第一節(jié)研究的目的和意義

　　視覺目標(biāo)檢測（VisualObjectDetection），是根據(jù)目標(biāo)的特征，利用最優(yōu)化、機(jī)器學(xué)習(xí)等技術(shù)，檢測出圖像中目標(biāo)所在的位置。視覺目標(biāo)跟蹤（VisualObjectTracking），是在圖像序列中，根據(jù)視頻信息的空間關(guān)聯(lián)性和時(shí)間相關(guān)性等信息，逐幀估計(jì)出目標(biāo)所在的位置。目標(biāo)可以是單一確定的，也可以是多個(gè)或者一類相同或者相似的目標(biāo)。目標(biāo)檢測和目標(biāo)跟蹤得到目標(biāo)參數(shù)，如目標(biāo)的位置、外觀、運(yùn)動(dòng)規(guī)律等，是計(jì)算機(jī)視覺應(yīng)用中最重要的底層信息之一，其準(zhǔn)確性和時(shí)效性決定了智能視頻系統(tǒng)各種功能的實(shí)現(xiàn)。YilmazA,JavedO,ShahM�監(jiān)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(dòng)駕駛為主要代表的新交通系統(tǒng)的興起，選擇視頻序列中的行人作為主要視覺對(duì)象的行人檢測和跟蹤（PedestrianDetectionandTracking），是智能安防、智能交通、自動(dòng)化等系統(tǒng)中的一項(xiàng)關(guān)鍵技術(shù)。有效的行人檢測和跟蹤方法對(duì)推動(dòng)計(jì)算機(jī)視覺、人工智能、模式識(shí)別等領(lǐng)域的發(fā)展有重要意義，對(duì)于減少人力成本、避免交通事故、防范恐怖襲擊、打擊犯罪等也具有廣泛的應(yīng)用前景。

　　第一章行人檢測與行人跟蹤研究現(xiàn)狀|0||0|反恐背景下的信息技術(shù)革新研究：以視頻序列中的行人檢測與跟蹤為例◆第二節(jié)國內(nèi)外研究現(xiàn)狀和發(fā)展趨勢◆

　　行人檢測算法主要包含行人表現(xiàn)建模和目標(biāo)定位兩部分。其中表現(xiàn)建模主要描述行人的視覺特征，如顏色、紋理、部件等，以及如何度量視覺特征之間的相似度和區(qū)分度；目標(biāo)定位主要通過分類器等對(duì)行人所在的位置進(jìn)行標(biāo)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(biāo)初始化、表現(xiàn)建模、運(yùn)動(dòng)描述和目標(biāo)定位四部分。其中，目標(biāo)初始化采用手工標(biāo)注或自動(dòng)檢測算法確定行人的初始跟蹤位置；表現(xiàn)建模同樣描述行人的視覺特征，如顏色、紋理、部件等，以及如何度量視覺特征之間的相似度和區(qū)分度；運(yùn)動(dòng)描述采用某種運(yùn)動(dòng)估計(jì)策略如線性回歸、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(duì)目標(biāo)的運(yùn)動(dòng)進(jìn)行估算，推斷目標(biāo)可能的位置；目標(biāo)定位在目標(biāo)可能的位置上，利用最優(yōu)化策略等確定目標(biāo)最終跟蹤位置，實(shí)現(xiàn)跟蹤。

　　影響行人目標(biāo)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(biāo)外觀的動(dòng)態(tài)變化，一般由目標(biāo)外形變化、目標(biāo)或攝像機(jī)觀測角度變化、目標(biāo)所在的場景變化等引起;其次，是遮擋問題，一般是目標(biāo)被場景中的其他可見目標(biāo)或背景局部或全部的短時(shí)間遮擋，造成目標(biāo)在視頻序列中的短時(shí)間不可見，或目標(biāo)在圖像中的形態(tài)不完整;最后，相似目標(biāo)、復(fù)雜背景等因素容易造成漏檢、錯(cuò)檢或者錯(cuò)誤跟蹤。此外，目標(biāo)檢測與目標(biāo)跟蹤的復(fù)雜性，特別是以行人為目標(biāo)時(shí)需要考慮的影響因素更制約著目標(biāo)跟蹤和檢測算法的效率。表1—1列出了影響目標(biāo)跟蹤與檢測的8個(gè)主要因素。

　　表1—1影響目標(biāo)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同一平面內(nèi)旋轉(zhuǎn)Rotation:Out�睵lane不同平面內(nèi)旋轉(zhuǎn)BackgroundClusters背景與目標(biāo)顏色或紋理等一致Occlusion目標(biāo)被部分或者完全遮擋Out�瞣f�瞯iew超出視野范圍

