行人检测方法研究

1绪论1.1研究背景在信息高速发展的今天，几乎全部领域都离不开计算机，在满足人们的习惯方式和生活习惯下，让计算机进行较好的通信，是计算机智能的一种必备的条件。其中，计算机智能视觉是其应用的重要方向，它是研究使用多个成像输入设备替代人类视觉器官的领域叫智能视觉，并使用智能设备来替代人们完毕识别和分析。让智能设备能够像人类同样观察和理解是人们研究计算机视觉，并且智能设备还能随着环境的变化而做出对应的变化。行人检测是计算机视觉的一种具体体现形式，并应用在下列方面：智能监控现在，为了避免财产安全和留下有效的证据，大部分的公众场合都装备了摄像监控设备。但是，这些监控设备大部分还是有专人进行的查看的，这会造成下列问题的出现，首先长时间的监控，监控人员很可能出现疲倦，可能造成某些重要信息的遗漏，另首先不能充足的把监控信息运用起来。然而人工的局限性能够运用行人检测有关技术较好的解决，这样不仅能够减少多个资源的投入，又能够让监控的精确度得到较好的改善，当碰到紧急状况有能够及时预警。车辆辅助系统随着社会的发展，人民的经济水平不停提高，汽车逐步走入了千家万户，然而汽车数量的急剧增加也造成了频繁的交通事故，无情的夺去了人们的生命财产安全。如果我们将行人检测系统加入到汽车控制系统中，这样在行驶过程中车辆附近的人们能够被识别出来，极大了避免的交通事故的发生。这样不仅能够有效的减少交通事故，并且这也能够带来汽车行业的革命式变化。事实上，现在有许多公司已经研制出了无人驾驶的汽车，这些车的使用都需要行人检测技术，固然现在的能智能还没进入市场，现在还在实验当中。高级人机接口在21世纪，计算机技术得到了迅猛发展，并且更加趋于智能化的特点，极大地变化了我们的生活方式。我们不仅规定计算机能够快速精确的接受到外界输入的信息，并且能够高效地对信息进行解决并得到最适宜的输出信息，作出的对应的反映。人脸识别技术和物体检测技术的发展，能够较好的协助计算机去获取和解决外界的信息。这不仅需要良好的智能设备，同时也需要行人检测技术去协助完毕。1.2研究现状行人检测在汽车领域含有很大的应用前景，近年来是模式识别领域研究的热点课题方向之一。并且国内外也有了诸多了研究成果，如由本田公司研发的基于红外摄像机的行人检测系统[1]；CMU[2]、MIT[3]等国外的大学在这方面获得了很大的进步，清华大学[4]等也进行了有关方面的研究。行人检测技术事实上为图像解决技术的分支，其核心思想就是运用计算机视觉技术和数字图像解决技术，去分析监控设备获取的信息，分析解决行人的行为。行人检测的成功开发含有很大的应用前景，能够在各个领域得到发展。并且由于检测的行人外形不同，加上周边的复杂混乱的环境，给行人检测系统的运行带来了很大的挑战。早期的行人检测以静态图像解决中的分割、边沿提取、运动检测等办法为主。例如：（1）以Gavrila为代表的全局模板办法[5]；（2）以Broggi为代表的局部模板办法[6]；（3）以Lipton为代表的光流检测办法[7]；（4）以Heisele为代表的运动检测办法[8]；（5）以Wohler为代表的神经网络办法[9]；但是这些办法的检测速度很慢，并且普遍存在着误报、漏检率高的特点。行人检测的现状：大致能够分为两类：（1）基于背景建模的办法：分割出前景，提取运动目的，在进一步提取特性，分类鉴别。然而这个办法构建了很复杂的模型，因此系统很容易受到干扰。（2）基于统计学习的办法：根据大量训练样原来构建行人检测分类器，提取样本的特性，普通分类器涉及SVM[10]，AdaBoost[11]。现在，基于学习的行人检测办法得到了很大的发展，如基于AdaBoost、基于SVM、基于HOG等行人检测办法。首先，这些办法都是学习正样本和负样本的变化，再根据大量的训练样本对不同的特性进行分类，因此，基于统计学习的办法有广泛的合用性。在行人检测系统中，目的记别和ROIs分割是两个重要的部分。