行人檢測(cè)技術(shù)研究綜述

張春鳳，宋加濤，王萬良

(1.浙江工業(yè)大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，浙江杭州 310023;2.寧波工程學(xué)院電子與信息工程學(xué)院，浙江寧波 315016)

1 行人檢測(cè)方法分類

行人檢測(cè)即判斷輸入的圖像或視頻序列中是否出現(xiàn)行人，并確定其位置，該技術(shù)可廣泛應(yīng)用于智能交通中的車輛輔助駕駛系統(tǒng)［1－6］、人體行為分析［7－10］、機(jī)器人開發(fā)［11］、視頻監(jiān)控［12－14］等領(lǐng)域。由于人體姿態(tài)各異，衣著變化多樣，場(chǎng)景中經(jīng)常存在光照變化、氣候變化以及景物遮擋等因素，行人檢測(cè)業(yè)已成為計(jì)算機(jī)視覺領(lǐng)域中一個(gè)既具有研究?jī)r(jià)值、同時(shí)又極具挑戰(zhàn)性的熱門課題。目前國(guó)內(nèi)外已有很多關(guān)于行人檢測(cè)的報(bào)道［3－5，9］。本文從現(xiàn)有各種行人檢測(cè)方法所采用的行人描述特征著手，將現(xiàn)有方法分為基于全局特征的方法、基于人體部件特征的方法和基于立體視覺特征的方法三大類(如圖1所示)，分別對(duì)其中較具代表性的方法進(jìn)行評(píng)述，同時(shí)介紹目前常用的行人數(shù)據(jù)庫的特點(diǎn)，最后分析了行人檢測(cè)技術(shù)中存在的難題并對(duì)未來的發(fā)展做出展望。

2 現(xiàn)有行人檢測(cè)方法

2.1 基于全局特征的方法

圖1 行人檢測(cè)方法分類

該類方法是目前較為主流的行人檢測(cè)方法，主要采用邊緣特征、形狀特征、統(tǒng)計(jì)特征或者變換特征等圖像的各類靜態(tài)特征來描述行人，其中代表性的特征包括Haar小波特征、HOG特征、Edgelet特征、Shapelet特征和形狀輪廓模板特征等。近年來許多研究者也逐漸將行人的運(yùn)動(dòng)信息應(yīng)用于行人檢測(cè)，取得了較好的效果。

2.1.1 基于Haar小波特征的方法

Papageorgiou和Poggio［15］最早提出Harr小波的概念;Viola等引進(jìn)了積分圖的概念［16］，加快了Harr特征的提取速度，并將該方法應(yīng)用于行人檢測(cè)［17－18］，結(jié)合人體的運(yùn)動(dòng)和外觀模式構(gòu)建行人檢測(cè)系統(tǒng)，取得了較好的檢測(cè)效果，為行人檢測(cè)技術(shù)的發(fā)展奠定了基礎(chǔ)。此后，大量采用Haar小波特征的改進(jìn)行人檢測(cè)方法被提出［19－21］。

2.1.2 基于HOG特征的方法

Dalal和 Triggs［22］在 2005年提出梯度方向直方圖(Histogram of Oriented Gradients，HOG)的概念，并將其用于行人檢測(cè)，在MIT行人數(shù)據(jù)庫［15］上獲得近乎100%的檢測(cè)成功率;在包含視角、光照和背景等變化的INRIA行人數(shù)據(jù)庫［22］上，也取得了大約90%的檢測(cè)成功率。HOG是目前使用最為廣泛的行人特征描述子。Zhu等人［23］提出積分直方圖的概念，加速了HOG特征的計(jì)算，并通過計(jì)算多尺度HOG特征，結(jié)合Adaboost算法構(gòu)建級(jí)聯(lián)分類器，建立了一個(gè)快速的行人檢測(cè)系統(tǒng);Qu等人［24］提出無背景情況下的HOG特征的概念，既消除了通常情況下背景因素對(duì)目標(biāo)HOG特征的影響，又加速了HOG特征提取的速度，實(shí)驗(yàn)表明該方法在處理視頻中的行人檢測(cè)時(shí)，效果好于基于傳統(tǒng)HOG特征的方法;Wang等人［25］將HOG特征與局部二值模式(Local Binary Pattern，LBP)相結(jié)合，用于存在部分遮擋情況下的行人檢測(cè)，使用線性支持向量機(jī)(Linear Support Vector Machine，SVM)作為分類器，在INRIA行人庫上取得了97%的檢測(cè)率，但是它的高運(yùn)算復(fù)雜度也限制了實(shí)時(shí)應(yīng)用。