　　為了克服相關(guān)不利因素，目標(biāo)檢測和跟蹤領(lǐng)域一直在不斷研究新的方法和技術(shù)。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等基于特征和分類器的方法發(fā)展起來，近期主要形成了基于可變形部件模型的行人檢測、基于神經(jīng)網(wǎng)絡(luò)的檢測和基于特征融合的檢測。目標(biāo)跟蹤算法從最早的基于目標(biāo)灰度跟蹤，到單純利用目標(biāo)特征進(jìn)行跟蹤的算法，再到特征提取與機(jī)器學(xué)習(xí)相結(jié)合的跟蹤算法，近期又利用稀疏編碼技術(shù)對(duì)目標(biāo)表現(xiàn)進(jìn)行建模。所有算法的最終目標(biāo)都是在有限的計(jì)算資源前提下，對(duì)目標(biāo)進(jìn)行準(zhǔn)確的檢測和跟蹤。本書通過對(duì)大量目標(biāo)跟蹤和檢測文獻(xiàn)的綜述，對(duì)目標(biāo)檢測算法和跟蹤算法采用的各種技術(shù)、研究現(xiàn)狀進(jìn)行總結(jié)，并對(duì)其發(fā)展趨勢進(jìn)行分析。

　　一、行人檢測研究現(xiàn)狀

　　行人檢測技術(shù)是指計(jì)算機(jī)在一張圖像或視頻系列里標(biāo)示出行人區(qū)域的位置、行人區(qū)域所占大小并給出一定的置信度。行人檢測得到了廣泛而深入的研究：從早期的基于HOG/SVM的行人檢測DalalN,TriggsB�盚istogramsoforientedgradientsforhumandetection�盤roceedings-2005IEEEComputerSocietyConferenceonComputerVisionandPatternRecognition,CVPR2005��2005,I:886-893.到近期的基于行人外觀恒定性和形狀對(duì)稱性（AppearanceConstancyandShapeSymmetry）CaoJ,PangY,LiX�盤edestriandetectioninspiredbyappearanceconstancyandshapesymmetry��2016IEEEConferenceonComputerVisionandPatternRecognition(CVPR),2016:1316-1324.的行人檢測算法，對(duì)行人檢測算法的研究主要集中在尋找可以提供更高區(qū)分度的外觀表現(xiàn)方式和更好的分類器上。BenensonR,OmranM,HosangJ,etal�盩enyearsofpedestriandetection,whathavewelearned?�盠ectureNotesinComputerScience(includingsubseriesLectureNotesinArtificialIntelligenceandLectureNotesinBioinformatics)��2015,8926:613-627.

　�。ㄒ唬┗�于HOG/SVM的行人檢測

　　早期比較出名的行人檢測算法是達(dá)拉爾（Dalal）和瑞格期（Triggs）DalalN,TriggsB�盚istogramsoforientedgradientsforhumandetection�盤roceedings-2005IEEEComputerSocietyConferenceonComputerVisionandPatternRecognition,CVPR2005��2005,I:886-893.提出的基于HistogramsofOrientedGradients（HOG）和SVM的行人檢測及相關(guān)的衍生算法。與SIFT類似，HOG也對(duì)方向梯度進(jìn)行累計(jì)。與SIFT描述單個(gè)興趣點(diǎn)不同的是，HOG將圖像分成聯(lián)通的細(xì)胞單元（cell），采集細(xì)胞單元中像素點(diǎn)的梯度方向直方圖，把直方圖組合起來，形成關(guān)于區(qū)域的方向梯度信息�；�于HOG/SVM的行人檢測的主要算法步驟包括：首先，提取正負(fù)行人樣本的HOG特征，并訓(xùn)練一個(gè)SVM分類器，生成初步的檢測器；其次，利用訓(xùn)練出的檢測器檢測負(fù)樣本，從中得到難例(HardExample)；將難例的HOG特征和最初的特征一起投入SVM訓(xùn)練，得到最終檢測器。圖1—1匯總了HOG特征提取和基于HOG和SVM的行人檢測的過程。圖1—1HOG提取過程和基于HOG和SVM的行人檢測

　　圖1—2為HOG特征在行人邊緣信息上的表現(xiàn)：1�睘橛�(xùn)練樣本的平均梯度圖;2�睘閰^(qū)域內(nèi)正SVM最大權(quán)重;3�睘閰^(qū)域內(nèi)負(fù)SVM最大權(quán)重;4�睘闇y試樣本;5�睘橛�(jì)算得到的R-HOG描述子，（f，g）為正負(fù)SVM分別加權(quán)后的R-HOG算子。

　　圖1—2HOG特征描述行人邊緣信息

　　HOG特征的提出在行人目標(biāo)跟蹤和檢測中具有重要作用。HOG特征和SVM結(jié)合的行人檢測算法提出后，許多相應(yīng)的衍生算法圍繞HOG和分類器結(jié)合這一思路，對(duì)行人檢測進(jìn)一步地提高和發(fā)展。

　　……