行人檢測報告技術知識

目錄5/30/20201行人檢測方法概述常用特征介紹AdaBoost及其級聯(lián)我們的行人檢測方法框架檢測結果及其結論行人檢測的后續(xù)研究小結魯棒性就是系統(tǒng)的健壯性。它是在異常和危險情況下系統(tǒng)生存的關鍵。比如說，計算機軟件在輸入錯誤、磁盤故障、網(wǎng)絡過載或有意攻擊情況下，能否不死機、不崩潰，就是該軟件的魯棒性。所謂“魯棒性”，是指控制系統(tǒng)在一定（結構，大?。┑膮?shù)攝動下，維持某些性能的特性—

行人檢測概述5/30/20202

行人檢測就是把視頻序列中出現(xiàn)的人體從背景中分割出來并精確定位。基于計算機視覺的行人檢測由于其在車輛輔助駕駛系統(tǒng)中的重要應用價值成為當前計算機視覺和智能車輛領域最為活躍的研究課題之一。

基于視覺的行人檢測目前仍舊是計算機視覺領域的一個公開的難題。原因在于：行人同背景混合在一起，行人可能走，也有可能站著或者不可預測地改變運動方向；行人所處的背景非常復雜；天氣以及光照也隨機變化，行人的服飾和姿態(tài)多變。

目前常用的行人檢測方法主要有背景差法、幀差法、光流法，模版匹配和基于機器學習的方法等。前四種檢測方法都是常規(guī)的基于圖像處理技術的人體檢測方法，然而這些方法不能解決人體形狀和外貌各式各樣的難點，人體的不同運動方式的問題，受天氣以及光照的隨機變化，行人的服飾和姿態(tài)改變影響較大?；跈C器學習的方法從樣本集中學習人體的不同變化，具有較好的魯棒性，而且合理的選擇訓練樣本和特征，結合結構合理的分類算法，可以較好地克服許多不利條件，如行人多樣性、場景多樣性、光照環(huán)境多樣性等的影響，從而有很好的推廣性和廣泛的適用范圍。5/30/20203

由于基于機器學習的行人檢測方法的優(yōu)點，它已經(jīng)成為目前行人檢測的一種主流的方法。

基于機器學習的方法一般包括特征提取和訓練機器學習分類器，檢測三個部分。用于行人檢測的特征有：Haar特征，

Hog特征，Edgelet特征，F(xiàn)DF特征等，如表1所示。5/30/20204

用于行人檢測的機器學習算法有：支持向量機(SVM)、各種類型的神經(jīng)網(wǎng)絡（NN）以及其他基于統(tǒng)計的學習分類器（如Adaboost、級聯(lián)分類器）等，如表2所示。5/30/20205如圖3.2，臉部一些特征能夠由矩形特征簡單地描繪，上行是子窗口內(nèi)選出的矩形特征，下行是子窗口檢測到的與矩形特征的匹配。例如，通常，眼睛要比臉頰顏色更深；鼻梁兩側要比鼻梁顏色要深；嘴巴要比周圍顏色更深。對于一個24×24檢測器，其內(nèi)的矩形特征數(shù)量超過150，000個，必須通過前述的Adaboost算法的檢測原理與實現(xiàn)方法特定算法甄選合適的矩形特征，并將其組合成強分類器才能檢測人臉。二

常用特征介紹

我們主要用到的特征是Haar特征，HOG特征和FDF特征，下面對這三種特征分別進行介紹。1

Haar特征介紹

Haar特征，也叫矩形特征，它對一些簡單的圖形結構，比如邊緣、線段，比較敏感，但是其只能描述特定走向(水平、垂直、中心)的結構，因此比較粗略。5/30/20206特征模板

特征模板是由兩個或多個全等的矩形相鄰組合而成，特征模板內(nèi)有白色和黑色兩種矩形，并將此特征模板的特征值定義為白色矩形像素和減去黑色矩形像素和。

特征模板可以在子窗口內(nèi)以“任意”尺寸“任意”放置，每一種形態(tài)稱為一個特征。找出子窗口所有特征，是進行弱分類訓練的基礎。5/30/2020特征數(shù)目m×m窗口內(nèi)的特征數(shù)目公式：5/30/2020積分圖像特征的數(shù)量很多,計算特征值看起來是一個很大的工作量。然而,積分圖像可以幫助我們解決這個問題。積分圖像是

圖像的一種表示方式,其定義如下：是積分圖像，是原始圖像。其中，

列圖像和5/30/2020積分圖像（續(xù)1）5/30/2020積分圖像（續(xù)2）5/30/2020積分圖像（續(xù)3）

在下圖3.8中，區(qū)域D的像素值，可以利用1、2、3、4點的積分圖來計算。5/30/2020由此可見，矩形特征的特征值計算，只與此特征端點的積分圖有關，而與圖像坐標值無關。因此，不管此矩形特征的尺度如何，特征值的計算所耗費的時間都是常量（time

constant），而且都只是簡單的加減運算。正因如此，積分圖的引入，大大地提高了檢測的速度。其他的矩形特征的特征值計算依此類推。Haar特征值計算5/30/2020其具體實現(xiàn)步驟如下：一、為了減少光照因素的影響，首先需要將整個圖像進行規(guī)范化。輸入檢測圖像，加上檢測窗口，用平方根或者log壓縮方法進行顏色空間標準化（Gamma標準化）。二、將規(guī)范化大小的檢測窗作為輸入，通過梯度算子計算水平和垂直方向上的梯度。求導操作不僅能夠捕獲輪廓，人影和一些紋理信息，還能進一步弱化光照的影響。實現(xiàn)中我們采用一種離散的平滑面具對圖像進行可選的高斯平滑并評價它們的區(qū)別。并用到了導數(shù)面具，簡單的面具(1,0,1)得到的效果是最佳的。三、我們將圖像窗口分成若干個小區(qū)域，這些區(qū)域被稱為“單元格（Cell）”。然后將每個單元格中所有象素的一維梯度直方圖或者邊緣方向累加到其中。最后將這個基本的方向直方圖映射到固定的角度上，就形成了最終的特征。這一步是得到Cell的HOGs。這一步有些論文上叫做空間和方向上的梯度統(tǒng)計。這一步是描述符的基本非線性化。每個象素為梯度方向貢獻一個加權的值，這個方向是指梯度元素中心的方向。接下來將一個局部空間內(nèi)所有象素點的梯度加權值累積到所有的梯度方向上。這個局部空間被稱之為“單元格”。這個單元格可以是矩形，也可以是圓形。而梯度方向就平均地分布在單元格的空間里，對于無符號的梯度值分布空間為0～180，而對于有符號的梯度值分布空間為0～360。為了避免混淆，梯度權值將在方向和位置上三角插值到相鄰地兩個方向中心上。2

HOG特征概述5/30/2020152.1

HOG提取HOG是一種對圖像局部重疊區(qū)域的密集型局域描述符，它

通過計算局部區(qū)域上的梯度方向直方圖來構成人體特征，是Dalal和Triggs在2005年提出的。HOG是在被稱為Cell和

Block的網(wǎng)格內(nèi)進行密集計算得到，Cell由若干像素點構成而Block則由若干相鄰的Cell組成。圖1描述了該特征提取算法的全部流程。四、對比度歸一化。歸一化能夠進一步地對光照、陰影和邊緣進行壓縮。通常，每個單元格由七個不同的塊共享，但它的歸一化是基于不同塊的，所以計算結果也不一樣。因此，一個單元格的特征會以不同的結果多次出現(xiàn)在最后的向量中。我們將歸一化之后的塊描述符就稱之為HOG描述符。這也是重疊塊中的特征標準化。由于圖片中局部的曝光率和前景－背景的對比度的多樣化，梯度值的變化范圍也非常廣。因此，有效的局部對比標準化對于好的運行效果至關重要。標準化的方式有很多種，大多數(shù)的原理都是將一組單元格放到一個更大的空間塊中，然后在每個空間塊中分別進行標準化。實際上，塊基本上都是互相重疊的，所以每一個單元格的標量會在不同的塊中計算多次，并且以不同的值出現(xiàn)在最終的特征向量中。這一步得