目的记别根据监测信息的不同分为基于形状的办法和基于运动的办法。ROIs分割可分为基于运动、基于距离、基于图像特性和基于摄像机参数四种办法。在具体操作中，普通将这四种办法综合起来使用，能获得更加好的成果。研究难点现在行人检测技术面临着以下的技术难点:（a）每个人都有各自的姿态，着装各异；（b）特性空间的待提取的特性分布不集中；（c）受训练的样本变化大，造成系统分类效果的好坏；（d）受训练的样本很难包含多个复杂的真实环境；现在的行人检测技术正处在发展的核心时期，已经获得了某些可喜的进步，但许多难点问题急待解决。在某些环境背景良好的状况下，行人检测算法检测效果较好，但是实际中诸多环境是很复杂的，检测的效果并不能满足规定。另外，检测时会有延时也减少了系统的实用性，并且现在还缺少原则的测试办法和数据库的建立。本文研究的重要内容首先，本文简要地介绍了现在的多个算法，并互相对比，指出其中的优点和存在的问题。另首先，介绍本文研究的重要算法HOG算法原理，并进行改善，并比较改善前后，算法性能的变化。最后，本文提出HOG+SVM算法，通过将现有的HOG算法和SVM分类器，巧妙的将两者结合改善，使之满足多个复杂条件。本文的创新之处在于，通过将HOG和SVM算法结合并加以改善，使检测效率大大提高，并且实时性更强。本文构造：第一章是绪论，介绍了行人检测的背景和意义，并叙述了其研究现状，给出了本文的研究内容；第二章具体介绍了行人检测重要算法，并互相比较，得到其中的优缺点；第三章重要介绍HOG算法原理以及该算法的优缺点；第四章研究了基于HOG和SVM算法的行人检测算法，并进行了改善得到实验成果，具体分析后得到结论；第五章重要是对本文研究的总结以及将来技术发展的展望。2行人检测重要办法介绍及比较2.1引言现在，随着智能交通的发展，行人检测这方面的算法的研究也在不停的进一步，每年都会涌现出诸多优秀的文论，有的是对行人检测进行全新的研究，或者是对原有算法进行进一步的改善，提高检测的精确度以及检测的速度，加紧了行人检测的实用化进程。下列是对两类算法的具体介绍：第一类为基于特性的算法。在将矩形框范畴内的行人作为一种整体的前提下，它的核心在于找到能够代表框内行人的特性信号参数，然后运用机器学习算法将这种参数进行分类，这样就能够分辨行人和非行人，达成识别的目的。从这个过程中，我们能够懂得基于特性的算法分为分类器的学习和特性的提取，因此一种好的特性提取算法变得很重要。例如HOG特性、wavelet特性、shapelet特性，LBP等。该类办法的实现的算法比较简朴，架构容易，当使用不同特性办法时，也不用更改原来的架构，且易于实现。然而能够使用分类效果好的特性，就能够较好地从被检测目的较好的检测出行人目的。前面我们提到行人都有各自的特点，因此现在很难找到一种完美的算法来描述行人的特性。特别是在行人行走过程中，行人的姿势不停变化、监控设备的视角也在变化、同时行人也会被其它物体遮掩。现在的全部特性参数不能获得较好的效果。现在，被研究人员认为最稳定的特性是行人的轮廓，因此诸多研究人员都将重点放在了提取行人的轮廓信息。第二类为基于多部位的办法，就是分别取检测人的各个部位，然后综合起来判断与否是行人。通过一定的算法，来分析各个部位的关系，从而判断与否为行人目的。当行人在行走过程中发生部分遮掩，使用该类办法能够较好的解决，并且解决效果要比第一类办法好许多。但是，该类办法的核心在于，如何通过一种有效的机制，将各部分的检测成果合成一种整体，来判断与否为检测的目的。受到人脸识别的启发，将人脸的正侧面分别作为训练样本，减少类内差别，能够使训练难度减少。在这里，我们能够将行人分为正面和侧面，按照类似的解决办法，同样得到了一定的成果。但是，在无形之中需要增加诸多的训练样本值，使得工作量变大诸多。但是解决效果较好。