1、初负样本集。至于每个检测器及其参数组合确定，都会先训练出个基础检测器，然后不断对张训练用负养本图片进行排查，找出假阳性例子即“难例子”。该方法通过这个扩充集最初个样本加上“难例子”进行再训练，就得到了最终检测器。如果有必要话，可以对“难例子”集进行二次采样，这样最终训练集得描述子在进入训练之前就恰好能占据.容量。这再训练过程极大地提高了每个检测器性能在对我们默认检测器进行在窗口假阳性测试中在数量级上提高了，但更多次数再训练并没有多大区别，所以我们没有再进行下去。为了能够定量地分析检测器性能，我们绘制了权衡检测误差对数尺度曲线，即漏检率检出率或者是假阴率真阳率与假阴率和对比误检率。其值越低则检测器效果越好。图表在各类报告和美国国家标准技术研究院评估中得到了广泛应用。它们传达了类似接收端工作特性信息，但让小概率事件更容易加以区分。我们通常将漏检率在数量级窗口假阳性测试中用作参考点以得出结论。这有些专断，但我们并没有更多像位于。
2、总来说，在这项工作中有几个值得注意发现。检测性能大大强于小波，并且在计算梯度之前任何相当程度平滑都会损害检测效果，这些事实都强调了大部分图像信息都来源于合适尺度陡峭边缘，而将其模糊化以希望达到减少对空间位置敏感性做法是不可取。相反，应该在最适合尺度下在现有层次计算梯度，修正或是利用方向投影方法，而之后才能进行空间模糊。鉴于此，相对粗糙空间量化就足够了胞元中到个像素宽段肢体宽度。另方面，至少是对于行人检测而言，它对于方向信息采样更为精确，而小波和在这方面就差远了。其次，彻底局部对比度归化对于好检测结果是必要，而传统中心周边式方案则不是最好选择。要达到更好效果，需要归化与不同局域特征相关所有元素边缘信息，胞元数次，并且将这些结果当作独立标识。在我们标准检测器中，每个胞元在不同归化中共用到四次，而将这“重复”信息加入进来能够使检测率在窗口假阳性测试中在数量级上从提高到。.结论我们已经表明，在密集重叠网格中，使用与参考文献中提到。
3、让人联想到边缘方向直方图，描述子和，但它们计算是基于个由均匀间隔胞元所形成密集网格，而且为了提高性能，使用了重叠局部对比度归化。以“行人检测”对大多可见并呈直立姿势人检测为个测试案例，我们对各种实施判断对检测器性能影响做了细致研究。为了使整个研究更为简单和快速，我们采用了线性为个基础分类器。新检测器在检测原麻省理工学院行人数据库中信息时表现基本上完美，所以我们创建了个更具挑战数据集，它包含着超过幅图像，在这些图像中行人姿势不同，背景各异。正在进行工作表明，我们特征集在进行其他基于形状实物检测时同样表现良好。在论文第二部分，我们简要地讨论了在行人检测方面前人所做工作，在论文第三部分，我们对自己方法做了概述，在论文第四部分，我们介绍了自己数据库，在论文第五和第六部分，我们对检测过程各个步骤给出了细致描述和实验评价。而在论文第七部分，则是我们得到主要结论。.前人工作关于实物检测文献为数众多，但在这里我们仅仅列举几篇与行人检测相。
4、中提到提供了可靠大规模训练。测流程概述。检测窗口由些平铺重叠块组成网格构成，在每个块中提取方向梯度直方图特征向量。合并后向量送入个线性进行检测目标非检测目标分类。这个检测窗口会扫描不同大小图片所有位置，并且传统无最大值限制在输出端得到应用来检测对象实例，但是这篇论文重点在于特征提取流程。以前对方向直方图使用也并不少见见参考文献，然而，直到把它与局部空间直方图计算和归化结合起来时，这方法才达到了成熟。在参考文献中将尺度不变特征变换用于宽基线图像匹配，并给出了用于尺度不变关键点匹配底端图像层描述子。基于算法在这应用中表现突出见参考文献，。算法则对胞元和块得形状进行了研究见参考文献，尽管它最初只进行了边缘像素计数，而没有运用方向直方图计算这能够大大提高所提取特征有效性方法。这些基于并不常见算法特征成功稍稍掩盖了特征在用作密集图片描中文.万字，单词，万英文字符出处,.,外文译文基于方向梯度直方图行人检测作者,摘要我们采用基于线性。