2.1.3 基于edgelet特征的方法

B.Wu等人［26］提出了“小邊”(Edgelet)特征的概念，即一些短的直線或者曲線片段，如圖2b所示，并將其應(yīng)用于復(fù)雜場(chǎng)景的單幅圖像的行人檢測(cè)，在CAVIAR數(shù)據(jù)庫上取得了大約92%的檢測(cè)率。文獻(xiàn)［27］將Edgelet特征用來對(duì)已知類別的物體進(jìn)行檢測(cè)和分割，取得了較好的效果。Edgelet特征的優(yōu)點(diǎn)是:1)受光照影響較小;2)利用邊緣的強(qiáng)度和方向信息能夠較有效地剔除背景中與Edgelet在形狀上相似的邊緣;3)只需存儲(chǔ)片段的位置和方向信息，故所需存儲(chǔ)空間較小，匹配計(jì)算也較簡(jiǎn)單;4)對(duì)行人存在遮擋以及視角、姿態(tài)的變化更不敏感。缺點(diǎn)是由于每個(gè)Edgelet特征需要手動(dòng)標(biāo)定，所以比較耗時(shí)費(fèi)力，而且對(duì)于一些本身較復(fù)雜的曲線，很難通過手工標(biāo)定的方法來得到完全符合人體曲線的“小邊”特征。

圖2 人的頭肩、軀干和腿部的Shapelet和Edgelet特征

2.1.4 基于Shapelet特征的方法

針對(duì)上述 Edgelet特征存在的缺點(diǎn)，Sabzmeydani［28］在2007年提出了一種可以利用機(jī)器學(xué)習(xí)的方法自動(dòng)得到的特征，即Shapelet特征。該算法首先從訓(xùn)練樣本提取圖片不同方向的梯度信息，然后利用AdaBoost算法進(jìn)行訓(xùn)練，從而得到Shapelet特征。

圖2給出了人的頭肩、軀干和腿部的Shapelet特征和Edgelet特征。從中可以看出，Shapelet特征與人體曲線更符合，能夠更好地描述人體特征。文獻(xiàn)［28］基于Shapelet特征在INRIA數(shù)據(jù)集上取得了90%的行人檢測(cè)成功率，而誤報(bào)率只有 FPPW=0.01%。Yao等［29］利用 Shapelet特征訓(xùn)練得到一個(gè)全身檢測(cè)器，該算法優(yōu)于基于Haarlike特征的部分檢測(cè)器;他們進(jìn)一步將上述兩種檢測(cè)器相結(jié)合構(gòu)成一個(gè)行人檢測(cè)系統(tǒng)，在INRIA數(shù)據(jù)集上取得了95%的行人檢測(cè)率，檢測(cè)效果優(yōu)于單獨(dú)使用其中任何一個(gè)檢測(cè)器的情況。

2.1.5 基于輪廓模板的方法

該方法是指利用圖像中目標(biāo)物體的邊緣輪廓、紋理和灰度等信息構(gòu)建模板，通過模板匹配的方法檢測(cè)目標(biāo)。Gavrila等［30］較早提出了基于人體邊緣輪廓的模板識(shí)別方法用以檢測(cè)行人;文獻(xiàn)［31］在此基礎(chǔ)上將人體的形狀特征與邊緣信息相結(jié)合來更好地表示人體外觀?；谛螤钶喞臋z測(cè)方法簡(jiǎn)單易行，由于它只在原始圖像數(shù)據(jù)上進(jìn)行運(yùn)算，不需要對(duì)圖像進(jìn)行分割和特征提取處理，從而保留了圖像的全部信息。缺點(diǎn)是由于行人姿態(tài)各異，故需要構(gòu)建大量的形狀模板才能取得較好的匹配效果，而且可能出現(xiàn)分類錯(cuò)誤。

