2015-10-26行人检测相关综述选编.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。 KITTI Dataset：The KITTI Vision Benchmark Suite，也是认可度很广泛的汽车驾驶数据集。 NYU Depth v2.和KITTI 提到的硬件是：NVidia GTX Tian Black 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