行人检测技术综述

doi:10.3969/j.issn.0372-2112.2012.04.031

电子学报 ›› 2012, Vol. 40 ›› Issue (4): 814-820.DOI: 10.3969/j.issn.0372-2112.2012.04.031

行人检测技术综述

苏松志^1,2, 李绍滋^1,2, 陈淑媛³, 蔡国榕^1,2,4, 吴云东⁴

1. 厦门大学信息科学与技术学院,福建厦门 361005;2. 厦门大学福建省仿脑智能系统重点实验室,福建厦门 361005;3. 元智大学资讯工程系,台湾;4. 集美大学理学院,福建厦门 361021

收稿日期:2010-04-07 修回日期:2011-06-30 出版日期:2012-04-25
- 基金资助:
- 国家自然科学基金 (No.60873179); 高等学校博士学科点专项科研基金 (No.20090121110032); 深圳市科技计划-基础研究 (No.JC200903180630A); 深圳市科技研发基金-深港创新圈计划 (No.ZYB200907110169A); 福建省教育厅基金 (No.JA10196)

A Survey on Pedestrian Detection

SU Song-zhi^1,2, LI Shao-zi^1,2, CHEN Shu-yuan³, CAI Guo-rong^1,2,4, WU Yun-dong⁴

1. School of Information Science and Technology,Xiamen University,Xiamen,Fujian 361005 China;2. Fujian Key Laboratory of the Brain-like Intelligent Systems (Xiamen University),Xiamen,Fujian 361005,China;3. Department of Computer Engineering and Science,Yuan-Ze University,Taiwan,China;4. School of Science,Jimei University,Xiamen,Fujian 361021,China

Received:2010-04-07 Revised:2011-06-30 Online:2012-04-25 Published:2012-04-25

摘要/Abstract

摘要： 行人检测是计算机视觉中的研究热点和难点,本文对2005-2011这段时间内的行人检测技术中最核心的两个问题—特征提取、分类器与定位—的研究现状进行综述.文章中首先将这些问题的处理方法分为不同的类别,将行人特征分为底层特征、基于学习的特征和混合特征,分类与定位方法分为滑动窗口法和超越滑动窗口法,并从纵横两个方向对这些方法的优缺点进行分析和比较,然后总结了构建行人检测器在实现细节上的一些经验,最后对行人检测技术的未来进行展望.

关键词: 行人检测, 目标检测, 智能监控, 车辆辅助驾驶

Abstract: Pedestrian detection is an active area of research with challenge in computer vision.This study conducts a detailed survey on state-of-the-art pedestrian detection methods from 2005 to 2011,focusing on the two most important problems:feature extraction,the classification and localization.We divided these methods into different categories;pedestrian features are divided into three subcategories:low-level feature,learning-based feature and hybrid feature.On the other hand,classification and localization is also divided into two sub-categories:sliding window and beyond sliding window.According to the taxonomy,the pros and cons of different approaches are discussed.Finally,some experiences of how to construct a robust pedestrian detector are presented and future research trends are proposed.

Key words: pedestrian detection, object detection, intelligent surveillance, driver assistance systems

中图分类号:

TP391

苏松志, 李绍滋, 陈淑媛, 等. 行人检测技术综述[J]. 电子学报, 2012, 40(4): 814-820.

SU Song-zhi, LI Shao-zi, CHEN Shu-yuan, et al. A Survey on Pedestrian Detection[J]. Acta Electronica Sinica, 2012, 40(4): 814-820.

[1]	贺军义, 吴梦翔, 宋成, 张敏, 张俊楠. 双目视觉辅助PDR的组合导航定位方法[J]. 电子学报, 2023, 51(3): 736-745.
[2]	唐维伟, 钟胜, 卢金仪, 颜露新, 谭富中, 邹旭, 徐文辉. 基于FPGA的Skynet网络结构优化及高时效实现[J]. 电子学报, 2023, 51(2): 314-323.
[3]	柳长源, 张玉亮, 毕晓君. 基于多阶段提议稀疏区域卷积网络的城市交通目标检测[J]. 电子学报, 2023, 51(1): 26-31.
[4]	琚长瑞, 秦晓燕, 袁广林, 李豪, 朱虹. 尺度敏感损失与特征融合的快速小目标检测方法[J]. 电子学报, 2022, 50(9): 2119-2126.
[5]	李超, 黄新宇, 王凯. 基于特征融合和自学习锚框的高分辨率图像小目标检测算法[J]. 电子学报, 2022, 50(7): 1684-1695.
[6]	包中华, 卢建斌, 田永华, 田树森. 密集杂波背景下雷达微弱海面目标的修正Hough变换TBD检测新方法[J]. 电子学报, 2022, 50(7): 1735-1743.
[7]	肖进胜, 张舒豪, 陈云华, 王元方, 杨力衡. 双向特征融合与特征选择的遥感影像目标检测[J]. 电子学报, 2022, 50(2): 267-272.
[8]	李斌, 齐延荣, 周清雷. 基于Winograd算法的目标检测加速器设计与优化[J]. 电子学报, 2022, 50(10): 2387-2397.
[9]	罗会兰, 袁璞, 童康. 基于深度学习的显著性目标检测方法综述[J]. 电子学报, 2021, 49(7): 1417-1427.
[10]	程旭, 宋晨, 史金钢, 周琳, 张毅锋, 郑钰辉. 基于深度学习的通用目标检测研究综述[J]. 电子学报, 2021, 49(7): 1428-1438.
[11]	周勇, 陈思霖, 赵佳琦, 张迪, 王瀚正. 基于弱语义注意力的遥感图像可解释目标检测[J]. 电子学报, 2021, 49(4): 679-689.
[12]	王洪雁, 张海坤, 罗宇华, 汪祖民. 复杂动态背景下基于群稀疏的运动目标检测方法[J]. 电子学报, 2021, 49(12): 2330-2338.
[13]	罗大鹏, 杜国庆, 曾志鹏, 魏龙生, 高常鑫, 陈应, 肖菲, 罗琛. 基于少量样本学习的多目标检测跟踪方法[J]. 电子学报, 2021, 49(1): 183-191.
[14]	李维刚, 叶欣, 赵云涛, 王文波. 基于改进YOLOv3算法的带钢表面缺陷检测[J]. 电子学报, 2020, 48(7): 1284-1292.
[15]	罗会兰, 陈鸿坤. 基于深度学习的目标检测研究综述[J]. 电子学报, 2020, 48(6): 1230-1239.

行人检测技术综述

A Survey on Pedestrian Detection

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics