from:?http://blog.csdn.net/GarfieldEr007/article/details/50866089

pedestrian-detection-resource-1-summary-review-survey-1

? ? ? ? 行人檢測(cè)具有極其廣泛的應(yīng)用：智能輔助駕駛，智能監(jiān)控，行人分析以及智能機(jī)器人等領(lǐng)域。從2005年以來行人檢測(cè)進(jìn)入了一個(gè)快速的發(fā)展階段，但是也存在很多問題還有待解決，主要還是在性能和速度方面還不能達(dá)到一個(gè)權(quán)衡。近年，以谷歌為首的自動(dòng)駕駛技術(shù)的研發(fā)正如火如荼的進(jìn)行，這也迫切需要能對(duì)行人進(jìn)行快速有效的檢測(cè)，以保證自動(dòng)駕駛期間對(duì)行人的安全不會(huì)產(chǎn)生威脅。

1? ?行人檢測(cè)的現(xiàn)狀

? ? ? ? 大概可以分為兩類

1.1??? 基于背景建模

? ? ? ? 利用背景建模方法，提取出前景運(yùn)動(dòng)的目標(biāo)，在目標(biāo)區(qū)域內(nèi)進(jìn)行特征提取，然后利用分類器進(jìn)行分類，判斷是否包含行人；背景建模目前主要存在的問題：

? ? ? ? 1）必須適應(yīng)環(huán)境的變化（比如光照的變化造成圖像色度的變化）；

? ? ? ? 2）相機(jī)抖動(dòng)引起畫面的抖動(dòng)(比如手持相機(jī)拍照時(shí)候的移動(dòng))；

? ? ? ? 3）圖像中密集出現(xiàn)的物體（比如樹葉或樹干等密集出現(xiàn)的物體，要正確的檢測(cè)出來）；

? ? ? ? 4）必須能夠正確的檢測(cè)出背景物體的改變（比如新停下的車必須及時(shí)的歸為背景物體，而有靜止開始移動(dòng)的物體也需要及時(shí)的檢測(cè)出來）。

? ? ? ? 5）物體檢測(cè)中往往會(huì)出現(xiàn)Ghost區(qū)域，Ghost區(qū)域也就是指當(dāng)一個(gè)原本靜止的物體開始運(yùn)動(dòng)，背靜差檢測(cè)算法可能會(huì)將原來該物體所覆蓋的區(qū)域錯(cuò)誤的檢測(cè)為運(yùn)動(dòng)的，這塊區(qū)域就成為Ghost，當(dāng)然原來運(yùn)動(dòng)的物體變?yōu)殪o止的也會(huì)引入Ghost區(qū)域，Ghost區(qū)域在檢測(cè)中必須被盡快的消除。

1.2??? 基于統(tǒng)計(jì)學(xué)習(xí)的方法

? ? ? ? 這也是目前行人檢測(cè)最常用的方法，根據(jù)大量的樣本構(gòu)建行人檢測(cè)分類器。提取的特征主要有目標(biāo)的灰度、邊緣、紋理、顏色、梯度直方圖等信息。分類器主要包括神經(jīng)網(wǎng)絡(luò)、SVM、adaboost以及現(xiàn)在被計(jì)算機(jī)視覺視為寵兒的深度學(xué)習(xí)。

? ? ? ? 統(tǒng)計(jì)學(xué)習(xí)目前存在的難點(diǎn)：

? ? ? ? 1）行人的姿態(tài)、服飾各不相同、復(fù)雜的背景、不同的行人尺度以及不同的光照環(huán)境。

? ? ? ? 2）提取的特征在特征空間中的分布不夠緊湊；

? ? ? ? 3）分類器的性能受訓(xùn)練樣本的影響較大；

? ? ? ? 4）離線訓(xùn)練時(shí)的負(fù)樣本無法涵蓋所有真實(shí)應(yīng)用場(chǎng)景的情況；

?? ? ? ? 目前的行人檢測(cè)基本上都是基于法國研究人員Dalal在2005的CVPR發(fā)表的HOG+SVM的行人檢測(cè)算法(Histograms of Oriented Gradients for Human Detection, Navneet Dalel,Bill Triggs, CVPR2005)。HOG+SVM作為經(jīng)典算法也集成到opencv里面去了，可以直接調(diào)用實(shí)現(xiàn)行人檢測(cè)

