一.行人檢測(cè)

1. 基于Stixel模型的行人檢測(cè)

   

　　2012年，比利時(shí)研究人員RodrigoBenenson和MarkusMatias在如何快速、有效地進(jìn)行行人檢測(cè)方面，提出了兩種加速方法。一種是如何在單幀圖像上更好地處理尺度信息，另一種是如何利用立體圖像的深度信息來(lái)加速。在不降低檢測(cè)質(zhì)量的前提下，可以獲得20倍的加速效果。該方法的檢測(cè)速度達(dá)到100fps。

　　該方法利用Stixel模型進(jìn)行目標(biāo)檢測(cè)。Stixd為柱狀物之類(lèi)的；特征描述，主要對(duì)地平面之上的目標(biāo)進(jìn)行建模。對(duì)于圖片中的每一列而言，可以估算出底部像素、頂部像素以及目標(biāo)之間的距離。利用深度信息對(duì)目標(biāo)進(jìn)行檢測(cè)。Stixel模型在立體圖像中能更好地發(fā)揮作用，無(wú)須計(jì)算所有的深度信息，而只需直接快速地利用立體圖像來(lái)計(jì)算。借助于Slixel模型，檢測(cè)空間縮小了，使實(shí)際應(yīng)用過(guò)程中的速度性能變得更好。

　　2.基于激光雷達(dá)與視頻數(shù)據(jù)融合的行人檢測(cè)

　　就目前技術(shù)來(lái)說(shuō)，視覺(jué)雖然可以提供豐富的圖像信息，但是室外場(chǎng)景中的光照變化、遮擋、陰影等影響，導(dǎo)致視覺(jué)算法在復(fù)雜交通環(huán)境中魯棒性較低。由于激光雷達(dá)可以獲得移動(dòng)目標(biāo)在二維平面內(nèi)的位置、形狀等狀態(tài)估計(jì)，因此可以有效地實(shí)現(xiàn)移動(dòng)目標(biāo)的狀態(tài)跟蹤。通過(guò)融合激光雷達(dá)與視頻圖像數(shù)據(jù)，可以對(duì)目標(biāo)進(jìn)行較為準(zhǔn)確的檢測(cè)。利用激光雷達(dá)數(shù)據(jù)抽取出感興趣區(qū)域，再利用視頻圖像識(shí)別該目標(biāo)的屬性，可以有效地實(shí)現(xiàn)不同模態(tài)傳感器間的互補(bǔ)，提高檢測(cè)性能。采用激光雷達(dá)與視頻數(shù)據(jù)融合的方法檢測(cè)車(chē)輛周邊環(huán)境中的行人，一般包括3個(gè)步驟：(1) 處理激光雷達(dá)數(shù)據(jù)，得到感興趣區(qū)域；(2) 準(zhǔn)備圖像數(shù)據(jù)，進(jìn)行基于圖像的行人檢測(cè)算法的訓(xùn)練；(3) 利用訓(xùn)練好的分類(lèi)器，在感興趣區(qū)域內(nèi)進(jìn)行行人檢測(cè)。具體來(lái)說(shuō)，首先是對(duì)激光雷達(dá)數(shù)據(jù)進(jìn)行聚類(lèi)、分類(lèi)處理，將處于激光有效范圍外的激光點(diǎn)以及可以認(rèn)為是建筑物、車(chē)輛、灌木叢等反射的激光點(diǎn)排除，得到疑似行人反射的激光點(diǎn)。一般將給定激光點(diǎn)所處位置[〇,2.2]m的高度范圍看作感興趣區(qū)域；同時(shí)，將聚類(lèi)、分類(lèi)過(guò)程中屬于同一物體的激光點(diǎn)用一個(gè)方框代替。用訓(xùn)練好的分類(lèi)器，基于感興趣區(qū)域進(jìn)行行人檢測(cè)?；诩す饫走_(dá)數(shù)據(jù)提供的感興趣區(qū)域進(jìn)行行人檢測(cè)，能夠極大地提高檢測(cè)速度，并大大減少誤檢率。

　　二.車(chē)輛檢測(cè)

1. 基于視覺(jué)的車(chē)輛檢測(cè)

   
   

　　(1)概述?；趩文恳曈X(jué)的車(chē)輛檢測(cè)方法可分為基于外觀（Appearance)的方法和基于運(yùn)動(dòng)（Motion)的方法。前者直接從單幀圖像中檢測(cè)車(chē)輛，而后者則使用連續(xù)幀圖像進(jìn)行檢測(cè)。單目圖像缺乏直接的深度測(cè)量，大多使用基于外觀的方法。早期的單目視覺(jué)車(chē)輛檢測(cè)使用圖像中的對(duì)稱(chēng)性和邊緣特征來(lái)進(jìn)行檢測(cè)。近年來(lái)研究人員采用更通用并具魯棒性的特征，如HOG特征、Haar-like特征來(lái)對(duì)車(chē)輛進(jìn)行檢測(cè)。這些特征可被用來(lái)直接對(duì)圖像中的目標(biāo)進(jìn)行分類(lèi)和檢測(cè)。

　　HOG特征是一種解釋型（descriptive)的圖像特征，可用來(lái)確定車(chē)輛的姿態(tài)。其主要缺點(diǎn)是計(jì)算速度慢。近年來(lái)，隨著GPU的使用，HOG特征的計(jì)算瓶頸問(wèn)題已得到解決，而Haar-lilce特征不僅非常適合于檢測(cè)水平、垂直、對(duì)稱(chēng)的結(jié)構(gòu)，還通過(guò)使用積分圖可使特征提取加快，因而可用CPU進(jìn)行實(shí)時(shí)計(jì)算。也有人利用SIFT特征來(lái)檢測(cè)車(chē)的尾部，包括有遮擋時(shí)的情況。還有研究人員用加速魯棒特征（Speeded-UpRobustFeatures,SURF)和邊緣特征的方法來(lái)檢測(cè)盲區(qū)中的車(chē)輛。在立體視覺(jué)方法中，更常使用基于運(yùn)動(dòng)的方法，且多視幾何可以測(cè)量深度信息。利用立體視覺(jué)獲取3D坐標(biāo)，可以區(qū)分靜態(tài)物體和運(yùn)動(dòng)物體。與單目方法依賴(lài)外觀特征和機(jī)器學(xué)習(xí)不同，立體方法更依賴(lài)于運(yùn)動(dòng)特征、跟蹤和濾波。