2.2基于特性的办法2.2.1wavelet特性在1997年，机器学习的思想被Oren[18]第一次引进到行人检测领域，该办法的大致是通过大量的训练样本，然后对样本进行学习，形成适宜的模型，使得机器能够通过自动学习来建立模型。这种办法使行人检测获得了很大的突破，开创了行人检测的新局面。但是随着时间的变化，行人检测的技术在不停的发展，该算法的效果并不能满足人们的规定。理解它，能够协助我们较好的学习后续的复杂的算法。该办法的提出重要有下列的奉献：第一，该办法实验成果表明，在行人检测领域引入机器学习是很有必要的通过吧某些简朴的特性进行分类训练，然后加以分类是一种较好的方案。第二，该办法对负样本的规范定义，在Oren提出该办法之前，负样本还没用统一的原则。如何选用精确的负样本，是许多研究人员关心的问题，但是始终都没有找到较好的方案。由于这种办法的出现，负样本的训练对系统的益处大大地增加。在此之后，许多研究人员沿着这一方向继续研究，并出现了新算法。2.2.2Adaboost算法Adaboost算法是通过变化数据的分布实现的，是一种迭代算法。在每次进行训练之前，都会对之前全部训练的样本进行初始化权重，判断上一轮分类器的总体精确率。在对样本就行训练时，对完全能够精确分类的样本，就减少它的权值。在下一轮训练时，被选中的概率就会减少。与之相反的是，如果被判断错误的分类样本，在下一次训练时，被选中作为样本的概率就会变大。这样，在每次训练时，都会训练上一次被判断为错误分类的样本，学习了对的的样本。最后由各个弱分类器级联成强分类器。Adaboost算法不仅有计算效率高，弱分类器的兼容性好、参数少等特点被广泛应用。2.2.3shapelet特性该算法是基于boosting算法进行两次解决。第一次提取某些简朴的的特性，然后对提取出的特性进行训练，将训练的成果进行加权，得到shapelet。接下来第二次，是将得到的shapelet通过训练器再进行训练，得到最后的训练分类器。该算法的优点在于，通过简朴的特性作为基础，通过学习、训练得到比较好的训练分类器。因此该算法的性能比较良好，在检测效率上，shapelet也高于与之相似的edgelet算法，应用也很广泛。2.3基于多部位的办法2.3.1自适应组合分类器首先，该算法将人分为头肩、左肩、右肩和下半身四个部分，然后运用算法分别训练出每个部位的模型，得到各自的分类器。该算法使用了基于小波的算法，但是特性的维数更高，因此性能也有了一定的提高。然后将这四个分类器的参数作为最后分类器的参数输入，运用算法再做训练，得到最后分类器的模型。需要指出的是，必须在一定范畴内对四个部位的分类器进行搜索，得到最优的返回值。2.3.2基于贝叶斯推断的组合算法基于贝叶斯推断的办法是由BoWu从概率角度出发提出的，然后通过一系列计算，得到最大概率解。在这个算法中，将人分成头肩、躯干、腿部三个重要部分。类似于2.3.1的办法，首先，对检测对象的三个部位进行训练，得到训练分类器，并进行检测。最后，将各个部分得到的实验成果比较分析，以贝叶斯为根据来判断与否出现了行人。2.3.3隐式形状模型该算法在训练阶段，首先建立图片块字典，也就是为全部的图片块建一种索引。随即，要得到图片块的任何信息时，通过前面建立的索引，进行查询。首先，我们需要获得在爱好点附近的图片信息，并在对应的字典中找到对应的匹配项，通过比对有关信息，对中心位置进行分析即投票。毋庸置疑，那些得到票数最高将作为成果。最后，分析实验数据，拟定实验成果。2.4基于多视角的办法基于多视角的办法在人脸识别的领域应用很广泛，但是将该办法引入行人检测方向的办法现在还不是诸多。这是由于在不同视角下，人脸的差别是很大，但是对于行人来讲该特性确要小诸多。另外，现在的训练样本还不够充足，不能得到抱负的实验效果。现在多视角的办法有下列几个：第一种办法是对于视角的差别，我们并不做不同解决，而是将它们统一解决。