視頻中行人檢測研究方法綜述

李錦明 曲 毅 裴禹豪 扆澤江

1．武警工程大學研究生管理大隊，陜西 西安 710086

2．武警工程大學信息工程系，陜西 西安 710086

視頻中行人檢測研究方法綜述

李錦明1曲 毅2裴禹豪1扆澤江1

1．武警工程大學研究生管理大隊，陜西 西安 710086

2．武警工程大學信息工程系，陜西 西安 710086

行人檢測是計算機視覺研究的熱門之一，其在智能監控、虛擬現實等方面都能得到較好的應用，具有較好的應用前景。從行人檢測核心——目標分類方面對其進行了論述，分析了目前常用方法的優缺點，并對現今的研究難點以及未來的研究方向進行了詳細的論述。

行人檢測；智能監控；運動檢測；目標分類

引言

在過去的幾年里，計算機視覺方面的研究獲得了大量的關注[1]。其可以應用在很多方面，如智能視頻監控、交互式游戲、虛擬現實[2]等等。在進行各種人體行為檢測之前，應將我們所需要的人體通過自動進行的算法從視頻或圖像中分離出來。本文結合現今的主要行人檢測方法，綜述運動檢測后的目標分類，并對行人檢測方法的未來進行展望。

1 目標分類方法

在我們需要處理的視頻中，一方面，除了行人以外還有其他運動的目標在處理的區域，他們之間的運動可能有一定的相關性，比如有人在遛狗，然而也有可能沒有一點相關性；另一方面，不僅有在運動的行人，而且有靜止的行人，比如兩個在交談的行人以及在路邊打電話的行人。這兩個方面的情況對我們的運動檢測造成了極大的困難。基于這種需求，目標方法應運而生。目前常用的目標分類方法如下：

1.1 基于外部輪廓的目標分類方法

行人與其他物體直觀上的區別就是外部輪廓的不同，因而可以通過篩選匹配外部輪廓來進行目標分類。這種方法適用于靜止的行人，也適用于動態的行人，因而被普遍應用[3]。這種方法可分為基于整個人體的和基于人體部位的目標分類。

基于整個人體的目標分類可以通過訓練好的外部輪廓模板與我們所需要檢測的視頻幀中的運動區域進行匹配擬合，并選用特定的誤差函數與設定的閾值進行篩選判斷，比如說用Hausdorff距離[4]來計算選定的運動窗口與我們的模板之間的誤差并與閾值進行比對來判斷最終是不是行人；或者直接利用人體外形的輪廓來進行辨別，不過不同的是這個模板是具有可以根據運動目標的剛性與非剛性特點進行調整的一個代價函數[5]。

而基于人體部位進行的目標分類則是通過在一個視頻幀中分別檢測頭、腿以及雙手這4個人體的一部分，因而需要4個不同的部位檢測器[6]。顯然這種檢測算法要比整體的檢測效果要好，也能較好地處理有部分被阻擋的行人，不過這種方法計算量比較大，平均一個普通720×480的視頻幀就得需要用20分鐘[7]，因而要實現實時檢測的話，需要較高的硬件要求。

1.2 基于運動特性的目標分類方法

行人在運動時是具有一定的規律以及周期性的，視頻中連續的幀更能方便我們進行運動的分析判斷，因而可以根據這種人體運動的特性來進行分類[8]。

比如可以通過行人腿部前后交替的特點來進行目標分類，也可以對運動對象進行跟蹤識別，計算對象在幀與幀之間的相關性，并利用其周期性來判斷是否是行人，還可以對人體的運動軌跡進行建模，只有符合運動軌跡的才是行人。但這種方法只對行走中的人有較好的識別，對于靜止不動的則比較難判斷出來。

1.3 基于人體特征的目標分類方法

基于人體特征的目標分類方法是用得最廣泛的目標分類方法，因為其較其他方法準確度更好、速度更快，因而引起了廣泛的關注。

一般地，基于特征的方法都要進行訓練樣本特征的提取、學習以及判斷匹配，而用什么特征并通過什么來學習就是這類方法之間最主要的區別。目前用得比較多的學習方法是機器學習，有支持向量機（SVM）、多弱分類器集成（AdaBoost）、隨機森林以及神經網絡等；檢測分類效果較好的人體特征則有方向梯度直方圖特征HOG（Histogram of Oriented Gradient）、Haar-like特征、描述人體各個部位的Edgelet特征以及綜合各種特征取得更好效果的方法。它們能從訓練樣本中學習各種人體特征，從而進行分析判斷是否為行人。

2 總結以及研究展望

本文對視頻中的行人檢測里面的目標分類進行了綜述，并進行了優缺點的分析與比較。如今的檢測技術不管在可靠性還是有效性方面都有顯著提高，不過距離實用性還是有不少差距。因而今后的行人檢測可以從以下幾個方向研究：進行多特征融合的行人檢測，有效地綜合利用各種特征的優勢[3]；提高雨天、雪天等特殊天氣下的行人檢測的可靠性，可設計針對特殊環境的檢測算法，自適應地調整選用合適的算法；通過多視角的視頻監控或者提取更加深度的特征來解決行人被部分遮擋的問題。

總之，行人檢測是當今機器學習、圖像識別、計算機視覺非常重要的研究領域，對于實際的應用也有很好的前景。因而，這對于真實環境條件下行人檢測問題的有效解決具有重大的理論意義。

[1]Ogale N A. A survey of techniques for human detection[J]. Master’s of Science Degree in Computer Science of the University of，2008.

[2]Gavrila D M. The Visual Analysis of Human Movement：A Survey[J]. Computer Vision & Image Understanding，1999，73（1）：82-98.

[3]Varga D，Szirányi T. Robust real-time pedestrian detection in surveillance videos[J].Journal of Ambient Intelligence & Humanized Computing，2017，8（1）：79-85.

[4]Felzenszwalb P F. Learning models for object recognition：Computer Vision and Pattern Recognition, 2001. CVPR 2001. Proceedings of the 2001 IEEE Computer Society Conference on， 2001[C].

[5]Gavrila D M， Giebel J. Shape-based pedestrian detection and tracking: Intelligent Vehicle Symposium，2002[C].

[6]Zhang S，Bauckhage C, Cremers A B. Informed Haar-Like Features Improve Pedestrian Detection:IEEE Conference on Computer Vision and Pattern Recognition，2014[C].

[7]Wu B，Nevatia R. Detection of multiple,partially occluded humans in a single image by Bayesian combination of edgelet part detectors:Tenth IEEE Intern mputer Vision，2005[C].

[8]Wu S，Laganière R，Payeur P. Improving pedestrian detection with selective gradient self-similarity feature[J]. Pattern Recognition，2015，48（8）：2364-2376.

A Survey of the Methods in Pedestrians Detection in Video

Li Jinming1Qu Yi2Pei Yuhao1Yi Zejiang1
1. Graduate Management Team, CAPF of Engineering University, Shaanxi Xi’an 710086
2. Department of information engineering, CAPF of Engineering University, Shaanxi Xi’an 710086

Pedestrian detection is an active area in the research of computer vision. This strong interest can be driven by a wide of promising application in many areas such as virtual reality, smart surveillance and so on. This paper emphasizes on one major issue, the moving object classification and then discussed the pros and cons of different approaches. Finally,the paper gives the future work of the pedestrian detection.

pedestrian detection; smart surveillance; sport detection; object classification

TP391.41

A

1009-6434（2017）7-0119-02