【行人检测研究现状文献综述2600字】.pdfVIP

行入检测研究现状文献综述

行人检测作为目标检测的重要分支之一，行人作为最常见也是最具价值的素

材之一，一直以来是研究的热点，基于行人检测技术的应用也层出不穷并且在不

断地优化。可以根据特征提取方法的不同，将行人检测划分为两类，第一类是手

工提取特征的方法，第二类是用深度神经网络提取特征的方法。

最开始一些传统的目标检测方法，都是采用手工提取特征的方式。手工设计

特征阶段是相关领域的专家通过多年的积和经验来手动设计和处理特征。

Papageorigious等人⑺在2000年时设计出Harri特征，并且应用到行人检测；Jones

等人在2001年时在借助积分图和AdaBoost⑻算法加快Harri特征计算，使行人检

测的速度得到提升，但是效果不好。Dalal等人设计的方向梯度直方图（Histogram

ofOrientedGradient,HOG）特征⑼在SVM分类器基础上对行人进行检测，但是

对行人的姿势有所要求。Felzenszalb等人问设计了DPM算法，是一种基于组

件的检测方法，针对行人发生形变方面，稳定性较好。这些目标检测方法实现简

单，计算量小，体量小，速度快是它们最突出的特点，这些目标检测方法，发展

已经成熟，在工业界已经应用十分广泛，然而往往这些目标检测算法的性能已经

到达瓶颈，检测的）隹确率和精度不高，只能用于一些相对比较简单的场景或者固

定的场景，如门口处车牌检测、近距离人脸检测等。

近年来，由于深度学习的爆发，基于深度学习的目标检测算法，不断地发展

壮大，基于深度学习的目标检测方法检测精度和）隹确率相比于手工提取特征的方

法有极大地提高，能够在大多数场景下使用，如公路上行人和车辆检测等相对复

杂的环境中。在特征提取方面，只需要将标注好的图像数据输入到深度目标检测

网络训练即可，网络会自动提取目标最合适的特征，省去了手工设计特征，降低

了目标检测的学习门槛。目前，基于深度学习的目标检测方法是研究的主流，对

于行人这种非刚性的物体，基于深度学习的目标检测方法会更加的合适。

在深度学习方向上，行人检测可以分为两类，第一类是用Classification的思

想，第二类是用Regression的思想，他们都是使用的CNN为基础。基于分类的

目标检测方法是先提出建议框，然后再对框进行分类，这类检测方法总体来说检

测精度会高一点，检测速度会慢一点。基于回归的目标检测方法是一次性直接回

归出目标的位置和目标的类别信息，没有显式地生成建议框的过程，这类检测方

法总体来说检测精度会低一些，检测速度会快一些。往往来说，这两类检测方法

都可以在速度和精度之间取一个平衡点。基于分类的目标检测方法，通过提取候

选区域，并对相应的区域进行以深度学习为主的处理方式，如R-CNN,Fast

R-CNN[12],FasterR-CNN[13]等系列方法，不停地在改进优化。R-CNN是基于深

度学习的目标检测网络的起源，利用Selectivesearch^]方法，对图像生成一定数

量的RegionProposal（候选区域），而不是传统算法的对每个SlidingWindo进

行检测的方式，传统的方式比较浪费资源、浪费时间。R-CNN相当于只对部分

窗口进行检测，节约了资源，加快检测的速度。但是R-CNN还是有很多问题，

它需要对每个候选区域进行计算,而且很多区域重合度非常高，其计算量非常大,

而且其不是端到端的训练，不能从输出误差反向传递到输入端，神经网络的计算

只占其中的一部分。并且对输入图片有要求，需要输入固定大小的图片。针对这

些问题，FastR-CNN出现了，网络的输入图片大小可以是任意的。将提取的候

选区域统一映射到特征图上，相当于将候选区域变小了，然后再进行计算，大大

减少了计算量，加快了检测的速度。FastR-CNN将分类和回归组合到了一起，

实现了端到端的训练，进一步加快了检测的速度。在FastR-CNN基础上进行改

进，FasterR-CNN出现了，对比于FastR-CNN,FasterR-CNN最关键的一步就

是使用了新的方法RPN的来生成候选框，RPN与主干特征提取网络共享卷积层,

使得检测速度有快了许多，）隹确率也有所提升。基于回归的目标检测方法是将

R-CNN系列的候选框提取与分类统一为一个回归问题，具