正由于这样解决，这种办法的难点是如果不同的视角的物体差别很大，那将造成类间差别很大，使得训练出来的分类器是无效的。对于行人来说，有些状况很特殊，即使各个视角的行人也有差别。但是那些差别还局限性以造成训练无法正常进行，例如某些基于特性的办法，并没有考虑多视角问题，但是检测效果和识别效果同样较好。第二种办法是通过视角将样本进行分开，将不同分组的样本分别训练成一种个分类器，并分别检测全部的分类器。这个办法的弊端在于，视角分的越多复杂度就越大，并且大大增加了人工的负担。第三种办法是提取不同视角之间的共同特点，这样能够减少算法的复杂度，提高速度。这类办法不仅考虑了多视角的行人特性的不同，也考虑到了视角分类太多类内变化大的缺点。因此，第三种办法是现在研究的大趋势。现在，基于树的构造的分类器已经受到了越来越多人的关注，由于它能够解决不同的实验样本，提高了系统的性能。这样既能够有效的避免类内变化大的缺点，又能够解决视角特性不同带来的误差，这样的能够大大缩减算法的复杂度。

3基于HOG特性的行人检测3.1引言行人检测的目的是将每一帧图像中行人识别出来，并得到其空间位置。由于描述行人的办法不同，普通将行人检测算法分为下列三类：基于特性表述的办法、基于模板匹配的办法、基于纹理和形状结合的办法。另一种划分方式是根据将行人与否作为整体进行检测，能够分为基于整体的检测和基于部位的检测。前面我们在第二章已经学习到了HOG算法，在这一章，我们将进一步研究HOG算法。首先，我们需要对每帧图像进行特性提取，然后将提取的特性训练生成分类器。根据提取特性的映射分类不同，分类器模型有能够分为鉴别模型和生成模型。由于运用的是特性之间的近似性，生成模型重要从统计分类学角度计算特性的联合概率。它所针对的是特性之间的相似性，与之相反的是鉴别模型，鉴别模型是根据特性之间的差别性进行的。在训练分类的过程中，不停寻找不同特性所对应的最优分类办法。鉴别模式最典型的代表是SVM算法，该办法从样本学习带检测，目的的有关分类特性。通过样本学习、样本训练之后，生成最优的分类面，在不同环境条件下，SVM都有比较好的适应性。现在，针对SVM算法进行改善的算法诸多，该算法的优越性使之越来越流行。3.2HOG特性原理3.2.1HOG特性算法思想，Dalal在CVPR会议上提出方向梯度直方图（HOG），该算法的特性是通过统计和计算图像局部区域的HOG来获取的，在图像解决与识别领域被称为描述物体的特性算子。该算法的核心思想为：假设训练的样本大小为64*64像素。第一步，将该64*64像素的样本划分成小的连通区域即cell，每个cell的大小不妨设为8*8像素，这样样本图像就被划分成8×8=64个cell。二步将每个cell中的各像素点的边沿或者梯度的直方图采集出来。接下来把这些采集来的直方图进行整合形成特性描述算子。然而为了提高HOG算法的性能，普通将相邻的4个cell划分为一种block。图3-1为HOG特性模板，其中宽W:H之比为1:1。图3-1HOG特性模板随着每个细胞单元的滑动而形成block，block每一次滑动一种cell的宽度，对于一种64*64的图我们能够得到49个block。图3-2是描述block与cell的关系:图3-2block与cell的关系在划分大小为8*8像素的cell后，接下来采用9个bin的直方图去统计cell的每个像素的梯度信息。用梯度方向对cell内每个像素在直方图中进行加权投影，就得到了该cell的梯度方向直方图，如图3-3所示。最后将各个cell组合成大的、连通的blocks。就这样，在一种block内四个cell的特性向量能够串联起来就能够得到该block的HOG特性。因此，每个cell的特性以不同的特性出现在最后的HOG特性向量中。归一化之后的block描述符就是HOG特性描述算子。