前言

基于單目視覺(jué)的行人檢測(cè)是城市交通環(huán)境下智能汽車輔助導(dǎo)航技術(shù)中的一項(xiàng)關(guān)鍵技術(shù)，也是目前計(jì)算機(jī)應(yīng)用領(lǐng)域的研究熱點(diǎn)之一。它對(duì)于保障現(xiàn)代城市道路交通安全具有重要的作用，已經(jīng)引起了各國(guó)政府和相關(guān)研究機(jī)構(gòu)的高度重視。

本書對(duì)行人檢測(cè)的關(guān)鍵技術(shù)進(jìn)行了概述，闡述了國(guó)內(nèi)外相關(guān)研究及進(jìn)展情況，重點(diǎn)針對(duì)復(fù)雜城市交通環(huán)境下行人檢測(cè)技術(shù)進(jìn)行了深入研究。

本書的章節(jié)安排如下。

第1章首先介紹了研究背景、行人檢測(cè)技術(shù)及面臨的問(wèn)題，然后闡述了基于單目視覺(jué)行人檢測(cè)技術(shù)的研究意義、國(guó)內(nèi)外典型的智能汽車系統(tǒng)及研究現(xiàn)狀。

第2章概述基于單目視覺(jué)的行人檢測(cè)系統(tǒng)，簡(jiǎn)單介紹本書的主要實(shí)驗(yàn)平臺(tái)——多功能智能汽車THMR-V及常用術(shù)語(yǔ)的定義。

第3章根據(jù)Haar-like所提取的行人輪廓特征，利用樹(shù)形Adaboost算法的簡(jiǎn)單和高效性，提取圖像中可能存在行人的感興趣區(qū)域，為下一步行人的識(shí)別提供輸入信息。在保證較高檢測(cè)率的前提下，可以快速地剔除大多數(shù)不包含行人的掃描窗口。

第4章介紹了基于Mean-shift的多尺度檢測(cè)融合算法。基于Haar-like特征和Adaboost的行人候選區(qū)域分割算法對(duì)目標(biāo)圖片進(jìn)行掃描、分類處理后，會(huì)得到許多互相重疊的檢測(cè)結(jié)果。數(shù)目較多的行人候選區(qū)域，會(huì)加重行人識(shí)別階段的工作負(fù)擔(dān)，因此需要在行人識(shí)別之前首先對(duì)分割產(chǎn)生的檢測(cè)框進(jìn)行合并。在分析了多尺度檢測(cè)融合算法需要解決的問(wèn)題和設(shè)計(jì)原則的基礎(chǔ)上，將檢測(cè)框的融合問(wèn)題轉(zhuǎn)化為基于窗函數(shù)的模型估計(jì)問(wèn)題，提出了基于Mean-shift的多尺度檢測(cè)融合算法，并通過(guò)引入重采樣技術(shù)提高了檢測(cè)融合算法的速度。

第5章介紹了基于改進(jìn)Shapelet特征的行人識(shí)別。研究基于形狀信息的行人識(shí)別算法。在分析現(xiàn)有的Haar-like、Edgelet特征和標(biāo)準(zhǔn)Shapelet特征集的基礎(chǔ)上，對(duì)標(biāo)準(zhǔn)Shaplelet特征從子窗口的空間分布、歸一化方法和底層特征的計(jì)算等方面進(jìn)行擴(kuò)展。相關(guān)實(shí)驗(yàn)的結(jié)果表明，改進(jìn)的Shapelet特征與標(biāo)準(zhǔn)Shapelet特征相比，提高了行人識(shí)別算法的檢測(cè)性能。

第6章介紹了基于部位的行人識(shí)別算法。針對(duì)復(fù)雜場(chǎng)景下行人之間、行人與其他障礙物之間的遮擋問(wèn)題，將改進(jìn)的Shapelet特征與子結(jié)構(gòu)概念相結(jié)合，提出了一種基于部位集成的行人識(shí)別算法。首先將人體建模為頭部、軀干、左臂、右臂和腿部5個(gè)部位的自然組合，從而將對(duì)目標(biāo)行人的檢測(cè)分解為對(duì)5個(gè)部位的檢測(cè)，每個(gè)部位檢測(cè)器采用基于改進(jìn)Shaplelet特征的檢測(cè)方法。對(duì)于部位檢測(cè)器的集成，引入子結(jié)構(gòu)來(lái)刻畫各部位之間的位置、尺度等幾何約束。為了獲得最優(yōu)的集成方式，引入了覆蓋集概念，在集成檢測(cè)器的檢測(cè)率與它的拓?fù)浣Y(jié)構(gòu)之間建立聯(lián)系。然后，采用隨機(jī)搜索的方式從所有的子結(jié)構(gòu)中選擇滿足覆蓋集定義，并且具有最小虛警率的子結(jié)構(gòu)組合來(lái)構(gòu)建集成檢測(cè)器。最后，利用馬爾可夫隨機(jī)場(chǎng)（MRF，Markov Random Field）理論來(lái)完成基于集成模型的行人檢測(cè)任務(wù)。

第7章介紹了基于在線學(xué)習(xí)的行人檢測(cè)算法。針對(duì)Adaboost離線學(xué)習(xí)算法的不足，提出了一種應(yīng)用于行人檢測(cè)的在線學(xué)習(xí)與檢測(cè)框架，該檢測(cè)框架除了完成行人的在線檢測(cè)之外，還可以通過(guò)對(duì)漏檢行人樣本和錯(cuò)檢非行人樣本的在線學(xué)習(xí)，不斷提升檢測(cè)器的性能。相關(guān)實(shí)驗(yàn)表明，基于在線學(xué)習(xí)算法的檢測(cè)器隨著學(xué)習(xí)樣本數(shù)目的增多，檢測(cè)性能不斷提高，當(dāng)訓(xùn)練樣本足夠多時(shí)，其檢測(cè)性能趨近于基于離線學(xué)習(xí)算法的檢測(cè)器，并且大大減少了訓(xùn)練時(shí)間。

第8章介紹了行人檢測(cè)技術(shù)的研究成果及進(jìn)一步工作。針對(duì)復(fù)雜城市交通環(huán)境下行人的安全問(wèn)題構(gòu)建基于單目視覺(jué)的行人檢測(cè)系統(tǒng)，研究相關(guān)的行人檢測(cè)技術(shù)，對(duì)取得的研究成果進(jìn)行總結(jié)并展望下一步的工作。

本書的研究工作得到了以下基金的資助：

《多源多模態(tài)圖像特征融合研究及在自閉癥早期診斷中的應(yīng)用》，國(guó)家自然科學(xué)基金（No.61773244）；

《面向文本分類的遷移學(xué)習(xí)和半監(jiān)督學(xué)習(xí)方法研究》，國(guó)家自然科學(xué)基金（No.61175053）。

本書的寫作也得到山東工商學(xué)院計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院領(lǐng)導(dǎo)的大力支持，在此表示衷心的感謝。

于立萍

2017年10月