到Block的HOGs。五、最后一步就是將檢測窗口中所有重疊的塊進行HOG特征的收集，并將它們結合成最終的特征向量供分類使用，結合的方法是將待檢測窗口的所有B

l

o

c

k—H

OG

s

串在一起構成最終人體特征向量。5/30/202016HOG提取過程詳細流程圖如圖2所示。5/30/202017四、對比度歸一化。歸一化能夠進一步地對光照、陰影和邊緣進行壓縮。通常，每個單元格由七個不同的塊共享，但它的歸一化是基于不同塊的，所以計算結果也不一樣。因此，一個單元格的特征會以不同的結果多次出現(xiàn)在最后的向量中。我們將歸一化之后的塊描述符就稱之為HOG描述符。這也是重疊塊中的特征標準化。由于圖片中局部的曝光率和前景－背景的對比度的多樣化，梯度值的變化范圍也非常廣。因此，有效的局部對比標準化對于好的運行效果至關重要。標準化的方式有很多種，大多數(shù)的原理都是將一組單元格放到一個更大的空間塊中，然后在每個空間塊中分別進行標準化。實際上，塊基本上都是互相重疊的，所以每一個單元格的標量會在不同的塊中計算多次，并且以不同的值出現(xiàn)在最終的特征向量中。這一步得

到Block的HOGs。五、最后一步就是將檢測窗口中所有重疊的塊進行HOG特征的收集，并將它們結合成最終的特征向量供分類使用，結合的方法是將待檢測窗口的所有B

l

o

c

k—H

OG

s

串在一起構成最終人體特征向量。2.2

EHOG提取熵表示的是分布的混亂程度，熵越小表示分布越均勻，熵在某種程度上可以表示物體的紋理特征，受到熵的啟發(fā)，本文提取了一種EHOG（Entropy-HOG）特征，這個特征是基于HOG特征的，在計算HOG時，角度分為9個范圍，每一個Block有4×9=36個值，這些值是在某個角度范圍內(nèi)的梯度的個數(shù)，可以得到HOG直方圖。利用公式

可以得到訓練樣本中每一個Block的熵，作為一維特征并在36個HOG特征值后面，這樣就得到了

EHOG特征，正樣本的Block熵和負樣本的Block熵比較如下圖所示。5/30/2020185/30/2020193

FDF特征

FDF特征是一種相對比較簡單的特征，其復雜度介于已被廣泛研究的Haar特征和HOG特征之間，能夠提取目標的輪廓特征，適合于行人目標的檢測。FDF特征計算過程主要分為兩個步驟：首先利用梯度算子，計算四個方向的梯度，作為初級FDF特征；然后對得到的初級FDF特征進行高斯模糊，平均化得到最終的FDF。初級FDF特征的計算如下所示：

這里的 是初級的FDF特征， 是灰度圖像，

表示卷積運算，

是梯度算子用來計算四個不同方向的梯度方向為

， 。

是2維高斯平滑濾波器可以用來平滑不同行人樣本的細節(jié)部分。5/30/202020

然后對求得的初級FDF特征值，以M×N（如4×4）大小為單位進行平均，作為此M×N個像素點的特征值，得到的四個方向的平均梯度值向量連起來作為圖像的最終FDF特征向

量。FDF特征提取過程及其效果如圖3所示。5/30/2020215/30/202022三

AdaBoost及其級聯(lián)5/30/2020231

AdaBoost概述Adaboost算法是統(tǒng)計分類方法中一個經(jīng)典算法，它由Boosting算法發(fā)展而來，是由Freund在1995年提出的，該算法解決了以前Boosting算法在實踐中存在的各種問題。實驗表明，Adaboost算法能夠顯著提高學習精度。Adaboost算法是一種迭代方法，它本身是通過改變數(shù)據(jù)分布來實現(xiàn)的。它根據(jù)每輪訓練中每個樣本的分類是否正確，以及上輪的總體分類準確率，來確定每個樣本的權值。將每次訓練得到的分類器融合起來，作為最后的決策分類器。在Adaboost算法中，每一個訓練樣本都被賦予一個權重，表明它被某個弱分類器選入訓練集的概率。如果某個樣本沒有被正確的分類，那么在構造下一個訓練集時，它被選中的概率就會增加;相反，如果某個樣本已經(jīng)被正確的分類，那么在構造下一個訓練集時，它被選中的概率就會降低。Adaboost算法是一種迭代方法，它本身是通過改變數(shù)據(jù)分布來實現(xiàn)的。它根據(jù)每輪訓練中每個樣本的分類是否正確，以及上輪的總體分類準確率，來確定每個樣本的權值。將每次訓練得到的分類器融合起來，作為最后的決策分類器。在Adaboost算法中，每一個訓練樣本都被賦予一個權重，表明它被某個弱分類器選入訓練集的概率。如果某個樣本沒有被正確的分類，那么在構造下一個訓練集時，它被選中的概率就會增加;相反，如果某個樣本已經(jīng)被正確的分類，那么在構造下一個訓練集時，它被選中的概率就會降低。通過這樣的方式，Adaboost算法能夠“聚焦于”那些較困難(更富信息)的樣本上。在具體的實現(xiàn)上，最初令每個樣本的權重都相等，對于第t次迭代操作，就根據(jù)這些權重來選取樣本點，進而訓練分類器ht(x)。然后就根據(jù)這個分類器，來提高被它錯分的那些樣本點的權重，并降低被正確分類的樣本權重。然后，權重更新后的樣本集被用來訓練下一個分類器ht+1(x)。整個訓練過程如此循環(huán)下去。通過這樣的方式，Adaboost算法能夠“聚焦于”那些較困難(更富信息)的樣本上。在具體的實現(xiàn)上，最初令每個樣本的權重都相等，對于第t次迭代操作，就根據(jù)這些權重來選取樣本點，進而訓練分類器ht(x)。然后就根據(jù)這個分類器，來提高被它錯分的那些樣本點的權重，并降低被正確分類的樣本權重。然后，權重更新后的樣本集被用來訓練下一個分類器ht+1(x)。整個訓練過程如此循環(huán)下去。算法流程如圖4所示。5/30/202024弱分類器的定義

弱分類器就是根據(jù)某些單一依據(jù)來進行粗略分類的分類器，其分類的準確度要求很低，只要達到50%以上即可弱分類器進行具體定義如下所示：

其中x為待檢測窗口，f(x)為特征值，特征參數(shù)表示不等式方向，取值為 ，

為對所有樣本進行統(tǒng)計得到的特征

值的閾值，是分類的依據(jù)。從弱分類器的定義可以看出，要確定一個弱分類器，關鍵就是如何確定？？？值和閾值。弱分類器的輸出結果為0或1，在？？？值為正時，輸出1表示判斷為真，即為行人圖像，輸出為0表示判斷為假，即為非行人圖像；？？？值為負時，輸出1表示判斷為真，即為行人圖像，輸出為0表示判斷為假，即為非行人圖像。5/30/2020251.2強分類器的訓練