? ? ? ? 為了解決速度問題可以采用背景差分法的統(tǒng)計(jì)學(xué)習(xí)行人檢測(cè)，前提是背景建模的方法足夠有效（即效果好速度快），目前獲得比較好的檢測(cè)效果的方法通常采用多特征融合的方法以及級(jí)聯(lián)分類器。（常用的特征有Harry-like、Hog特征、LBP特征、Edgelet特征、CSS特征、COV特征、積分通道特征以及CENTRIST特征）。

2? ??綜述類的文章

2.1??? 行人檢測(cè)十年回顧

? ? ? ? Ten Years of Pedestrian Detection, What Have We Learned?

? ? ? ? 一篇2014年ECCV的文章，是對(duì)pedestrian detectiond過去十年發(fā)展的回顧，從dataset，main approaches的角度分析了近10年的40多篇論文提出的方法，并對(duì)提高feature復(fù)雜度的影響進(jìn)行了評(píng)估

? ? ? ? 下載：http://rodrigob.github.io/documents/2014_eccvw_ten_years_of_pedestrian_detection_with_supplementary_material.pdf

? ? ? ? 學(xué)習(xí)筆記：http://blog.csdn.net/mduke/article/details/46582443

2.2??? P.Dollar ?PAMI 2012上的綜述

? ? ? ? P.Dollar,?C.?Wojek,B.?Schiele,?et?al.?Pedestrian?detection:?an?evaluation?of?the?state?of?the?art?[J]. IEEE?Transactions?on?Pattern Analysis?and Machine?Intelligence,?2012,?34(4):?743-761.

? ? ? ? 2012年P(guān)AMI上發(fā)表的一篇關(guān)于行人檢測(cè)的綜述性文章，PDF格式，共20頁，對(duì)常見的16種行人檢測(cè)算法進(jìn)行了簡(jiǎn)單描述，并在6個(gè)公開測(cè)試庫上進(jìn)行測(cè)試，給出了各種方法的優(yōu)缺點(diǎn)及適用情況。另外，指出了未來行人檢測(cè)的發(fā)展方向和趨勢(shì)。

? ? ? ? 下載：http://vision.ucsd.edu/~pdollar/files/papers/DollarPAMI12peds.pdf

2.3??? CVPR2010 HOF和CSS

? ? ? ??https://www.d2.mpi-inf.mpg.de/CVPR10Pedestrians

? ? ? ? New Features and Insights for Pedestrian Detection

? ? ? ? 文中使用改進(jìn)的HOG，即HOF和CSS（color self similarity）特征，使用HIK SVM分類器。 本文的作者是德國人：Stefen Walk。目前Stefan Walk在蘇黎世聯(lián)邦理工大學(xué)任教。

2.4??? Integral Channel Features

? ? ? ? 加州理工學(xué)院2009年行人檢測(cè)的文章：Integral Channel Features（積分通道特征）

? ? ? ? 這篇文章與2012年P(guān)AMI綜述文章是同一作者。作者：Piotr Dollar

? ? ? ? Paper下載：http://pages.ucsd.edu/~ztu/publication/dollarBMVC09ChnFtrs_0.pdf

? ? ? ? 中文筆記：http://blog.csdn.net/carson2005/article/details/8455837

2.5??? The Fastest Pedestrian Detector in the West

? ? ? ? Dollar 在 2010 年 BMVC 的 《The fastest pedestrian detector in the west》 一文中提出了一種新的思想，這種思想只需要訓(xùn)練一個(gè)標(biāo)準(zhǔn) model,檢測(cè) N/K（K ≈10） 然后其余的 N-N/K 種大小的圖片的特征不需要再進(jìn)行這種復(fù)雜的計(jì)算，而是跟據(jù)這 N/K 次的結(jié)果， 由另外一種簡(jiǎn)單的算法給估計(jì)出來，這種思想實(shí)現(xiàn)的 基礎(chǔ)是大小相近的圖像的特征可以被足夠精確的估計(jì)出來

? ? ? ? 下載：http://vision.ucsd.edu/sites/default/files/FPDW_0.pdf

2.6??? DPM算法做目標(biāo)檢測(cè)

? ? ? ? CVPR2008：A Discriminatively Trained, Multiscale, Deformable Part Model

? ? ? ? PAMI2010：Object Detection with Discriminatively Trained Part Based Models

