行人检测技术连续十余年，一直获得了学术界和工程界广泛的关注和研究。在很 多著名的学术期刊，例如 PAMI(IEEE Transactions on Pattern Analysis and Machine Intelligence 即 IEEE 计算机学会计算机视觉与模式识别会议录 )、 IJCV(International Journal of Computer Vision) 等等， 重要的学术会议例如 ECCV(European Conference on Computer Vision 欧洲计算机视觉会议)、CVPR(IEEE Computer Society Conference on Computer Vision and Pattern Recognition 即 IEEE 国 际 计 算 机 视 觉 与 模 式 识 别 会 议 ) 、 ICCV(International Conference on Computer Vision 国际计算机视觉会议录)等相继刊登了大量有关行人检测的最新研 究理论成果。[12]68477

在 2005 年，Dalal 和 Triggs 首次利用了梯度方向直方图（HOG）的概念对人体 进行描述并且使用 SVM（支持向量机）作为分类器。实验结果显示，HOG 描述子比以 前的相关描述子在性能上有了很大的提升。并且在这篇文章中，作者公布了 INRIA 人体数据库，这个数据库在后来的人体检测工作中被广泛地使用，作为标准测试数据 库。在[15]中，他们将这个工作进一步扩展到了视频序列中，用 HOG 描述光流的梯度 方向，在视频序列中的人体检测取得了比较好的效果。论文网

Gall 和 Lempitsky 提出了一种容纳更多判别信息的霍夫森林检测方法。这种方 法基于广义霍夫变换投票的方式进行人体检测，但是采用判别式的决策树代替了产生 式的码本，之后通过决策树的判别结果，进行加权的投票。[16]

车志富在[17]中，采用将梯度方向直方图和局部二值模式作为特征,使用线性支 持向量机进行训练,完成行人检测。众多实验结果对比后可以发现，梯度方向直方图 和局部二值模式联合的特征能够更好地作为行人的特征,训练后得到的行人分类器健 壮且有效,即使有些行人尺寸比较小，姿势形态各异，穿着差别较大，在这种情况下， 这种方法也能够保有较强的检测能力。另外利用积分图法计算特征,这种方法的采用 也使得检测速度得到了大幅的提升。

唐晓敏在[22]中，探讨了基于条件随机场的霍夫变换，文中使用了随机森林和霍 夫变换结合的霍夫森林作为特征分类器，分别在 TUD 行人数据库、Weizmann 马匹数 据集和复旦行人数据库上进行了目标检测，完成了单目标检测和多目标检测。

根据搜索策略的不同，检测方法可以分为如下两种：一是基于投票假设的方法： 基于投票假设的比较典型的方法是霍夫森林及其改进的基于条件随机场的霍夫森林 算法，即本文主要的研究内容。另一种就是基于扫描窗口的方法：基于扫描窗口的方 法按照特征性质不同，可以分为两种：一种特征是尺度不变、每次检测时只改变扫描 窗口的大小，主要有 Haar-like 特征和基于比较的类 Haar 二值模式特征（JRoG 和 2bitBP 特征）；另一种就是每次扫描窗口大小固定，按一定比例缩放待检测图像，这 类特征主要为基本颜色、纹理和边缘轮廓特征，一般采用统计直方图计算特征，例如 梯度方向直方图。[14]