图3-3梯度划分3.2.2HOG特性算法的实现HOG特性算法实现用下面流程图如图3-4表达图3-4HOG算法流程图首先第一步将图片进行归一化解决，由于图片的颜色信息作用并不大，加上压缩解决能够有效的改善图片局部阴影和光照的影响。普通首先将待检测的图片转化为灰度图，压缩公式为：3-(1)其中gamma=1/2；接下来计算进一步计算梯度方向值，这样不仅能够进一步减小光照的影响，并且能够获得图像的各个轮廓，各个像素点的梯度计算公式为：3-(2)3-(3)式中Gx(x,y)、Gy(x,y)、H(x,y)分别表达输入图片的像素的水平梯度、垂直梯度、和像素点。像素点（x,y）处得幅度值和梯度方向分别为:3-(4)3-(5)第三步是计算每个cell的梯度直方图，并进行规定的权重投影。第四步是将单一的cell合成大的block，并计算块内梯度直方图。用来进一步解决部分关照的变化以及对比度的变化。并且归一化形成HOG描述符。第五步是对于每一种重叠block块内cell进行对比度归一化，并把全部block内的直方图向量一起组合成一种大的HOG特性向量3.2.3HOG特性算法的实验成果实验一:在正常条件下，行人特性比较明显的条件下，使用原则库的HOG算法对输入图片进行解决，成果如图：图3-5HOG检测实验一从图中可知，在特性明显的条件下，HOG算法检测效果较好，图中全部人都能够检测出来。实验二：行人特性为侧面时，HOG算法检测成果如图：图3-6HOG检测实验二从图3-6中的检测成果能够看出，当行人侧面出现，并且身体部分遮掩时，hog算法出现漏检现象。这与检测的精确度有关同时也与样本数量以及行人特性的多样性有关。实验三：夜间图片检测，检测成果如图：图3-7HOG检测实验三从图中检测成果可知在夜间行人特性不明显的条件下，hog算法检测效果不太好，这由于夜间环境复杂，行人的特性与周边的环境背景很相似，很容易造成漏检的状况。现在这些都是诸多学者正在解决的问题。实验四：当图像像素含糊，但特性明显的状况下，检测的成果，如图所示图3-8HOG检测实验四从图中的检测成果可知，及时像素不太好的状况下，只要行人特性明显，hog检测效果明显。3.3HOG特性算法的优缺点

HOG特性算法想对于其它特性描述算法有诸多优点。首先，在图片的局部细胞单元格上操作是HOG的一大特点，这样它对图片的光学和几何的变化都有较好的适应性，因此，HOG算法对这两种形变的解决是其它算法无法比拟的。另首先，在某些特定环境条件下，只要行人的特性大致上比较明显，即使行人在动作特性上有某些细小的变化，检测成果也同样不会受到任何的影响。因此，HOG特性算法在行人检测领域特别受欢迎，但是HOG算法设计复杂，训练时间较长，检测时间也很长，给检测带来很大的延时，不符合行人检测实时性的规定。

4基于HOG和SVM的行人检测4.1引言 通过前两章的介绍，我们对HOG算法和SVM算法有了初步的理解。在这一章，我们将要进一步学习HOG算法和SVM算法。在前两章，我们学习到，HOG算法和SVM算法都有各自的优点和缺点，那么这一章我们将研究如何将两者巧妙的结合，发挥各自的优势，较好的解决在多个条件下，行人检测的效果。使检测的效果更加精确，实时性更高，算法实现更容易。4.2SVM分类器的介绍在机器学习中，支持向量机(SVM)是与有关的学习算法有关的监督学习模型，重要用于分类和回归分析。例如现在在一种p维的空间中有两个由一系列的数据形成的数据集合，每个数据仅属于其中一种集合，为了拟定新的数据点事属于哪一种集合，支持向量机会将将每一种数据都当作一种p维向量，然后通过计算分类，找出能够将两个数据集合分开的p-1维的超平面。因此支持向量机也叫做线性分类器。尚有许多超平面，可能对数据进行分类。如果存在一种超平面使全部的数据不出错地分类，同时每类数据与超平面的距离近来的向量距离最大，那么这个超平面称之为最优超平面。