? ? ? ? CVPR2010：Cascade Object Detection with Deformable Part Models

? ? ? ? 以上三篇文章，都是作者研究DPM算法做目標(biāo)檢測(cè)的文章，有源代碼可以下載。

? ? ? ? 作者的個(gè)人主頁：http://cs.brown.edu/~pff/papers/

2.7??? 利用DPM模型，檢測(cè)粘連

? ? ? ? Detection and Tracking of Occluded People

? ? ? ? IJCV2014年的文章，利用DPM模型，檢測(cè)粘連情況很嚴(yán)重的行人，效果很好。

? ? ? ? 下載：http://www.bmva.org/bmvc/2012/BMVC/paper009/

2.8??? UDN算法

? ? ? ? ICCV2013：

? ? ? ? 1）Joint Deep Learning for Pedestrian Detection

? ? ? ? 2）Multi-Stage Contextual Deep Learning for Pedestrian Detection

? ? ? ? 簡(jiǎn) 稱UDN算法，從文中描述的檢測(cè)效果來看，該方法是所有方法中最好的，并且，效果遠(yuǎn)超過其他方法。經(jīng)過對(duì)論文和該算法源碼的研究，該算法是與作者另外一篇 論文的方法 ，另外的論文算法做圖片掃描，得到矩形框，然后用該方法對(duì)矩形框進(jìn)行進(jìn)一步確認(rèn)，以及降低誤警率和漏警率。另外的論文是：Multi-Stage Contextual Deep Learning for Pedestrian Detection。

? ? ? ? 這篇文章是用深度學(xué)習(xí)的CNN做candidate window的確認(rèn)。而主要的行人檢測(cè)的算法還是HOG+CSS+adaboost。

? ? ? ? 香港中文大學(xué)，Joint Deep Learning for Pedestrian Detection，行人檢測(cè)論文的相關(guān)資源：http://www.ee.cuhk.edu.hk/~wlouyang/projects/ouyangWiccv13Joint/index.html

2.9??? Monocular?pedestrian?detection

? ? ? ? ?Enzweiler,?and?D.Gavrila.?Monocular?pedestrian?detection:?survey?and?experiments?[J]. IEEE?Transactions?on?Pattern?Analysis?and Machine?Intelligence, 2009, ?31(12):?2179-2195.

? ? ? ? 下載：http://www.gavrila.net/pami09.pdf

2.10?????? Survey?of?pedestrian?detection?for?advanced?driver assistance?systems

? ? ? ? Geronimo,?A.?M.Lopez?and?A.?D.?Sappa,?et?al.?Survey?of?pedestrian?detection?for?advanced?driver assistance?systems?[J]. ?IEEE?Transactionson?Pattern?Analysis?and?Machine?Intelligence, ?2010,?32(7):?1239-1258.

? ? ? ? ?百度文庫下載：http://wenku.baidu.com/link?url=xLDWZTdLXT1_fiZoUzNFiyQtZTwnyL-lZHhTSI0B87vkIE6UEDrKz6iz8zpKmmPvZq7ktlX6WRxyVxcjk8B-ymgl53QBfzBEKgYPZmsi1l_

2.11?????? Vision-based Pedestrian Protection Systems for Intelligent Vehicles

? ? ? ? Geronimo, and A. M.Lopez. Vision-based Pedestrian Protection Systems for Intelligent Vehicles, BOOK, 2014.

? ? ? ? 下載：http://bookzz.org/book/2167094/e21639

2.12?????? 行人檢測(cè)技術(shù)綜述

? ? ? ? 蘇松志,?李紹滋,?陳淑媛等.?行人檢測(cè)技術(shù)綜述[J].?電子學(xué)報(bào),?2012,?40(4):?814-820.

? ? ? ? 下載：行人檢測(cè)技術(shù)綜述

2.13?????? 車輛輔助駕駛系統(tǒng)中基于計(jì)算機(jī)視覺的行人檢測(cè)研究綜述

? ? ? ? 賈慧星,?章毓晉.車輛輔助駕駛系統(tǒng)中基于計(jì)算機(jī)視覺的行人檢測(cè)研究綜述[J],?自動(dòng)化學(xué)報(bào),?2007,?33(1):?84-90.