2.1.6 基于運(yùn)動(dòng)特征的方法

近年來一些學(xué)者嘗試將目標(biāo)的運(yùn)動(dòng)信息加入到行人檢測(cè)系統(tǒng)中［32－34］，并與其他靜態(tài)特征相結(jié)合用于檢測(cè)行人。其中較具代表性的算法包括:1)Viola等人［18］針對(duì)攝像機(jī)靜止的情況提出在不同圖像上計(jì)算Haar－like特征，然后將運(yùn)動(dòng)信息與圖像的灰度信息相結(jié)合構(gòu)建行人檢測(cè)系統(tǒng)。該方法檢測(cè)速度為4 f/s(幀/秒)，誤檢率較低，而且適用于雨雪天氣等惡劣氣候條件下低分辨率場(chǎng)景的行人檢測(cè)，但對(duì)于行人被遮擋的情況檢測(cè)效果較差;2)Dalal等［35］針對(duì)攝像機(jī)運(yùn)動(dòng)的情況，提出將基于外觀的梯度描述子和基于運(yùn)動(dòng)的差分光流描述子相結(jié)合來構(gòu)建行人檢測(cè)器，但該方法只對(duì)單個(gè)窗口的檢測(cè)比較有效，對(duì)于整幅圖像檢測(cè)效果則很差。文獻(xiàn)［19］對(duì)所采用的運(yùn)動(dòng)特征進(jìn)行了適當(dāng)?shù)男薷?，解決了這一難題。

2.2 基于人體部件的方法

該類方法的基本思想是把人體分成幾個(gè)組成部分，然后對(duì)圖像中每部分分別檢測(cè)，最后將檢測(cè)結(jié)果按照一定的約束關(guān)系進(jìn)行整合，最終判斷是否存在行人。目前已有一些較有效的算法［36－39］。Mohan 等［40］將人體分為頭肩部、腿部以及左手臂和右手臂4個(gè)部分，然后使用Harr小波特征訓(xùn)練SVM檢測(cè)器。Mikolajczyk等［41］將人體分成正面的人臉/頭部、側(cè)面的人臉/頭部、正面和背面的頭肩部、側(cè)面的頭肩部以及腿部，然后對(duì)每個(gè)部分采用SIFT(Scale－Invariant Feature Transform)特征進(jìn)行描述，該方法在MIT行人庫上的檢測(cè)結(jié)果優(yōu)于文獻(xiàn)［42］所提出的方法。文獻(xiàn)［43］提出了一種基于部件的多線索混合專家框架，可處理部分遮擋情況下的行人分類。Vinay D.Shet等［44］提出了一種基于雙網(wǎng)格邏輯推理的行人檢測(cè)方法，將人體分為頭、上身和腿部三個(gè)部分，在USC數(shù)據(jù)庫［45］上獲得了92%左右的檢測(cè)成功率，對(duì)存在不同程度遮擋的行人檢測(cè)率也達(dá)到了90%以上。該類方法的優(yōu)點(diǎn)是:1)降低了人體某一部分被遮擋時(shí)對(duì)行人檢測(cè)結(jié)果的影響;2)對(duì)人體各部分分而治之的思想，降低了整體檢測(cè)的難度，而且各個(gè)部分之間的幾何約束關(guān)系也對(duì)最終檢測(cè)的精度有很大的幫助。

2.3 基于立體視覺的方法

該類方法是指通過2個(gè)或2個(gè)以上的攝像機(jī)進(jìn)行圖像采集，然后分析圖像中目標(biāo)的三維信息以識(shí)別出行人［46－48］。文獻(xiàn)［21］利用三維信息估計(jì)路面參數(shù)用來篩選出感興趣區(qū)域(ROI)，并利于這些信息對(duì)所獲得區(qū)域進(jìn)行分類，構(gòu)建了一個(gè)檢測(cè)率較高的行人檢測(cè)系統(tǒng)。文獻(xiàn)［49］提出對(duì)左右視角的多個(gè)圖像進(jìn)行ROI提取，并將其用于模式分類，降低了目標(biāo)檢測(cè)的誤報(bào)率。文獻(xiàn)［50］利用車載立體攝像機(jī)，將圖像亮度信息和三維密集立體信息相結(jié)合，構(gòu)建了一個(gè)直立行人檢測(cè)系統(tǒng)。該類方法的優(yōu)點(diǎn)是充分利用場(chǎng)景中目標(biāo)圖像的深度信息進(jìn)行行人區(qū)域的分割，速度較快。

