1.4 本文的组织安排

第一章绪论部分，总体概括行人检测的研究现状和目前行人检测面临的问题，以 及本文的组织安排。

第二章简单介绍霍夫变换的基本原理，介绍本文中用到的，随机森林的一个特例

——霍夫森林,使用霍夫森林对图片进行变换，存放到霍夫空间。 第三章描述基于概率模型的霍夫变换。它基于统计学理论，是基于投票假设中典

型的算法。对投票元素和目标中心求解联合概率，在使用贪心算法求解最大后验概率， 通过这种方法实现算法。

第四章展示实验成果。我们使用现有的霍夫变换进行直线检测。在 TUD-crossing 图像数据集上进行了行人检测。我们对在学校采集到的夜间图像使用霍夫变换进行行 人检测，展示检测成果。

第五章中我们分别用了 IrfanView、彩色图像直方图均衡化、灰度图、灰度图像 直方图均衡化、Gamma 校对处理夜间图像，并比较实验成果。

2 霍夫变换

本章简单概括了霍夫变换基本原理，并将会介绍了本文中采用的霍夫森林。2009 年，Juergen Gall 首次在 CVPR 上提出霍夫森林的。[16]它是基于随机森林的霍夫变换 方法，是对图像特征和目标可能位置的编码。概括来说，首先需要训练霍夫森林样本。 用提取的特征构建总的训练特征集合，然后初始化霍夫森林，从特征集合中随机采样 训练样本，构建决策树。当决策树到达设定值时将结束训练，否则将一直从特征集合 中随机采样。对于测试样本，同样先提取特征，构建总的训练特征集合，通过霍夫森 林，每一个特征对霍夫图像中的假设进行投票，每个特征都已投票后将生成霍夫图片。 接下来，简单回顾霍夫变换基本原理。

2.1 霍夫变换基本原理

霍夫变换（Hough Transform）是计算机视觉的经典技术之一， Paul Hough[19] 于 1962 年提出。霍夫变换是一种形状分析方法，它利用图像的全局特性，用一定的 规则把边缘像素点连接成封闭的边界区域。霍夫变换的主要思想是寻找从空间域到参 数空间的映射，使得大多数边缘像素点满足该参数方程。近些年来，基于霍夫变换的 方法成功应用到物体检测问题中去。

使用霍夫变换进行行人检测的主要思想是：将输入图像转换成新的霍夫图像，并 把它存放在霍夫空间。霍夫空间的每一个点，对应一个物体的假设，在原始图像中它 会出现在一个特定的位置和表面配置。霍夫变换本质上都是通过将输入图像分成一系 列投票元素，每一个投票元素都会给可能产生这一元素的假设进行投票，投票结果中 选出符合条件的假设，即为检测目标。在对目标进行检测时，最常用的办法就是对投 票结果进行阈值分析，得到最后的检测物体。文献综述

B.Leibe[20]在 2003 年利用得到的观测数据转化到霍夫空间中,对潜在的检测目标 的位置中心进行投票选择；J.Gall 在 2009 年首次提出了霍夫森林,同样也是在广泛 霍夫变换的基础上对分类, 它比已有的生成模型优势的地方在于它更偏向于判别式, 在典型的数据集中，霍夫森林有很好的效果。[16]

以直线检测为例。先提取待测图像的边缘特征，利用 Canny 算子对原始图像进行 边缘检测从而得到边缘图。边缘图是一个二值图片。直线以参数方程的方式表示为：

ρ = x cos