行人检测技术是智能监控系统、智能交通系统、机器人和汽车安全等计算机视觉领域的研究热点。由于在视频场景中人体的位置、角度、穿着等都是复杂多变的，对检测精度有很大影响。通过对统计特征变换直方图(CENTRIST)的优缺点分析，提出了一种新的人体检测特征——三值统计特征变换直方图(T-CENTRIST)。T-CENTRIST一方面考虑了每个像素与其邻域像素之间的关系。另一方面也考虑了这些邻域像素之间的相关性度量。相比于CENTRIST，T-CENTRIST方法能更充分、更准确地反映行人的轮廓。其次，文中提出了一种基于T-CENTRIST特征的红外图像行人检测框架，引入了扩展块和整体图像的思想。最后，实验结果验证了所提出的行人检测方法的有效性。

提出了一种基于深度学习和景深信息的人体检测方法。采用基于深度学习的方法进行目标检测,运用深度图的景深信息判定人体的位置,将两者结合准确定位人体。本文方法通过深度摄像头采集RGB图及对应深度图,采用darknet-yolo-v3对RGB图进行目标检测,将目标边界框预处理后传给RGB图对应深度图,深度图采用无边界主动轮廓模型对景深信息进行处理,达到将深度学习的高识别率与景深信息结合精准定位人体目标的目的。实验结果表明,本文方法能准确找到一个不受标识框影响的目标定位点,有效改善由人体的不同姿态、动作幅度大小导致标识框误差增大的问题,提升了检测人体的精度,为进一步研究行人的准确跟踪提供了保障。

红外图像信噪比和对比度较低、缺乏颜色纹理信息、目标周围有光晕效应、边缘模糊，这些缺点对红外图像中人体目标检测提出了挑战。本文对复杂环境下红外图像序列中运动人体目标检测技术进行研究。首先采用基于改进的混合高斯模型（Gaussian mixture model，GMM）的背景减除法对人体目标进行分割，通过多个带有权值的高斯过程来描述复杂变化的背景，对模型个数、权值、学习率进行更新。然后对分割得到感兴趣区域（Region of interest，ROI）采用融合边缘方向累加和特性的梯度方向直方图（Accumulation of oriented edge and histogram of oriented gradient，AOE-HOG）进行特征描述，利用支持向量机（Support vector machine，SVM）实现对人体目标分类检测。实验表明，本文算法能够在复杂场景下正确检测出人体目标，对于多目标距离较近甚至有部分粘连的情形，也具有较好效果。

传统的基于方向梯度直方图与支持向量机的行人检测方法运算量大，针对这一问题，本文从轮廓特征的角度出发，提出了头肩轮廓特征与神经网络相结合的检测方法。该方法根据人体头肩模型具有相对稳定性，且轮廓特征可以作为人体识别的依据，采用边缘检测与均值漂移相结合的方式提取人体轮廓，采用经PCA 降维的傅里叶描述子提取轮廓特征，结合神经网络分类器完成初次人体识别。采用RGB 头发模型和均值漂移方法，对遮挡情况下被判别为非人体的目标图像做进一步处理，聚类出多个人体头肩模型，重新参与分类。实验结果表明，本方法人体检测的准确率和检测速度与现有的算法相比都有所提高，且克服了遮挡情况下人体头肩模型提取错误的弊端，提高了人体检测的识别率和应用范围。

采用启发式、有监督的部位筛选方法组成了一种多部位集合的检测模型, 用于缓解遮挡和形变对人体检测造成的影响。该模型通过比较人体同部位上关节点间的Procrustes距离, 在训练集中获取有着相似姿态的同部位样本; 将梯度方向直方图(HOG)作为特征, 由典型部位分别训练出判别模型; 比较其在验证集上的检测效果, 从中筛选出检测率高的部位和未检出的图片, 再寻找对未检出图片检测率高的部位, 由这些部位组成混合模型。用混合模型检测时, 由Kullback-Leibler距离判断各部位在图片上的不同响应是否属于同一人, 以此来确定人体的外接矩形框。在INRIA人体库上的测试表明, 本文采用的模型在误检率(FPPI)为0.5时有81%的检测率, 高于有77%检测率的Poselets算法。本文基于Poselets, 结合HOG的特点采用了一套有监督的部位筛选机制, 使得模型成员数大幅度减少, 检测时间比原始方法下降了50%, 同时取得了优于Poselets的检测效果。

针对采用单一梯度方向直方图(HOG)特征进行人体检测时易受竖直梯度分量干扰的缺点, 提出了将分块局部二值模式(LBP)特征加入HOG特征的方法。首先, 将检测窗口划分为大小为16×16的不重叠块, 以块为单位统计LBP特征直方图, 并通过大量实验获得了LBP算子的最佳参数; 然后用优化过的插值方式计算HOG特征, 将两者组成联合直方图。最后, 用线性支持向量机(SVM)通过Bootstrapping的方式训练, 得到判别模型。在INRIA人体库上的测试表明, 检出率在误检率(FPPW)为10-4时由原始的89%提高到95%, 单窗口检测速度由0.625 ms提高到0.533 ms。本文将纹理特征加入原始描述轮廓的HOG特征中, 排除了部分梯度干扰信息造成的误检, 提高了检出率。

This letter presents an automatic surveillance system using fish-eye lens camera. Our system achieves wide-area automatic surveillance without a dead angle using only one camera. We propose a new human detection method to select the most adaptive classifier based on the locations of the human candidates. Human regions are detected from the fish-eye image effectively and are corrected for perspective versions. An experiment is performed on indoor video sequences with different illumination and crowded conditions, with results demonstrating the efficiency of our algorithm.

为了克服低分辨率条件下复杂环境和人本身变化对视频图像检测的影响,将人体分为多个部分,通过高斯函数,为每个部分建立颜色线性模型.通过多个线性模型的组合,使得特征更加具有鲁棒性.在Mean shift方法基础上,利用空间位置关系建立模板,得到基于模板的非参量统计方法.该方法要优于单一的Mean shift方法.

针对红外图像中人体区域的检测问题，提出了一种基于复合分类特征的人体实时检测方法。首先根据红外图像中人体区域的特点，使用自适应的两级方向投影获得人体候选区域的可能位置，然后融合方向梯度直方图特征、人体形状特征及亮度分布惯性特征以充分描述人体区域的特点，并且采用支持向量机算法对候选目标中存在的人体进行分类检测。实验结果表明，本文提出的方法充分利用了复合分类特征各自的优点，具有较好的实时性和鲁棒性。

针对由于不同红外成像设备参数差异以及目标周围环境影响而造成的红外目标分割阈值自动选取算法的鲁棒性差这一问题,本文从红外成像的机理出发,提出了一个新的解决方案并加以实现。首先对图像的直方图采用K-均值聚类,然后通过对聚类中心分布特点的分析,确定图像分割的阈值。该方法不需要事先对图像进行均衡和对背景分布进行假设。实验结果表明,算法具有良好的鲁棒性。