3 行人數(shù)據(jù)庫

到目前為止，行人檢測(cè)研究除提出了大量的行人檢測(cè)方法外，另一個(gè)成果是收集了多個(gè)行人數(shù)據(jù)庫以供不同方法進(jìn)行測(cè)試和比較。表1列出了目前常用的行人數(shù)據(jù)庫，下面對(duì)每個(gè)數(shù)據(jù)庫的特點(diǎn)做簡(jiǎn)要說明。

1)MIT行人數(shù)據(jù)庫［15］是較早公開的行人數(shù)據(jù)庫，該庫包含正面和背面兩個(gè)視角的彩色行人圖像，數(shù)據(jù)庫未劃分訓(xùn)練集和測(cè)試集，且不包含負(fù)樣本。該庫在2005年以前使用較多，因圖像背景簡(jiǎn)單，目前較少被人使用。

表1 行人數(shù)據(jù)庫信息

2)INRIA行人數(shù)據(jù)庫［22］是目前使用較多的靜態(tài)行人數(shù)據(jù)庫，包含訓(xùn)練集和測(cè)試集，且均包含正樣本和負(fù)樣本。該庫行人所處背景復(fù)雜，人的姿態(tài)也較多，而且含有光照等環(huán)境因素的變化，更加符合實(shí)際場(chǎng)景。

3)Daimer行人數(shù)據(jù)庫的圖像來源于車載攝像機(jī)，分為檢測(cè)數(shù)據(jù)集(Classification Benchmark)［10，43］和分類數(shù)據(jù)集(Detection Benchmark)［46］，圖片均是灰度圖像。每個(gè)數(shù)據(jù)集均由訓(xùn)練集和測(cè)試集組成。測(cè)試集是一段大約27 min的視頻，其中包含完整的以及被部分遮擋的行人。數(shù)據(jù)庫中還包含3個(gè)輔助的非行人圖像的數(shù)據(jù)集，即這3個(gè)附加庫只包含負(fù)樣本。該庫中大量的正樣本由較少的正樣本經(jīng)過移位和鏡像生成，所以訓(xùn)練分類器時(shí)重要特征會(huì)出現(xiàn)在相鄰的多個(gè)位置上，從而產(chǎn)生模糊效應(yīng)，分類效果不佳。

4)Caltech行人數(shù)據(jù)庫［4］是目前規(guī)模較大的行人數(shù)據(jù)庫，庫中的圖像來源于車載攝像機(jī)，與現(xiàn)實(shí)生活中圖像的實(shí)際遮擋頻率一致，其中包含質(zhì)量不太好的圖像。數(shù)據(jù)集分為訓(xùn)練集和測(cè)試集，但測(cè)試集的標(biāo)注信息尚未公開。該數(shù)據(jù)庫為評(píng)估已有的行人檢測(cè)器的性能提供了一個(gè)較好的平臺(tái)。

5)TUD行人數(shù)據(jù)庫［19］提供圖像對(duì)以便計(jì)算光流信息，該數(shù)據(jù)庫主要用于評(píng)估運(yùn)動(dòng)信息在行人檢測(cè)中的作用，常用于行人檢測(cè)及跟蹤研究中。

6)NICTA行人數(shù)據(jù)庫［51］是目前規(guī)模較大的靜態(tài)圖像行人數(shù)據(jù)庫，包含25 551張單人的圖像和5 207張高分辨率非行人圖像，但不包含運(yùn)動(dòng)信息，已經(jīng)劃分好訓(xùn)練集和測(cè)試集。

7)ETH行人數(shù)據(jù)庫［44］是基于雙目視覺的行人數(shù)據(jù)庫，采用一對(duì)車載攝像頭拍攝獲得，給出了標(biāo)定信息和行人標(biāo)注信息，同時(shí)采用置信度傳播方法獲取深度信息。該數(shù)據(jù)庫主要用于多個(gè)行人的檢測(cè)與跟蹤研究。