單個的弱分類器分類能力有限，正確率只在一半左右，另外并不是所有得到的特征所對應的分類器都有很好的分類

能力，為了加快訓練過程，從提高效率和性能兩個方面考

慮，還需要對弱分類器進行迭代選擇，得到較優(yōu)的弱分類

器，再由若干性能較優(yōu)的弱分類器按照各自不同的權重比

例組成強分類器。在介紹Adaboost強分類器訓練過程之前，先做如下規(guī)定：

規(guī)定：給定n個訓練樣本集

，其中

=+1/-1，表示行人樣本（正樣本）和非行人樣本(負樣本）。設正樣本數(shù)為m個，負樣本數(shù)為p=n-m個。設要循環(huán)迭代的次數(shù)

為T，即要選出的弱分類器個數(shù)為T。對所有樣本進行權重初始化，如公式所示：5/30/202026下面介紹Adaboost強分類器的訓練過程。迭代過程如下：（迭代T次）5/30/2020271.3一個簡單的adaboost訓練的例子5/30/2020285/30/2020295/30/202030GAB的弱分類器已經(jīng)不是個二值的了，有公式可知弱分類器在GAB中的值是-1到1之間的任意實數(shù)，流程中的用y到x的加權最小二乘估計求出的是最優(yōu)的弱分類器

同樣也是尋找錯誤率最小的弱分類器 在信號估計理論中是有用最小二乘估計來估計最優(yōu)函數(shù)的可以理解

但是確實不知道理論推導過程 加權概率的那個公式只是代表一個弱分類器估計的得到的才是最優(yōu)的DAB

RAB

GAB三者的差別和來歷

不是以前的研究重點

這個在Additive

Logistic

Regression:

A

Statistical

View

of

Boosting有講

但是公式太多了沒太看懂周哲敏有時間的話可以翻譯一下再好好研究2

GAB介紹目前最常使用的Adaboost算法有Discrete

Adaboost（DAB），Real

Adaboost（RAB）和Gentle

Adaboost（GAB）。其中

DAB是基本算法，后兩者是在其基礎上的改進算法。它們的主要區(qū)別在于DAB要求弱分類器的輸出是二值，后兩者則將要求放寬到實值[25]。GAB通?？梢匀〉酶玫男ЧAB學習過程如圖所示5/30/2020315/30/2020323級聯(lián)分類器3.1級聯(lián)結構

級聯(lián)分類器的結構是一個倒決策樹的形式，對行人的檢測過程是有序的逐級檢測，只有被前一級的檢測器認為是行人，才會觸發(fā)下一級的檢測過程，因而通過了所有檢測器的行人才會被最終認定為行人，否則針對該行人的檢測過程將終止，輸出檢測結果為非行人。強分類級聯(lián)結構如圖

5所示。5/30/2020333.2級聯(lián)分類器關注的參數(shù)5/30/2020343.3

Voila和Jones經(jīng)典級聯(lián)該級聯(lián)方法的流程圖如下：5/30/202035我們EI論文中的級聯(lián)和VJ的級聯(lián)弱分類器的選擇我認為是沒有區(qū)別的這里VJ應該是輸入ni個特征來訓練我們的也是不同的應該是負樣本更新和錯誤率排序這兩點3.4我們的AdaBoost級聯(lián)算法的實現(xiàn)

我們的Adaboost級聯(lián)算法與傳統(tǒng)的級聯(lián)算法的區(qū)別主要在于特征的選擇和負樣本的更新，新的級聯(lián)算法的負樣本更新要求確保負樣本的數(shù)目保持一致，級聯(lián)前先建立一個備選負樣本庫，每一次負樣本更新不僅僅把這一級的負樣本中的虛警保留下來，還要對備選負樣本庫進行驗證，提取出通過前幾級還是虛警的負樣本加入到新的訓練負樣本中去，保證負樣本數(shù)目和最開始的負樣本數(shù)目一致。級聯(lián)中有增加特征的過程，這些特征是如何選擇的，經(jīng)典的方法并沒有說明，我們的級聯(lián)方法用錯誤率來排序所有的特征，按照錯誤率由低到高的順序依次增加特征。為了讓選出的特征更具有代表性，在提取的特征的時候，提取各種尺度的FDF特征，事先建立特征池，方便級聯(lián)時選擇。新的級聯(lián)訓練的實現(xiàn)流程如下圖所示。5/30/202036其中5/30/202037FloatCascade算法FloatCascade算法的必要性

