內容簡介

　　隨著全球反恐形勢的不斷加劇和以自動駕駛為主要代錶的新交通係統的興起，選擇視頻序列中的行人作為主要視覺對象的行人檢測和跟蹤是智能安防、智能交通、自動化等係統中的一項關鍵技術。本書從行人目標的稀疏特性著手，從有效描述行人目標的特徵、增強外觀模型的區分度和對行人形態變化進行部件建模等方麵進行瞭深入研究，利用深度學習等新方法，提齣瞭用於行人檢測的深度通道特徵、多類彆判彆式字典學習方法和基於多分量可變形部件模型的行人跟蹤方法。

作者簡介

　　劉釗，男，1981年生，博士，講師，中共黨員。現就職於中國人民公安大學，任網絡空間安全與法製協同創新中心研究員。2006年畢業於比利時魯汶大學，獲生物信息學碩士學位；2017年畢業於北京理工大學，獲計算機應用技術博士學位。在國際刊物和會議發錶數篇論文，主要研究方嚮為人工智能、模式識彆和計算機視覺。

目錄

第一章行人檢測與行人跟蹤研究現狀

第二章基於深度通道特徵的行人檢測

第三章基於字典學習的行人跟蹤方法

第四章基於多分量可變部件模型的行人跟蹤

第五章結論與展望

精彩書摘

　　第一節研究的目的和意義

　　視覺目標檢測（VisualObjectDetection），是根據目標的特徵，利用最優化、機器學習等技術，檢測齣圖像中目標所在的位置。視覺目標跟蹤（VisualObjectTracking），是在圖像序列中，根據視頻信息的空間關聯性和時間相關性等信息，逐幀估計齣目標所在的位置。目標可以是單一確定的，也可以是多個或者一類相同或者相似的目標。目標檢測和目標跟蹤得到目標參數，如目標的位置、外觀、運動規律等，是計算機視覺應用中最重要的底層信息之一，其準確性和時效性決定瞭智能視頻係統各種功能的實現。YilmazA,JavedO,ShahM�監bjecttracking:asurvey�盇CMComput�盨urv��,2006,38(4):13.

　　隨著全球反恐形勢的不斷加劇和以自動駕駛為主要代錶的新交通係統的興起，選擇視頻序列中的行人作為主要視覺對象的行人檢測和跟蹤（PedestrianDetectionandTracking），是智能安防、智能交通、自動化等係統中的一項關鍵技術。有效的行人檢測和跟蹤方法對推動計算機視覺、人工智能、模式識彆等領域的發展有重要意義，對於減少人力成本、避免交通事故、防範恐怖襲擊、打擊犯罪等也具有廣泛的應用前景。

　　第一章行人檢測與行人跟蹤研究現狀|0||0|反恐背景下的信息技術革新研究：以視頻序列中的行人檢測與跟蹤為例◆第二節國內外研究現狀和發展趨勢◆

　　行人檢測算法主要包含行人錶現建模和目標定位兩部分。其中錶現建模主要描述行人的視覺特徵，如顔色、紋理、部件等，以及如何度量視覺特徵之間的相似度和區分度；目標定位主要通過分類器等對行人所在的位置進行標定。SolichinA,HarjokoA,EkoA�盇surveyofpedestriandetectioninvideo�盜nternationalJournalofAdvancedComputerScienceandApplications,2014,5(10):41-47.

　　行人跟蹤算法主要包含目標初始化、錶現建模、運動描述和目標定位四部分。其中，目標初始化采用手工標注或自動檢測算法確定行人的初始跟蹤位置；錶現建模同樣描述行人的視覺特徵，如顔色、紋理、部件等，以及如何度量視覺特徵之間的相似度和區分度；運動描述采用某種運動估計策略如綫性迴歸、EllisL,DowsonN,MatasJ,etal�盠inearregressionandadaptiveappearancemodelsforfastsimultaneousmodellingandtracking�盜nternationalJournalofComputerVision,2011,95(2):154-179.粒子濾波IsardM,BlakeA�盋ondensation-conditionaldensitypropagationforvisualtracking�盜nternationaljournalofcomputervision,1998,29(1):5-28.等對目標的運動進行估算，推斷目標可能的位置；目標定位在目標可能的位置上，利用最優化策略等確定目標最終跟蹤位置，實現跟蹤。

　　影響行人目標檢測和跟蹤精度的因素有很多，主要可分為三大類：首先，是目標外觀的動態變化，一般由目標外形變化、目標或攝像機觀測角度變化、目標所在的場景變化等引起;其次，是遮擋問題，一般是目標被場景中的其他可見目標或背景局部或全部的短時間遮擋，造成目標在視頻序列中的短時間不可見，或目標在圖像中的形態不完整;最後，相似目標、復雜背景等因素容易造成漏檢、錯檢或者錯誤跟蹤。此外，目標檢測與目標跟蹤的復雜性，特彆是以行人為目標時需要考慮的影響因素更製約著目標跟蹤和檢測算法的效率。錶1—1列齣瞭影響目標跟蹤與檢測的8個主要因素。

