未标记的问题数据增强用来生成额外的训练数据而无需对训练样本进行标记无监督卷积稀疏自动编码器获得特征端对端监督训练对分类器进行训练对特征进行微调INRIA行人检测方法：基于形状：基于人体模型（解决遮挡）基于模板匹配（多姿态）基于学习特征：监督学习区分函数分类器|结构参数（鲁棒性）ROIs分割分类器-核心部分深度学习的问题：行人检测方面的深度学习模型未定深度学习本身结构确定问题分类器问