基于SVM的算法不仅有运算速度快的优点，并且实现较容易、运算效率高的特点，但是SVM算法也有某些局限性之处：（1）普通，行人检测中的正样本和负样本在数量上有很大的不同，就会出现样本不均衡的问题，分类器的分类面偏向于样本少的一方，而过于关注样本多的一方，这样会使分类器的精度大大减少。（2）由于过于关注弱分类器的精度，这样造成过拟合现象。4.3HOG和SVM的改善及结合 普通SVM算法关注的是在正样本和负样本数量相隔不大条件下的问题，但是当正样本和负样本数量相差很大时，直接使用SVM算法，会造成降分类器的分类精度减少诸多。针对这一问题，本文做的的解决是，首先通过HOG特性提取足够的正负样本，通过大量HOG提取的样本并使用SVM进行分类，这样能够解决分类器解决精度，进而提高行人检测的精度。通过HOG特性提取的训练样本能够较好适应多个状况下检测和识别。 另首先，通过HOG特性提取的样本投入SVM分类器进行样本训练。通过将大量的正负样本进行训练，能够得到model，然后由得到的model生成检测因子，接下来使用生成的检测因子去检测负样本，得到hardexample，最后提取hardexample中的hog特性，并与hog特性的负样本一起投入训练生成最后的检测因子。 改善的hog+svm算法，通过增加训练的样本、改善hog算法的多个参数，以及改善svm分类器的各个参数，这样能够达成两种算法结合的最优状态。检测的效果能够适应多个环境，并且检测速度也更加紧速，实时性更强。4.4实验过程及解决整个实验过程大致如图4-1所示：图4-1实验成果流程图实验过程中的部分正负样本如图4-2、图4-3，实验过程中的代码部分见附录。图4-2训练的正样本图4-3训练的负样本4.5实验成果及分析实验一：在正常条件下，行人特性比较明显的条件下，使用本文算法对图片就行检测得到以下成果：图4-4实验一成果从图中我们能够看到，检测矩形窗口较好地识别了每一位行人，固然，在这里全部人的特性比较明显，并且背景干扰也比较小。因此在整个解决效果上是非常好的，并且也比较符合普通的行人特性。同时也阐明了本文所涉及的算法的检测效果是非常好的，在正常状况下，不会产生错误的识别或者遗漏某些行人。并且训练时间比HOG算法短了许多，检测时间实时性更高。实验二：行人侧面特性检测效果。从图中我们看到，被摄像头侧面抓拍的行人，在通过HOG+SVM算法解决之后，能够精确的识别出来。同时，我们也能注意到距离较远的两个行人并未识别。这与算法本身精度有关，以及那两位行人距离较远特性识别不明显，造成漏检。图4-5实验二成果图实验三：在图片清晰度不高的条件下，训练特性对图片的检测效果。图4-6实验三成果图从图中检测的成果，我们能够容易的看出即使在图片清晰度不高的条件下，只要行人的特性比较明显，本文的算法检测显示了极大的优势，在较短时间里就能完全识别全部行人。HOG+SVM显示了其良好的性能及解决的效果。比较符合实际生活中多个状况下的行人检测，因此该算法兼备了HOG和SVM特性的优点，同时，我在设计算法时巧妙的选用适宜的参数，是的解决精度更加完善。实验四：在此实验中，我选获得图片是一张夜间行人图片，用于对比分析白天的解决效果。在夜间，图像的亮度和光度较差，很容易造成误检以及漏检，夜间的背景环境也比白天复杂的多。解决效果如图所示:图4-7实验四成果图从图中能够看到，左边两个人被楼检了，分析其因素，有两点。第一，在夜间灯光不明显，图片本身效果比较差，造成训练样本在检测图片时出现了漏检。第二，两个均穿的黑色的衣服，整体效果与左边墙体相融，造成特性判断出现错误，误将行人当成墙体。对于解决这一类问题，现在有许多研究人员正在进行研究，都在尝试找到最佳的解决办法去改善特性不明显，被误判漏检的状况。将改善的HOG+SVM算法在INRIA库上进行测试，测试成果如图4-8:图4-8HOG+SVM在INRIA库上测试成果 通过多次实验，通过本文改善的算法检测多个环境下大量的行人图片，我们通过对比，我们会发现，改善后的HOG+SVM，不仅在精确度上有了较好的改善并且在检测时间大大减小。改善后的算法在检测精确度上为95%，基本处在误差允许范畴内，充足阐明本文改善的算法的性能较好。