? ? ? ? 下載：車輛輔助駕駛系統(tǒng)中基于計(jì)算機(jī)視覺的行人檢測(cè)研究綜述

2.14?????? 行人檢測(cè)系統(tǒng)研究新進(jìn)展及關(guān)鍵技術(shù)展望

? ? ? ? 許言午, 曹先彬,喬紅. 行人檢測(cè)系統(tǒng)研究新進(jìn)展及關(guān)鍵技術(shù)展望[J], 電子學(xué)報(bào), 2008, 36(5): 368-376.

? ? ? ? 下載：行人檢測(cè)系統(tǒng)研究新進(jìn)展及關(guān)鍵技術(shù)展望

2.15?????? 基于視覺的人的運(yùn)動(dòng)識(shí)別綜述

?? ? ? ? 杜友田; 陳峰;徐文立; 李永彬;基于視覺的人的運(yùn)動(dòng)識(shí)別綜述, 電子學(xué)報(bào),? 2007. 35(1): 84-90.

? ? ? ? 下載：基于視覺的人的運(yùn)動(dòng)識(shí)別綜述

2.16?????? 基于機(jī)器學(xué)習(xí)的行人檢測(cè)關(guān)鍵技術(shù)研究

? ? ? ? 朱文佳.?基于機(jī)器學(xué)習(xí)的行人檢測(cè)關(guān)鍵技術(shù)研究[D].?第一章,?碩士學(xué)位論文,?上海交通大學(xué).?2008.?指導(dǎo)教師:?戚飛虎.

?

參考：http://hi.baidu.com/susongzhi/item/085983081b006311eafe38e7

參考：http://blog.csdn.net/dpstill/article/details/22420065

? ? ? ? 這是行人檢測(cè)相關(guān)資源的第二部分：源碼和數(shù)據(jù)集。考慮到實(shí)際應(yīng)用的實(shí)時(shí)性要求，源碼主要是C/C++的。源碼和數(shù)據(jù)集的網(wǎng)址，經(jīng)過測(cè)試都可訪問，并注明了這些網(wǎng)址最后更新的日期，供學(xué)習(xí)和研究進(jìn)行參考。（歡迎補(bǔ)充更多的資源）

1??????? Source?Code

1.1??? INRIA Object Detection and Localization Toolkit

http://pascal.inrialpes.fr/soft/olt/

Dalal于2005年提出了基于HOG特征的行人檢測(cè)方法，行人檢測(cè)領(lǐng)域中的經(jīng)典文章之一。HOG特征目前也被用在其他的目標(biāo)檢測(cè)與識(shí)別、圖像檢索和跟蹤等領(lǐng)域中。

更新：2008

1.2??? Real-time?Pedestrian?Detection.

http://cs.nju.edu.cn/wujx/projects/C4/C4.htm

Jianxin?Wu實(shí)現(xiàn)的快速行人檢測(cè)方法。

Real-Time Human Detection Using Contour Cues：

http://c2inet.sce.ntu.edu.sg/Jianxin/paper/ICRA_final.pdf

更新：2012

1.3??? 霍夫變換實(shí)現(xiàn)的多目標(biāo)檢測(cè)

http://graphics.cs.msu.ru/en/science/research/machinelearning/hough

Olga?Barinova,?CVPR?2010?Paper:?On?detection?of?multiple?object?instances?using?Hough?Transforms

源碼：C++

更新：2010

1.4??? HIKSVM

http://ttic.uchicago.edu/~smaji/projects/fiksvm/

Classification Using Intersection Kernel SVMs is efficient

HOG+LBP+HIKSVM,?行人檢測(cè)的經(jīng)典方法.

源碼：C/C++

更新：2012

1.5??? GroundHOG

http://www.mmp.rwth-aachen.de/projects/groundhog

GPU-based?Object?Detection?with?Geometric?Constraints,?In:?ICVS,?2011.??CUDA版本的HOG+SVM,

源碼：C/C++

更新：2011

1.6??? doppia?code

https://bitbucket.org/rodrigob/doppia

這是一個(gè)代碼集合，包含如下：

Pedestrian?detection?at?100?frames?per?second,?R.?Benenson.??CVPR,?2012.?實(shí)時(shí)的

Stixels estimation without depth map computation

Fast stixels estimation for fast pedestrian detection

Seeking the strongest rigid detector

Ten years of pedestrian detection, what have we learned?

Face detection without bells and whistles

源碼：C/C++

更新：2015

1.7??? Multiple?camera?pedestrian?detection.