5、像匹配，并给出了用于尺度不变关键点匹配底端图像层描述子。基于算法在这应用中表现突出见参考文献，。算法则对胞元和块得形状进行了研究见参考文献，尽管它最初只进行了边缘像素计数，而没有运用方向直方图计算这能够大大提高所提取特征有效性方法。这些基于并不常见算法特征成功稍稍掩盖了特征在用作密集图片描述子时所表现出强力和简单特性。我们试图通过自己研究来纠正这点。值得提是，我们非正式实验表明，在行人检测这方面，即使是当今最好基于关键点方法，也要比我们密集网格方法在假阳性率上高上到个数量级，这主要是因为在我们所知基于关键点描述子中，没有个能够对人体结构进行可靠检测。特征有几处优点。它不仅捕捉到了极具局部形状代表性边缘或是梯度结构，而且还捕捉到了个局部特征，这特征对局部几何和光学变换不敏感程度容易控制如果它远比局部空间或是方向区间小，转换或是旋转对它来说就没什么区别。对于行人检测，粗略空间采样，精确方向采样和完全光学条件归化才是最理想策略。
6、描述子类似局部归化方向梯度直方图，在行人检测方面效果甚佳，比参考文献中提到最好基于小波特征检测器在假阳率上减少了超过个数量级。我们研究了各种描述子参数对检测性能影响，总结得出，合适大小梯度，精确方向区间划分，相对粗糙空间区域划分和在重叠描述子块中高质量局部对比度归化对于好检测性能来说都很重要。我们也创建了个新且更具挑战性行人数据库，并将其公之于众。未来工作虽然我们目前线性检测器相当高效检测张图片检测窗口用时不到秒但是仍有继续优化空间，并能够在未来加快检测速度，在开发从粗到精或是基于描述子拒绝链式检测器时派上用场。我们也研究了基于描述子检测器，它将块匹配或是光学流动区域有机地结合起来。最后，尽管现在固定模板式检测器在总体可见行人检测方面难以被超越，鉴于人类有高度关节性，我们还是相信加入个局部空间有更大不变性基于部分模型将会使检测性能在更广泛领域得到提高。致谢这项工作得到了研究项目和帮助。我们感谢提出了许多有用建议。参考文献。
7、以下区域这样可以观测指标。在个多尺度检测器中，针对每幅测试图像都给出为假阳性原始错误率由于没有最大值限制，整个检测器假阳率甚至都比它低。我们曲线高度非常低，因此即使是在漏检率上非常小改进，也与在固定漏检率下窗口假阳性测试中大提高相当。例如，在数量级窗口假阳性测试中，对于我们默认检测器，在漏检率上每绝对相对减少相当于在在固定漏检率下窗口假阳性测试中减少.倍。.检测结果概述在进行具体检测流程和性能分析之前，我们将基于特征检测器总体性能与现存其它方法性能作了比较。即将基于矩形特征或是环形指数极坐标特征块和线性或核心算法检测器分别同基于小波，和作了比较。简而言之，这些方法如下所示广义小波这是个面向类小波扩展特征集，它与参考文献中所用到类似，但性能上占优。这些特征是通过和大小以度为间隔面向阶和二阶导数盒子滤波器以及对应二阶导数直角坐标滤波器修正而来参数。这些描述子是通过将梯度图像投影到用对图像进行训练学习后得到基础上而产生见参考文。
8、献。和发现这些特征在基于关键点匹配上表现比更加优秀，但这是有争议见参考文献。我们实验中使用拥有相同导数级重叠等特点大小块做为最终描述子里仅仅编码计算次。基于不同滤波尺度胞元中加入几种归化并不能明显地改变检测性能，因此，在这里似乎是几处滤波区域存在和相关胞元中空间区域偏移显得更为重要，而不是滤波尺度。为了解释清楚这点，我们考虑使用了包含重叠块检测器。根据线性训练所得系数来赋予每个块中每个胞元在最终判决中应占权重。仔细分析参考图，就能得出，通常那些包含人体轮廓特别是头，肩和脚才是最重要胞元，归化时与轮廓周围胞元相关。换句话说除了在我们训练集中常见复杂混乱背景检测器主用关注是轮廓线条与背景对比，而不是内部边缘信息或轮廓线条与前景对比。服装图案与行人姿态千变万化可能会使内部区域信息不能用作可靠检测依据，而前景到轮廓转换同样可能会受到平滑着色和阴影效果混淆。相似是，参考图，证明了人体内部直方图尤其是垂直通常算作反面检测依据，这可能。