8)CVC行人數(shù)據(jù)庫目前包含3個(gè)數(shù)據(jù)集:CVC－01［52］，CVC－02［53］和 CVC－Virtual［54］。其中，CVC－02 包含3個(gè)子數(shù)據(jù)集，分別針對(duì)行人檢測(cè)的3個(gè)不同任務(wù):感興趣區(qū)域的產(chǎn)生、分類和系統(tǒng)性能評(píng)估。CVC－Virtual是通過Half－Life 2圖像引擎產(chǎn)生的虛擬行人數(shù)據(jù)集以用于測(cè)試。該數(shù)據(jù)庫主要用于車輛輔助駕駛中的行人檢測(cè)研究。

9)USC行人數(shù)據(jù)庫［45］的圖像大部分來源于監(jiān)控視頻，是一個(gè)比較小的行人數(shù)據(jù)庫，包含3組數(shù)據(jù)集:USCA，USC－B和USC－C。其中，USC－A 中包含正面或者背面拍攝的行人，行人之間無相互遮擋;USC－B中包含多個(gè)視角下且存在相互遮擋的行人;USC－C包含多視角下無相互遮擋的行人。該數(shù)據(jù)庫主要用于存在遮擋和多視角情況下的行人檢測(cè)研究。

4 現(xiàn)存問題及研究展望

行人檢測(cè)技術(shù)的研究盡管已經(jīng)取得了一些成果，但仍存在一些難題亟需解決，主要問題和未來的研究方向如下:

1)行人高度問題。根據(jù)幾何知識(shí)可知，圖像中行人的高度與攝像機(jī)到行人之間的距離成反比，即兩者之間距離越遠(yuǎn)則圖像中行人高度越小［55］。研究表明［4］:當(dāng)圖像中行人高度為30～80像素時(shí)，現(xiàn)有算法的行人檢測(cè)取得最佳效果。目前大多數(shù)的研究均集中在行人高度為100像素以上的情況，對(duì)于遠(yuǎn)距離(即小高度)的行人仍無法檢測(cè)。而在實(shí)際的車輛輔助駕駛系統(tǒng)應(yīng)用中，需要解決的是遠(yuǎn)距離的行人檢測(cè)問題，以便讓駕駛員有足夠的反應(yīng)時(shí)間來采取措施避免事故。

2)復(fù)雜場(chǎng)景問題。包括場(chǎng)景中行人被車輛、景物或者其他行人遮擋的問題，光照變化造成的陰影問題，人體姿態(tài)變化問題以及人體穿著變化等問題，所有這些均對(duì)行人檢測(cè)結(jié)果有很大影響。

3)分類器問題。目前，常用的分類器主要有SVM、AdaBoost和神經(jīng)網(wǎng)絡(luò)等。研究表明，使用單一分類器進(jìn)行檢測(cè)時(shí)誤報(bào)率高，檢測(cè)準(zhǔn)確率低，速度較慢，多場(chǎng)景適應(yīng)性差。采用串聯(lián)組合分類器的方法僅解決上述檢測(cè)速度慢的問題，而采用并聯(lián)組合分類器的方法僅能解決檢測(cè)率低和多場(chǎng)景適應(yīng)性差的問題［9］。所以研究出一種能夠全面協(xié)調(diào)解決上述問題的分類器組合方法，也是行人檢測(cè)技術(shù)發(fā)展面臨的一大難題。

4)多特征融合問題。盡管目前人們提出了許多有效的行人描述特征，但大量研究表明，任何基于某一單獨(dú)特征的方法都很難獲得最佳的行人檢測(cè)效果，而將不同的特征相互結(jié)合起來使用檢測(cè)結(jié)果最優(yōu)［34－35］。但如何實(shí)現(xiàn)多特征的融合，使獲得較高檢測(cè)性能的同時(shí)，又兼顧計(jì)算復(fù)雜度和檢測(cè)速度，也是未來研究的一個(gè)重要方向。

:

［1］GE Junfeng，LUO Yupin，TEI Gyomei.Real－ time pedestrian detection and tracking at nighttime for driver － assistance systems［J］.IEEE Trans.Intelligent Transportation Systems，2009，10(2):283－298.