POM: Occupancy map estimation for people detection

http://cvlab.epfl.ch/software/pom/

Paper：Multi-Camera People Tracking with a Probabilistic Occupancy Map

源碼：？

更新：2014

1.8??? Pitor Dollar Detector.

Piotr’s Computer Vision Matlab Toolbox

http://vision.ucsd.edu/~pdollar/toolbox/doc/index.html

The toolbox is divided into 7 parts, arranged by directory:

channels Robust image features, including HOG, for fast object detection.

classify Fast clustering, random ferns, RBF functions, PCA, etc.

detector Aggregate Channel Features (ACF) object detection code.

filters Routines for filtering images.

images Routines for manipulating and displaying images.

matlab General Matlab functions that should have been a part of Matlab.

videos Routines for annotating and displaying videos.

源碼：matlab

更新：2014

2??????? DataSets

2.1??? MIT數(shù)據(jù)庫

http://cbcl.mit.edu/software-datasets/PedestrianData.html

介紹：該數(shù)據(jù)庫為較早公開的行人數(shù)據(jù)庫，共924張行人圖片（ppm格式，寬高為64×128），肩到腳的距離約80象素。該數(shù)據(jù)庫只含正面和背面兩個(gè)視角，無負(fù)樣本，未區(qū)分訓(xùn)練集和測(cè)試集。Dalal等采用“HOG+SVM”，在該數(shù)據(jù)庫上的檢測(cè)準(zhǔn)確率接近100%。

更新：2000

2.2??? INRIA Person Dataset

http://pascal.inrialpes.fr/data/human/

介紹：該數(shù)據(jù)庫是“HOG+SVM”的作者Dalal創(chuàng)建的，該數(shù)據(jù)庫是目前使用最多的靜態(tài)行人檢測(cè)數(shù)據(jù)庫，提供原始圖片及相應(yīng)的標(biāo)注文件。訓(xùn)練集有正樣本614張（包含2416個(gè)行人），負(fù)樣本1218張；測(cè)試集有正樣本288張（包含1126個(gè)行人），負(fù)樣本453張。圖片中人體大部分為站立姿勢(shì)且高度大于100個(gè)象素，部分標(biāo)注可能不正確。圖片主要來源于GRAZ-01、個(gè)人照片及google，因此圖片的清晰度較高。在XP操作系統(tǒng)下部分訓(xùn)練或者測(cè)試圖片無法看清楚，但可用OpenCV正常讀取和顯示。

更新：2005

2.3??? Daimler行人數(shù)據(jù)庫

http://www.gavrila.net/Research/Pedestrian_Detection/Daimler_Pedestrian_Benchmark_D/

該數(shù)據(jù)庫采用車載攝像機(jī)獲取，分為檢測(cè)和分類兩個(gè)數(shù)據(jù)集。檢測(cè)數(shù)據(jù)集的訓(xùn)練樣本集有正樣本大小為18×36和48×96的圖片各15560（3915×4）張，行人的最小高度為72個(gè)象素；負(fù)樣本6744張（大小為640×480或360×288）。測(cè)試集為一段27分鐘左右的視頻（分辨率為640×480），共21790張圖片，包含56492個(gè)行人。分類數(shù)據(jù)庫有三個(gè)訓(xùn)練集和兩個(gè)測(cè)試集，每個(gè)數(shù)據(jù)集有4800張行人圖片，5000張非行人圖片，大小均為18×36，另外還有3個(gè)輔助的非行人圖片集，各1200張圖片。