在上述adaboost級聯(lián)方法中特征是按照錯誤率由低到高依次增加的，當增加的特征使檢測性能達到該級要求

了，就退出該級訓練，這種只增不減的方法選擇出來

的特征中是存在冗余的，因為直接增加特征并沒有考

慮增加特征之后特征組合是否比不增加該特征更有效，這里的更有效是指檢測性能更好，比如可能存在某些n個特征的組合比n-1個特征組合的檢測能力還差的現(xiàn)象，造成了特征的浪費，增加檢測時間，而且會降低檢測性能。因此開發(fā)一種在級聯(lián)過程中選擇有效特征組合的算法是非常有必要的。5/30/2020384.2

FloatCascade算法介紹

我們提出了一種新的Adaboost級聯(lián)特征選擇方法，稱之為

FloatCascade，這個方法用到的也是一種backtrack機制，實質(zhì)也是一種增l減r法，l和r既可以到動態(tài)改變，也可以設為定值。

FloatCascade特征選擇分為特征增加和特征刪減兩個步驟。增加特征時是以檢測率DP是否增加為判斷標準，刪減特征

是以錯誤率EP是否減少為判斷標準的。每一級級聯(lián)實際上

就是獲得一個性能達到要求的強分類器，通過多次特征選

擇得到。FloatCascade算法流程圖如下。5/30/2020395/30/202040四

我們的行人檢測方法框架5/30/2020411基于多特征和機器學習的分級行人檢測方法

這是一種基于多特征和機器學習的由粗到細的分級行人檢測方法。行人檢測器是由一個粗級行人檢測器和一個精密級行人檢測器組成，粗級行人檢測器通過提取FDF特征和GAB級聯(lián)訓練得到，精密級行人檢測器用EHOG作為特征，通過SVM學習得到。檢測時，首先用粗級行人檢測器在待測圖像中檢測行人，得到粗級行人ROIs，然后對粗級行人ROIs用精密級行人檢測器進行檢測，得到精密級ROIs，并進行后處理，用一個精確定位的框來包圍行人，為后續(xù)行人分析處理做好準備。通過這種方法，可以把粗級行人分類器的總性能適當降低，從而降低粗級行人檢測器中級聯(lián)的學習難度[9]。本文方法的整體實現(xiàn)框架如下圖所示。5/30/2020422一種新穎的基于FDF特征的FloatCascade行人檢測方法

該行人檢測方法是基于FDF特征的FloatCascade方法，行人檢測器通過訓練基于FDF的FloatCascade級聯(lián)分類器來獲得。訓練時，對輸入的行人正負樣本提取FDF特征，建立多尺度FDF特征池，其中負樣本也是多尺度的，這是為了降低虛警率，檢測時不包含人的窗口比較多，也有多種尺度，訓練時需要也有類似尺度的負樣本，來獲得分類類似尺度窗口的能力。然后再用FloatCascade方法進行級聯(lián)訓練，得到行人檢測器；檢測時，首先用得到的行人檢測器對待測圖像進行檢測，檢測和訓練一樣是一級一級級聯(lián)進行的，檢測之后可以得到行人ROIs；為了直觀和便于后續(xù)行人跟蹤和分析，需要對行人ROIs進行后處理，確保一個行人由一個精確定位的框包圍，為后續(xù)行人分析處理做好準備。