［2］TOMIUC C，NEDEVSCHI S，MEINECKE M M.Pedestrian detection and classification based on 2D and 3D information for driving assistance systems［C］//Proc.IEEE International Conference on Intelligent Computer Communication and Processing.Cluj－Napoca，Romanian:IEEE Press，2007:133－139.

［3］賈慧星，章毓晉.車輛輔助駕駛系統(tǒng)中基于計(jì)算機(jī)視覺的行人檢測(cè)研究綜述［J］.自動(dòng)化學(xué)報(bào)，2007，33(1):84－90.

［4］DOLLAR P，WOJEK C，SCHIELE B，et al.Pedestrian detection:an evaluation of the state of the art［J］.IEEE Trans.Pattern Analysis and Machine Intelligence，2011(9):1－20.

［5］GERONIMO D，LOPEZ A M，SAPPA A D，et al.Survey of pedestrian detection for advanced driver assistance systems［J］.IEEE Trans.Pattern A-nalysis and Machine Intelligence，2010，32(7):1239－1258.

［6］BYUN K Y，KIM B S，KIM H K，et al.An effective pedestrian detection method for driver assistance system［C］//Proc.IEEE International Conference on Consumer Electronics.Las Vegas，USA:IEEE Press，2012:229－230.

［7］AGGARWAL J K，RYOO M S.Human activity analysis:a review［J］.ACM Computing Surveys，2011，43(3):1－47.

［8］杜友田，陳峰，徐文立，等.基于視覺的人的運(yùn)動(dòng)識(shí)別綜述［J］.電子學(xué)報(bào)，2007，35(1):84－90.

［9］許言午，曹先彬，喬紅.行人檢測(cè)系統(tǒng)研究新進(jìn)展及關(guān)鍵技術(shù)展望［J］.電子學(xué)報(bào)，2008，36(5):368－376.

［10］KELLER C，ENZWEILER M，GAVRILA D M.A new benchmark for stereo－based pedestrian detection［C］//Proc.IEEE Intelligent Vehicles Symposium.Baden－Baden，Germany:IEEE Press，2011:691－696.

［11］GERMA T，LERASLE F，OUADAH N，et al.Vision and RFID data fusion for tracking people in crowds by a mobile robot［J］.Computer Vision and Image Understanding，2010，114(6):641－651.

［12］PENTLAND A.Looking at people:sensing for ubiquitous and wearable computing［J］.IEEE Trans.Pattern Analysis and Machine Intelligence，2000，22(1):107－119.

［13］ZHANG E，CHEN F.A fast and robust people counting method in video surveillance［C］//Proc.IEEE International Conference on Computa-tional Intelligence and Security.Harbin，China:IEEE Press，2007:339－343.

［14］萬衛(wèi)兵，霍宏，趙宇明.智能視頻監(jiān)控中目標(biāo)的檢測(cè)與識(shí)別［M］.上海:上海交通大學(xué)出版社，2010.

［15］PAPAGEORGIOU C，POGGIO T.A trainable system for object detection［J］.International Journal of Computer Vision，2000，38(1):15－33.

［16］VIOLA P，JONES M J.Robust real－time face detection［J］.International Journal of Computer Vision，2004，57(2):137－154.

［17］VIOLA P，JONES M J，SNOW D.Detecting pedestrians using patterns of motion and appearance［J］.International Journal of Computer Vision，2005，63(2):153－161.

［18］VIOLA P，JONES M J，SNOW D，Detecting pedestrians using patterns of motion and appearance［C］//Proc.9th IEEE International Conference on Computer Vision.Nice，F(xiàn)rance:IEEE Press，2003:734－741.

［19］WOJEK C，WALK S，SCHIELE B.Multi－cue onboard pedestrian detection［J］.Computer Vision and Pattern Recognition.Miami，F(xiàn)L:［s.n.］，2009:794－801.

［20］GERONIMO D，LOPEZ A，PONSA D，et al.Haar wavelets and edge orientation histograms for on－board pedestrian detection［J］.Pattern Recognition and Image Analysis Lecture Notes in Computer Science，2007，44(7):418－425.