更新：2009？

2.4??? Caltech Pedestrian Detection

http://www.vision.caltech.edu/Image_Datasets/CaltechPedestrians/

該數(shù)據(jù)庫是目前規(guī)模較大的行人數(shù)據(jù)庫，采用車載攝像頭拍攝，約10個(gè)小時(shí)左右，視頻的分辨率為640×480，30幀/秒。標(biāo)注了約250,000幀（約137分鐘），350000個(gè)矩形框，2300個(gè)行人，另外還對(duì)矩形框之間的時(shí)間對(duì)應(yīng)關(guān)系及其遮擋的情況進(jìn)行標(biāo)注。數(shù)據(jù)集分為set00~set10，其中set00~set05為訓(xùn)練集，set06~set10為測(cè)試集（標(biāo)注信息尚未公開）。性能評(píng)估方法有以下三種：（1）用外部數(shù)據(jù)進(jìn)行訓(xùn)練，在set06~set10進(jìn)行測(cè)試；（2）6-fold交叉驗(yàn)證，選擇其中的5個(gè)做訓(xùn)練，另外一個(gè)做測(cè)試，調(diào)整參數(shù)，最后給出訓(xùn)練集上的性能；（3）用set00~set05訓(xùn)練，set06~set10做測(cè)試。由于測(cè)試集的標(biāo)注信息沒有公開，需要提交給Pitor?Dollar。結(jié)果提交方法為每30幀做一個(gè)測(cè)試，將結(jié)果保存在txt文檔中（文件的命名方式為I00029.txt?I00059.txt?……），每個(gè)txt文件中的每行表示檢測(cè)到一個(gè)行人，格式為“[left,?top,width,?height,?score]”。如果沒有檢測(cè)到任何行人，則txt文檔為空。該數(shù)據(jù)庫還提供了相應(yīng)的Matlab工具包，包括視頻標(biāo)注信息的讀取、畫ROC（Receiver?Operatingcharacteristic?Curve）曲線圖和非極大值抑制等工具。

更新：2014

2.5??? TUD行人數(shù)據(jù)庫

https://www.mpi-inf.mpg.de/departments/multi-cue-onboard-pedestrian-detection/

介紹：TUD行人數(shù)據(jù)庫為評(píng)估運(yùn)動(dòng)信息在行人檢測(cè)中的作用，提供圖像對(duì)以便計(jì)算光流信息。訓(xùn)練集的正樣本為1092對(duì)圖像（圖片大小為720×576，包含1776個(gè)行人）；負(fù)樣本為192對(duì)非行人圖像（手持?jǐn)z像機(jī)85對(duì)，車載攝像機(jī)107對(duì)）；另外還提供26對(duì)車載攝像機(jī)拍攝的圖像（包含183個(gè)行人）作為附加訓(xùn)練集。測(cè)試集有508對(duì)圖像（圖像對(duì)的時(shí)間間隔為1秒，分辨率為640×480），共有1326個(gè)行人。Andriluka等也構(gòu)建了一個(gè)數(shù)據(jù)庫用于驗(yàn)證他們提出的檢測(cè)與跟蹤相結(jié)合的行人檢測(cè)技術(shù)。該數(shù)據(jù)集的訓(xùn)練集提供了行人的矩形框信息、分割掩膜及其各部位（腳、小腿、大腿、軀干和頭部）的大小和位置信息。測(cè)試集為250張圖片（包含311個(gè)完全可見的行人）用于測(cè)試檢測(cè)器的性能，2個(gè)視頻序列（TUD-Campus和TUD-Crossing）用于評(píng)估跟蹤器的性能。

更新：2010

2.6??? NICTA行人數(shù)據(jù)庫

http://www.nicta.com.au/category/research/computer-vision/tools/automap-datasets/

該數(shù)據(jù)庫是目前規(guī)模較大的靜態(tài)圖像行人數(shù)據(jù)庫，25551張含單人的圖片，5207張高分辨率非行人圖片，數(shù)據(jù)庫中已分好訓(xùn)練集和測(cè)試集，方便不同分類器的比較。Overett等用“RealBoost+Haar”評(píng)估訓(xùn)練樣本的平移、旋轉(zhuǎn)和寬高比等各種因素對(duì)分類性能的影響：（1）行人高度至少要大于40個(gè)象素；（2）在低分辨率下，對(duì)于Haar特征來說，增加樣本寬度的性能好于增加樣本高度的性能；（3）訓(xùn)練圖片的大小要大于行人的實(shí)際大小，即背景信息有助于提高性能；（4）對(duì)訓(xùn)練樣本進(jìn)行平移提高檢測(cè)性能，旋轉(zhuǎn)對(duì)性能的提高影響不大。以上的結(jié)論對(duì)于構(gòu)建行人數(shù)據(jù)庫具有很好的指導(dǎo)意義。