5总结与展望 随着计算机科学技术与计算机视觉技术的发展，行人检测技术会越来越成熟。在计算机技术高速发展的今天，机器学习更加智能，在生活各个方面，都会应用行人检测技术。例如，智能交通方面、交通安全领域、公共场合的智能监控等各个领域都会涉及行人检测技术。因此，行人检测技术会不停发展，识别和检测的精度会越来越高，解决的速度会越来越快，这必将是一种趋势，行人检测技术必将更加好的造福于我们每一种人。 在本文中，我们首先介绍了行人检测的有关技术，以及现在存在的主流算法，以及研究的成果。接着，我介绍了现在行人检测的重要有关算法，并对各个算法进行了比较。随即，我们介绍了HOG+SVM算法，并在本文中进行了改善。最后使用我们改善的算法解决含有多个特性的行人图片，并对解决成果进行了分析与对比。 简朴来讲，本论文的创新点在于下列几点：1、在本文中，通过使用HOG特性，SVM分类器结合的办法来实现行人检测。2、通过改善HOG特性与SVM分类器，是结合的算法有更加好的兼容性，并发挥各自算法的优点，使得识别效果与检测效果更加良好。3、改善后的算法不仅含有检测精度高，整体的识别效果也更加完备，实时性更强，检测时间和训练时间都有减短。但是，本文所研究的HOG+SVM算法仍有某些局限性，即使这一改善的算法在解决速度和精度上有了较好的提高，但是在某些条件下，例如对黑夜里拍摄的图片，会出现漏检现象，这些问题仍需要进一步解决。接下来需要进一步的研究有两个方面，一是找到更加好的特性算法，以提供检测的精度，能够较好的解决漏检现象；二是找到更加好的的算法，在检测之后，使用更加好的算法来判断和评定特性与否符合。

参考文献[1]XuFL,LiuX,FujimuraK.Pedestriandetectionandtrackingwithnightvision[J].IEEETransactionsonIntelligentTransportationSystems,,6(1):63-71[2]ZhaoL,ThorpeC.Stereoandneuralnetwork2basedpedestriandetection[J].IEEETransactionsonIntelligentTransportationSystems,,1(3):148-154[3]MohanA,PapageorgiouC,PoggioT.Example2basedobjectdetectioninimagesbycomponents[J].IEEETransactionsonPatternAnalysisandMachineIntelligence,,23(4):349–361[4]贾慧星,章毓晋.车辆辅助驾驶系统中基于计算机视觉的行人检测研究综述[J].自动化学报,,33(1):84-90[5]GavrilaDM.Pedestriandetectionfromamovingvehicle[A].ProceedingsofEuropeanconferenceonComputerVision[C].London,UK:Springer,.1843.37-49[6]BertozziM,BroggiA,LasagniA,RoseMD.Infraredstereovision-basedpedestriandetection[A].ProceedingsofIEEEInternationalConferenceonIntelligentVehiclesSymposium[C].LasVegas,USA:IEEE,.24-29[7]LiptonA.Localapplicationofopticflowtoana