［21］XING W，ZHAO Y，CHENG R，et al.Fast pedestrian detection based on Haar pre－detection［J］.International Journal of Computer and Communication Engineering，2012(3):207－209.

［22］DALAL N，TRIGGS B.Histograms of oriented gradients for human detection［J］.Computer Vision and Pattern Recognition，2005(1):886－893.

［23］ZHU Q，AVIDAN S，YEH M C，et al.Fast Human detection using a cascade of histograms of oriented gradients［J］.Computer Vision and Pattern Recognition，2006(2):1491－1498.

［24］QU J，LIU Z.Non－background HOG for pedestrian video detection［C］//Proc.8th IEEE International Conference on Natural Computation.Chongqing，China:IEEE Press，2012:535－539.

［25］WANG X，HAN T X，YAN S.An HOG－LBP human detector with partial occlusion handling［C］//Proc.2009 IEEE 12th International Conference on Computer Vision.Kyoto，Japan:IEEE Press，2009:32－39.

［26］WU B，NEVATIA R.Detection of multiple，partially occluded humans in a single image by bayesian combination of edgelet part detectors［C］//Proc.10th IEEE International Conference on Computer Vision.Beijing，China:IEEE Press，2005:90－97.

［27］WU B，NEVATIA R.Simultaneous object detection and segmentation by boosting local shape feature based classifier［C］//Proc.IEEE Conference on Computer Vision and Pattern Recognition，2007.Minneapolis，MN，USA:IEEE Press，2007:1－8.

［28］SABZMEYDANI P，MORI G.Detecting pedestrians by learning shapelet features［C］//Proc.IEEE Conference on Computer Vision and Pattern Recognition，2007.Minneapolis，MN，USA:IEEE Press，2007:9－16.

［29］YAO Wentao，DENG Zhidong.A robust pedestrian detection approach based on shapelet feature and Haar detector ensembles［J］.Tsinghua Science and Technology，2012，17(1):40－50.

［30］GAVRILA D M.A Bayesian exemplar－based approach to hierarchical shape matching［J］.Pattern Analysis and Machine Intelligence，2007，29(8):1408－1421.

［31］FARHADI M，MOTAMEDI S A，SHARIFIAN S.Efficient human detection based on parallel implementation of gradient and texture feature extraction methods［EB/OL］.［2013－05－10］.http://ieeexplore.ieee.org/xpl/articleDetails.jsp?tp= ＆arnumber=6121596＆queryText%3DEfficient+human+detection+based+on+parallel+implementation+of+gradient+and+texture+feature+extraction+methods.

［32］ESS A，LEIBE B，GOOL L.Depth and appearance for mobile scene analysis［C］//Proc.IEEE 11th International Conference on Computer Vision.Rio de Janeiro，Brazil:IEEE Press，2007:1－8.

［33］GAVRILA D，MUNDER S.Multi－cue pedestrian detection and tracking from a moving vehicle［J］.International Journal of Computer Vision，2007，73(1):41－59.

［34］WALK S，SCHINDLER K，SCHIELE B.Disparity statistics for pedestrian detection:Combining appearance，motion and stereo［C］//Proc.11th European Conference on Computer Vision.Heraklion，Crete，Greece:IEEE Press，2010:182－195.

［35］DALAL N，TRIGGS B，SCHMID C.Human detection using oriented histograms of flow and appearance［C］//Proc.9th European Conference on Computer Vision.Graz，Austria:IEEE Press，2006:428－441.

［36］WANG Y，TRAN D，LIAO Z.Learning hierarchical poselets for human parsing［EB/OL］.［2013－05－10］.http://ieeexplore.ieee.org/xpl/articleDetails.jsp?tp= ＆arnumber=5995519＆queryText%3DLearning+hierarchical+poselets+for+human+parsing.

［37］BOURDEV L，MAJI S，BROX T，et al.Detecting people using mutually consistent poselet activations［C］//Proc.11th European Conference on Computer Vision.Heraklion，Crete，Greece:IEEE Press，2010:168－181.

［38］BOURDEV L，MALIK J.Poselets:Body part detectors training using 3D human pose annotations［C］//Proc.IEEE 12th International Conference onComputerVision.Kyoto，Japan:IEEE Press，2009:1365－1372.

