2026《车辆行人检测算法研究的国内外文献综述》2700字.docVIP

PAGE

PAGEXXXV

车辆行人检测算法研究的国内外文献综述

目标检测是计算机视觉领域中的一个重要且值得深入研究的方向，在自动驾驶、辅助驾驶领域都有应用。目标检测不仅要精确判断出目标属于哪一类别，又要精确定位出目标。车辆行人检测是对图像或视频中的行人车辆目标分类和定位的综合性图像处理问题。纵观目标检测技术这些年的研究，根据特征提取主要可划分为如下两个阶段：基于人工设计特征的传统目标检测和基于深度学习卷积特征的目标检测。

1.1传统的车辆行人检测现状

对于传统的车辆行人检测算法来说，步骤很简单，如图1-1所示，根据几个步骤进行：首先是要对交通车辆行人图像进行预处理，然后对每一张输入的图像进行滑动窗口的遍历操作，通过不同尺寸的窗口在图像上滑动提取相关的特征，利用的是人工设计构造的目标的某种特征。

图1-1传统车辆行人检测

Fig.1-1Traditionalvehicleandpedestriandetection

相关学者根据采用的特征以及分类器的选择做了以下研究如下：Dalal等人提出一种用来描述局部图像信息的特征，梯度方向直方图（HistogramofOrientedGradient,HOG）特征，并将该特征输入支持向量机(SupportVectorMachine,SVM)分类器，用于行人检测[5]。Zhu[6]等人为了加速图像特征的提取，提出HOG特征并且和能够进行筛选特征的adaboost分类器结合，进而通过提升特征的细节信息，提高模型的检测精度和检测速度。Mu[7]等人提出了用来提取局部特征纹理的局部二值模式(LocalBinaryPatterns,LBP)，特征的两个改进版本是Semantie-LBP和Fourier-LBP[8]。Lowe[9]提出了一种更具表达能力的尺度不变特性的特征（ScaleInvariantFeatureTransform,SIFT），该特征描述了图像的梯度和方向信息。2008年可变形部件模型[10]（DeformablePartModels,DPM）提出人工地设置卷积核，利用卷积核提取图像的特征，最后通过分类和回归进行目标检测，DPM模型在目标检测任务中比较受欢迎。

这些传统的方法都是基于人工设计的特征没有很好的鲁棒性，特征表达能力较弱，存在一定弊端的，过于依赖以往经验，不能很好地表达图像的高级语义信息且检测效果不好，检测算法的稳健性不强。由于容易出现错误检测的问题，传统的方法在复杂的交通场景中检测性能不佳。

1.2基于深度学习的车辆行人检测现状

近几年来，随着深度学习在很多领域都有突破性进展，目标检测也迎来了新的发展机遇。卷积神经网络CNN对特征提取地比较全面，GPU的特点是并行计算，促使CNN得以推广。车辆行人检测也开始采用卷积神经网络的方法。CNN的优势是能提取图像中高层语义特征，不再用人工设计的特征，随后很多基于神经网络的目标检测方法应运而生。

CNN在ImageNet图像比赛上获得了不错的成就，2012年AlexNet通过卷积神经网络（CNN）获得ImageNet比赛的冠军[11]，CNN也受到人们更多的关注了。根据检测思想原理不一样，可以将深度学习目标检测算法分成两类：基于区域生成的二阶段检测算法和基于回归预测的一阶段检测算法。这两类目标检测算法在检测精度和检测速度上各有优势，下面分别对这两类算法进行详细地介绍和分析。

基于区域生成的二阶段检测方法的特点是需要使用生成算法找到不同的候选框，如图1-2所示，然后将候选框上提取出来的特征作为回归和分类的输入。Girshick等人提出了一种名为R-CNN[12]的检测方法，该方法是首先根据选择性搜索算法对输入的图像生成候选区域，其次将所有候选区域输入到CNN模型中进行特征的提取，最后将特征使用SVM分类器进行分类回归。FastR-CNN[13]是R-CNN的改进算法，改进的部分是提出了ROI池化层将不同特征图的尺寸归一化，不再重复计算。FastR-CNN的另一个特点是通过softmax层代替SVM分类器来提高检测结果。2015年，RossGirshick[14]对SPPnet[15]和R-CNN的思想进行了综合改进，提出了FasterR-CNN[16]。该模型使用了（regionproposalnetwork）RPN，RPN是全卷积区域建议网络，用卷积神经网络来进行区域生成候选框，同时引入了anchor的概念。在RPN中，每个滑动窗口位置检测到的区域就是anchor。通过不同大小的anchor进行多尺度的检测，结果也更加精确。基于FastR-CNN改进的多尺度感知行人检测模型[17]取得不错的成果。这些区域生成目标检测算法一般检测准确率较高，但是因为在区域生成