9、和作了比较。简而言之，这些方法如下所示广义小波这是个面向类小波扩展特征集，它与参考文献中所用到类似，但性能上占优。这些特征是通过和大小以度为间隔面向阶和二阶导数盒子滤波器以及对应二阶导数直角坐标滤波器修正而来参数。这些描述子是通过将梯度图像投影到用对图像进行训练学习后得到基础上而产生见参考文献。和发现这些特征在基于关键点匹配上表现比更加优秀，但这是有争议见参考文献。我们实验中使用拥有相同导数级重叠等特点大小块做为测流程概述。检测窗口由些平铺重叠块组成网格构成，在每个块中提取方向梯度直方图特征向量。合并后向量送入个线性进行检测目标非检测目标分类。这个检测窗口会扫描不同大小图片所有位置，并且传统无最大值限制在输出端得到应用来检测对象实例，但是这篇论文重点在于特征提取流程。以前对方向直方图使用也并不少见见参考文献，然而，直到把它与局部空间直方图计算和归化结合起来时，这方法才达到了成熟。在参考文献中将尺度不变特征变换用于宽基线图。
10、，这可能是因为，只要对象保持大致直立方向，可以容忍人外观由四肢和躯干各部分活动而带来改变。.数据库和方法数据库我们在两个不同数据库中测试了我们检测器效果。第个是完善麻省理工学院行人数据库见参考文献，含张训练用和张测试用以城市风光为背景行人图片加上它们左右影射。它只包含了前视和后视图，而且其中姿势种类也相对有限，因此我们制作了个全新而且更具挑战性数据库，它包含张尺寸从不同个人图片集中裁剪而来行人图片。参考图显示了其中些样本。图片中人们通常是站立姿势，但他们有可能朝着任何方向，其背景甚至包括人群也是多种多样。他们中许多只是路人，所以他们姿势就不会有特殊偏向。你可以从以下网址下载到这个数据库。参考图.以上是我们新行人检测数据库中些样本图片。样本中行人大多直立，但也会有部分被遮挡，并且姿势外表穿着光照和背景变化多端。方法我们选取了其中张图片以及它们左右影射共是张作为正样本。从张行人训练用图片中随机抽取个图片块组成固定集合构成了最。
11、支持向量机行人检测作为测试案例来研究关于健壮实物视觉检测特征集问题。在通过实验测试了现存所有基于边缘与直方图特征描述子滞后，我们认为在行人检测应用上，由方向梯度直方图提取特征集明显优于现存其它特征集。我们研究了各阶段计算对检测性能影响，得出了这样结论尺度精细梯度，精确方向分割，相对粗略空间分级以及在重叠描述块中高质量局部对比度归化都对良好检测结果起着重要作用。新方法在检测原麻省理工学院行人数据库中信息时几乎给出了完美区分，因此我们引入了个更具挑战数据集，它包含着超过幅标识图像，在这些图像中行人姿势不同，背景各异。.绪论鉴于在图像中人相貌各不相同姿势变化多端，要对其进行检测是个富有挑战性任务。首先我们需要是个健壮特征集，在这个特征集中，即使是在在光照很差背景杂乱情况下，人形也能够清楚地辨认出来。我们对用于行人检测特征集问题研究显示，相对于现存包括小波在内其他特征集，基于局部归化方向梯度直方图描述子表现出了极佳性能。这描述子。
12、因为它在长垂线定与垂直头部与腿部胞元相关基础之上减少了误报。参考图.我们检测器主要检测线索是轮廓线条特别是头部，肩膀和脚。最有用是以正好在轮廓外围图片背景为中心块。参考图训练样本平均梯度图像。参考图每个“像素”显示在块中最大正权重。参考图与上图对应负权重。参考图张测试图像。参考图由这张图像计算而来描述子。参考图，该分别在中正负权重。.检测窗口与背景我们检测窗口包含了在人四周边缘约个像素。参考图表明这边界提供了大量有助于检测信息。将这个边界从个像素降至个像素即检测窗口会使检测性能在窗口假阳性测试中在数量级上下降下降。保持检测窗口大小不变，增大窗口中人大小同时减少边界像素个数会导致类似检测性能下降，即便人分辨率确实是上升了。.分类器默认情况下，我们使用个软.线性和参考文献中略作修改以减少在处理高密度描述子向量问题时内存占用率来训练。使用高斯核心能够使检测性能在窗口假阳性测试中在数量级上提高，其代价是检测时间会大大增长。.分析。
参考资料：
（外文翻译）基于方向梯度直方图的行人检测（外文+译文）