更新：2008

2.7??? ETHZ行人數(shù)據(jù)庫

Robust Multi-Person Tracking from Mobile Platforms

https://data.vision.ee.ethz.ch/cvl/aess/dataset/

Ess等構(gòu)建了基于雙目視覺的行人數(shù)據(jù)庫用于多人的行人檢測(cè)與跟蹤研究。該數(shù)據(jù)庫采用一對(duì)車載的AVT?Marlins?F033C攝像頭進(jìn)行拍攝，分辨率為640×480，幀率13-14fps，給出標(biāo)定信息和行人標(biāo)注信息，深度信息采用置信度傳播方法獲取。

更新：2010

2.8??? CVC行人數(shù)據(jù)庫

http://www.cvc.uab.es/adas/site/?q=node/7

該數(shù)據(jù)庫目前包含三個(gè)數(shù)據(jù)集（CVC-01、CVC-02和CVC-Virtual），主要用于車輛輔助駕駛中的行人檢測(cè)研究。CVC-01[Geronimo,2007]有1000個(gè)行人樣本，6175個(gè)非行人樣本（來自于圖片中公路區(qū)域中的非行人圖片，不像有的行人數(shù)據(jù)庫非行人樣本為天空、沙灘和樹木等自然圖像）。CVC-02包含三個(gè)子數(shù)據(jù)集（CVC-02-CG、CVC-02-Classification和CVC-02-System），分別針對(duì)行人檢測(cè)的三個(gè)不同任務(wù)：感興趣區(qū)域的產(chǎn)生、分類和系統(tǒng)性能評(píng)估。圖像的采集采用Bumblebee2立體彩色視覺系統(tǒng)，分辨率640×480，焦距6mm，對(duì)距離攝像頭0~50m的行人進(jìn)行標(biāo)注，最小的行人圖片為12×24。CVC-02-CG主要針對(duì)候選區(qū)域的產(chǎn)生，有100張彩色圖像，包含深度和3D點(diǎn)信息；CVC-02-Classification主要針對(duì)行人分類，訓(xùn)練集有1016張正樣本，7650張負(fù)樣本，測(cè)試集分為基于切割窗口的分類（570張行人，7500張非行人）和整張圖片的檢測(cè)（250張包含行人的圖片，共587個(gè)行人）；CVC-02-System主要用于系統(tǒng)的性能評(píng)估，包含15個(gè)視頻序列（4364幀），7983個(gè)行人。CVC-Virtual是通過Half-Life?2圖像引擎產(chǎn)生的虛擬行人數(shù)據(jù)集，共包含1678虛擬行人，2048個(gè)非行人圖片用于測(cè)試。

更新：2015，目前已經(jīng)更新到CVC-08了。

2.9??? USC行人數(shù)據(jù)庫

http://iris.usc.edu/Vision-Users/OldUsers/bowu/DatasetWebpage/dataset.html

該數(shù)據(jù)庫包含三組數(shù)據(jù)集（USC-A、USC-B和USC-C），以XML格式提供標(biāo)注信息。USC-A[Wu,?2005]的圖片來自于網(wǎng)絡(luò)，共205張圖片，313個(gè)站立的行人，行人間不存在相互遮擋，拍攝角度為正面或者背面；USC-B的圖片主要來自于CAVIAR視頻庫，包括各種視角的行人，行人之間有的相互遮擋，共54張圖片，271個(gè)行人；USC-C有100張圖片來自網(wǎng)絡(luò)的圖片，232個(gè)行人（多角度），行人之間無相互遮擋。

更新：2007

3??????? 其他資料

1：Video：Pedestrian Detection: The State of the Art

http://research.microsoft.com/apps/video/default.aspx?id=135046&r=1

A video talk byPitor Dollar. Pitor Dollar做了很多關(guān)于行人檢測(cè)方法的研究，他們研究小組的Caltech Pedestrian Dataset也很出名。

2：Statistical and Structural Recognition of Human Actions. ECCV, 2010 Tutorial, by Ivan Laptev and Greg Mori. （注：要用爬墻軟件才能訪問到）

3：?Human Action Recognition in realistic scenarios, 一份很好的碩士生畢業(yè)論文開題資料。

?

參考：http://hi.baidu.com/susongzhi/item/085983081b006311eafe38e7

參考：http://blog.csdn.net/dpstill/article/details/22420065

聲明：

如果轉(zhuǎn)載了本文，也請(qǐng)注明轉(zhuǎn)載出處：http://www.cvrobot.net/pedestrian-detection-resource-2-code-and-dataset/

總結(jié)

以上是生活随笔為你收集整理的行人检测资源综述文献的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。