本文行人檢測方法的實現(xiàn)框架如下圖所示。5/30/2020435/30/202044五檢測結果及其結論5/30/2020451實驗平臺

本文的實驗是用Matlab2009a實現(xiàn)的，計算

機配置如下：Intel

Core

i3

540

CPU

3.07GHZ,內(nèi)存3G。行人正樣本來自INRIA行人樣本庫，負樣本由INRIA庫中的和網(wǎng)上下載的圖片中

截取得到，大小是以128×64為基準等比例

縮放，檢測用的是INRIA行人樣本庫中的測

試樣本。ROC曲線是以檢測率為縱坐標，以虛警率為橫坐標的，表示級聯(lián)分類器的檢測性能，在同樣的虛警率下，檢測率越高就說明級聯(lián)分類器的性能越好。2

ROC和特征數(shù)目對比2.1基于多特征和機器學習的分級行人檢測方法5/30/2020465/30/2020472.2基于FDF特征的FloatCascade行人檢測方法5/30/2020485/30/2020493檢測結果對比

3.1基于多特征和機器學習的分級行人檢測方法的檢測結果5/30/2020503.2

OpenCV

Haar級聯(lián)方法檢測結果5/30/2020513.3

（限制特征數(shù)）FloatCascade級聯(lián)分類器檢測結果圖5/30/2020523.4

（不限制特征數(shù)）FloatCascade級聯(lián)分類器檢測結果圖5/30/2020533.5經(jīng)典級聯(lián)方法結果（Voila和Jones）5/30/2020544結論4.1基于多特征和機器學習的分級行人檢測方法

針對單幅圖像的行人檢測問題，提出了基于Adaboost和SVM的兩級檢測方法，應用粗細結合的思想有效提高檢測的精度，能有效實現(xiàn)行人的檢測，能夠檢測復雜背景下的不同姿勢（如正面，側面，背面）不同數(shù)目（單人或多人）的直立行人，檢測性能好，檢測率高，虛警率低，檢測時間比較短，相對前人的方法性能有所提升。本文的行人檢測方法存在以下特點：一，對HOG特征進行擴展，提出了新的EHOG特征，充分利用人體的紋理信息來減少虛警；二，本文用到了研究尚未充分的FDF特征，該特征計算相對簡單，并且實驗表明FDF特征同Haar特征相比較，對于行人具有比較強的表征能力；三，本文用到了分級檢測的思想，該方法可以進一步的提高檢測性能。5/30/202055

未來的主要研究工作如下：一，尋找其他新的特征提取方法，嘗試其他的特征組合來分別作為粗級和精密級檢測器的特征，看能否進一步提升性能；二，深入研究級聯(lián)算法，結合相應的特征選擇算法，對級聯(lián)算法進行修改，考慮特征數(shù)目的限制，丟棄會導致虛警率大幅上升的特征；三，研究如何處理行人被遮擋、行人非站立等目前的行人檢測方向的難題。5/30/2020564.2基于FDF特征的FloatCascade行人檢測方法

基于FDF特征的FloatCascade行人檢測方法，應用積分圖提升FDF特征提取和檢測速度。FDF特征計算比較簡單，能很

好的表征行人，F(xiàn)loatCascade方法應用增l減r法來進行級聯(lián)特征選擇，選擇出使檢測率有效增加，虛警率有效降低的

的特征組合，可以提高特征組合的檢測性能。實驗結果表

明，應用積分圖到FDF特征提取中可提升速度50倍。

FloatCascade方法可以用較少的特征達到與VJ級聯(lián)相當?shù)男阅?，在特征?shù)目相當?shù)那闆r下，F(xiàn)loatCascade方法能夠實現(xiàn)的分類性能優(yōu)越于廣泛使用的Viola和Jones級聯(lián)方法。

本文提出的行人檢測方法能準確的檢測出復雜背景下不同姿勢的直立行人，由于特征數(shù)目少加上應用了積分圖理論，檢測時間比較快，檢測精度優(yōu)于以往Adaboost方法。5/30/202057

本文方法還存在不足之處：一，F(xiàn)loatCascade方法選擇出來的特征雖然比Viola