在计算机视觉中行人检测是非常值得研究的问题，有很多学者为之进行了很 多研究，计算机视觉顶级的学术会议期刊比如 CVPR、ICCV、PAMI 每年都会出 版相关的论文。一些国内外高校、汽车生产厂家以及一些研究室为此成立了行人 检测技术研究中心[1]，并且欧盟对此也非常重视，近十年期间大力资助 SAVE-U 项目建立行人检测系统；日本丰田汽车公司为此研发了了一套行人检测系统，该系统基于红外摄像机技术；意大利的 Param[1]大学已经开始将行人检测技术应用 于智能车辆系统的开发；世界上很多国家和一些著名的高校，比如麻省理工学院 (MIT)、卡内基梅隆大学(CMU)，巴塞罗那自治大学(UAB)，国内的西安交通 大学，清华大学，中国科技大学都在对该领域进行了研究。80370

1 行人检测现状

在初期阶段，行人检测分类系统主要是基于单一特征的，Papageoriou 等人 最先提出了一种行人检测方法，该方法是基于滑动窗口技术的，并且结合使用哈 尔小波特征来获取物体的特征，通过结合支持向量机[1]（SVM）组成了最原始的 行人检测系统，但这系统存在很多不足之处，比如只能用来检测静态的图像，并 且处理速度比较慢，误检率还比较高。为了改进行人检测的效率，Dalal 等研究 者提出了应用最普遍的梯度直方图[2](Histogram of Oriented Gradients,HOG)行人 特征描述子。HOG 描述的是图像的局部边缘梯度信息，对于小量的偏移以及光 照强度变化会有很好的鲁棒性。但是这种方法也存在缺点，那就是维度较高，导 致提取速度较慢。为了解决上述 HOG 的不足，Zhu 等人提出计算 HOG 特征时， 改变 HOG 中块的大小，提取图像的积分直方图，以此实现 HOG 特征的计算， 然后通过 Adaboost[3]分类算法，选出判别能力较强的块，然后由若干个弱分类器 级联成强分类器，从而构建出一个级联分类器，结果表明该方法的检测速度比 Dalal 提出的方法性能提高了数十倍。论文网

由于上述方法只能描述单个特征，并不能全方位的反映出图像的信息，基于 这个不足之处后面的研究者提出了将多种特征融合用以行人检测。比如 Wojek 等人将 HOG 特征，Haar 特征和光流方向直方图特征(Oriented Histograms of flow) 三种特征相融合，较好的解决了这一问题。对于使用单个特征检测行人而言，使 用 HOG 的效果毫无疑问是目前最好的。但若结合使用其他的特征，就能够取得 更出色的效果。

2 行人检测存在的难点

在现实的环境中，由于很多因素的不确定性会导致行人检测存在许多难点， 这些难点难免会加大行人检测的难度并且降低正确率。目前图像中行人检测存在 的难点，主要有以下几个方面。

行人姿态存在多样性。行人具有刚性物体的特点，优点就是当观察者的角度 不变时，不管物体的运动状态如何，物体的形状就几乎不会发生变化。但对于行 人而言，人体一个简单的动作比如手部抬起，脚部移动会引起很大的形变，这会 对检测系统造成检测上的误检。

摄像头角度会发生变化。摄像机在拍摄行人时，会存在多种视角的变化，比 如有时候会正对行人，背对行人，从高处拍摄行人。摄像机拍摄的角度的变化会 很大程度上影响行人在图像中的姿态，而迥异的行人姿态也会影响检测的效果。

行人外观的多样性。由于行人在不同季节的穿着以及身材都会发生变化，所 以每个人的外形也会存在很大的差异。

场景的复杂性以及多样性。由于行人经常出现在各种不同的场地中，这些场 地中有可能存在与人形相似的物体比如人体模型，树木等，或者发生行人站的位 置比较接近，导致拍摄到的图像行人被挡住，导致有些行人检测不出来。