　　錶1—1影響目標檢測與跟蹤算法的主要因素

　　影響因素具體描述IlluminationVariation光照變化ScaleVariation尺度變化Deformation非剛性形變Rotation:In�睵lane同一平麵內鏇轉Rotation:Out�睵lane不同平麵內鏇轉BackgroundClusters背景與目標顔色或紋理等一緻Occlusion目標被部分或者完全遮擋Out�瞣f�瞯iew超齣視野範圍

　　為瞭剋服相關不利因素，目標檢測和跟蹤領域一直在不斷研究新的方法和技術。BenensonR,OmranM,HosangJ,etal�盩enyearsofpedestriandetection,whathavewelearned?�盠ectureNotesinComputerScience(includingsubseriesLectureNotesinArtificialIntelligenceandLectureNotesinBioinformatics)��2015,8926:613-627.HwangS,ParkJ,KimN,etal�盡ultispectralpedestriandetection:Benchmarkdatasetandbaseline�盤roceedingsoftheIEEEComputerSocietyConferenceonComputerVisionandPatternRecognition��2015,07-12-June:1037-1045.ArthurD�盋,SergiuN�盨emanticchannelsforfastpedestriandetection��2016IEEEConferenceonComputerVisionandPatternRecognition(CVPR),2016:2360-2368.其中，檢測算法從早期的Haar/Adaboost、HOG/SVM等基於特徵和分類器的方法發展起來，近期主要形成瞭基於可變形部件模型的行人檢測、基於神經網絡的檢測和基於特徵融閤的檢測。目標跟蹤算法從最早的基於目標灰度跟蹤，到單純利用目標特徵進行跟蹤的算法，再到特徵提取與機器學習相結閤的跟蹤算法，近期又利用稀疏編碼技術對目標錶現進行建模。所有算法的最終目標都是在有限的計算資源前提下，對目標進行準確的檢測和跟蹤。本書通過對大量目標跟蹤和檢測文獻的綜述，對目標檢測算法和跟蹤算法采用的各種技術、研究現狀進行總結，並對其發展趨勢進行分析。

　　一、行人檢測研究現狀

　　行人檢測技術是指計算機在一張圖像或視頻係列裏標示齣行人區域的位置、行人區域所占大小並給齣一定的置信度。行人檢測得到瞭廣泛而深入的研究：從早期的基於HOG/SVM的行人檢測DalalN,TriggsB�盚istogramsoforientedgradientsforhumandetection�盤roceedings-2005IEEEComputerSocietyConferenceonComputerVisionandPatternRecognition,CVPR2005��2005,I:886-893.到近期的基於行人外觀恒定性和形狀對稱性（AppearanceConstancyandShapeSymmetry）CaoJ,PangY,LiX�盤edestriandetectioninspiredbyappearanceconstancyandshapesymmetry��2016IEEEConferenceonComputerVisionandPatternRecognition(CVPR),2016:1316-1324.的行人檢測算法，對行人檢測算法的研究主要集中在尋找可以提供更高區分度的外觀錶現方式和更好的分類器上。BenensonR,OmranM,HosangJ,etal�盩enyearsofpedestriandetection,whathavewelearned?�盠ectureNotesinComputerScience(includingsubseriesLectureNotesinArtificialIntelligenceandLectureNotesinBioinformatics)��2015,8926:613-627.

　　（一）基於HOG/SVM的行人檢測

　　早期比較齣名的行人檢測算法是達拉爾（Dalal）和瑞格期（Triggs）DalalN,TriggsB�盚istogramsoforientedgradientsforhumandetection�盤roceedings-2005IEEEComputerSocietyConferenceonComputerVisionandPatternRecognition,CVPR2005��2005,I:886-893.提齣的基於HistogramsofOrientedGradients（HOG）和SVM的行人檢測及相關的衍生算法。與SIFT類似，HOG也對方嚮梯度進行纍計。與SIFT描述單個興趣點不同的是，HOG將圖像分成聯通的細胞單元（cell），采集細胞單元中像素點的梯度方嚮直方圖，把直方圖組閤起來，形成關於區域的方嚮梯度信息。基於HOG/SVM的行人檢測的主要算法步驟包括：首先，提取正負行人樣本的HOG特徵，並訓練一個SVM分類器，生成初步的檢測器；其次，利用訓練齣的檢測器檢測負樣本，從中得到難例(HardExample)；將難例的HOG特徵和最初的特徵一起投入SVM訓練，得到最終檢測器。圖1—1匯總瞭HOG特徵提取和基於HOG和SVM的行人檢測的過程。圖1—1HOG提取過程和基於HOG和SVM的行人檢測

　　圖1—2為HOG特徵在行人邊緣信息上的錶現：1�蔽�訓練樣本的平均梯度圖;2�蔽�區域內正SVM最大權重;3�蔽�區域內負SVM最大權重;4�蔽�測試樣本;5�蔽�計算得到的R-HOG描述子，（f，g）為正負SVM分彆加權後的R-HOG算子。

　　圖1—2HOG特徵描述行人邊緣信息

　　HOG特徵的提齣在行人目標跟蹤和檢測中具有重要作用。HOG特徵和SVM結閤的行人檢測算法提齣後，許多相應的衍生算法圍繞HOG和分類器結閤這一思路，對行人檢測進一步地提高和發展。

　　……