［39］FELZENSZWALB P F，GIRSHICK R B，MCALLESTER D，et al.Object detection with discriminatively trained part based models［J］.IEEE Trans.Pattern Analysis and Machine Intelligence，2009，32(9):1627－1645.

［40］MOHAN A，PAPAGEORGIOU C，POGGIO T.Example－based object detection in images by components［J］.IEEE Trans.Pattern Analysis and Machine Intelligence，2001，23(4):349－361.

［41］MIKOLAJCZYK K，SCHMID C，ZISSERMAN A.Human detection based on a probabilistic assembly of robust part detectors［C］//Proc.8th European Conference on Computer Vision.Prague，Czech Republic:IEEE Press，2004:69－82.

［42］LAMPERT C H，BLASCHKO M B，HOFMANN T.Beyond sliding windows:object localization by efficient subwindow search［EB/OL］.［2013－05－10］.http://ieeexplore.ieee.org/xpls/abs_all.jsp?arnumber=4587586.

［43］ENZWEILER M，EIGENSTETTER A，SCHIELE B，et al.Multi－cue pedestrian classification with partial occlusion handling［EB/OL］.［2013－05-10］.http://ieeexplore.ieee.org/xpl/articleDetails.jsp?tp=＆arnumber=5540111＆queryText%3DMulti-cue+pedestrian+classification+with+partial+occlusion+handling.

［44］SHET V D，NEUMANN J，RAMESH V，et al.Bilattice-based logical reasoning for human detection［C］//Proc.IEEE Conference on Computer Vision and Pattern Recognition，2007.Minneapolis，MN，USA:IEEE Press，2007:20-25.

［45］WU B，NEVATIA R.Cluster boosted tree classifier for multi-view，multi-pose object detection［C］//Proc.IEEE 11th International Conference on Computer Vision.Rio de Janeiro，Brazil:IEEE Press，2007:1-8.

［46］ENZWEILER M，GAVRILA D M.Monocular pedestrian detection:survey and experiments［J］.IEEE Trans.Pattern Analysis and Machine Intelligence，2009，31(12):2179-2195.

［47］GAVRILA D M，MUNDER S.Multi-cue pedestrian detection and tracking from a moving vehicle［J］.International Journal of Computer Vision，2007，73(1):41-59.

［48］楊陽，楊靜寧.聯(lián)合特征在行人檢測(cè)中的應(yīng)用［J］.中國(guó)圖象圖形學(xué)報(bào)，2012，17(5):671-675.

［49］HATTORI H，SEKI A，NISHIYAMA M，et al.Stereo-based pedestrian detection using multiple patterns［C］//Proc.British Machine Vision Conference.London，UK:IEEE Press，2009:1-10.

［50］NEDEVSCHI S，BOTA S，TOMIUC C.Stereo-based pedestrian detection for collision-avoidance applications［J］.Transactions on Intelligent Transportation Systems，2009，10(3):380-391.

［51］OVERETT G，PETERSSON L，BREWER L，et al.A new pedestrian dataset for supervised learning［C］//Proc.2008 IEEE Intelligent Vehicles Symposium.Eindhoven，Holland:IEEE Press，2008:373-378.

［52］GERONIMO D，SAPPA A D，LOPEZ A M，et al.Adaptive image sampling and windows classification for on-board pedestrian detection［C］//Proc.The 5th International Conference on Computer Vision Systems.Bielefeld，Germany:IEEE Press，2007.

［53］GERONIMO D，SAPPA A D，PONSA D，et al.2D-3D based on-board pedestrian detection system［J］.Computer Vision and Image Understanding(Special Issue on Intelligent Vision Systems)，2010，114(5):583-595.

［54］MARIN J，VAZQUEZ D，GERONIMO D，et al.Learning appearance in virtual scenarios for pedestrian detection［EB/OL］.［2013-05-10］.http://ieeexplore.ieee.org/xpls/abs_all.jsp?arnumber=5540218.

［55］付洋，宋煥生，陳艷，等.一種基于視頻的道路行人檢測(cè)方法［J］.電視技術(shù)，2012，36(13):140-144.