论文提要“Filtered Channel Features for Pedestrian Detection”

增加中间层，对底层特征使用滤波器组进行滤波，并使用boosted 决策树进行分类，可以提升行人检测率。最近比较好的人检测方法均在底层特征和分类器之间增加量中间层，如最大池化，滤波等。本文使用了滤波器组对图像进行卷积。文章提出的滤波器组框架如下图所示。仅使用HOG+LUV在Caltech和KITTI数据库上可获得最好的效果。

相关研究
最近的行人检测综述表明不同的分类器，如SVM和决策树，对检测结果影响不大，而使用何种特征显得更为重要。
不同的特征包括HOG，LBP，Colour，local structure，Covariance，使用CNN学习的特征，光流，深度图等。
目前最好的行人检测方法都是基于HOG+LUV方法（ChnFtrs）的扩展，包括SquaresChnFtrs，InformedHaar和LDCF。RegionLets在广义物体检测上的效果比较好。

FCF
ChnFtrs，SquaresChnFtrs，ACF均用了图1中上半部分的结构。输入图像转换为一系列特征图，通过对一大群矩形区域进行sum-pooling得到最终的特征向量。之后将特征送入决策树使用AdaBoost学习。树上的节点对特征值和学到的阈值进行简单的比较。通常决策树只学习了特征向量的子集。AdaBoost同时进行筛选特征和学习节点的阈值。
sum-pooling 可以使用滤波器族进行卷积，之后读取卷积响应图的单个值。这就是FCF。

基线方法包括ACF和InformedHaar。

参数：特征通道仅使用HOG+LUV，最终的分类器包括4096个2层的决策树，使用普通的离散AdaBoost，树通过穷举贪心搜索每个节点实现，模型大小为60*120像素，使用四轮难样本挖掘实现。滑动窗步长为6个像素。

特征族介绍
InformedFilters，去除了InformedHaar中的位置限制，总共有212个滤波器，在10个通道上使用，等同于在2120个通道上训练决策树。对于60*120大小的模型，每个通道有200个特征（步长为6），总共得到2120*200个特征。AdaBoost筛选了其中的~3%。
Checkboards，滤波器大小与InformedHaar类似，滤波器数目与最大尺寸有关，4*4cell对应61个滤波器。
RandomFilters，给定滤波器数目和最大尺寸，根据均匀分布随机创建。
LDCF，使用学习到的PCA特征向量作为滤波器。
PcaForeground，LDCF使用所有训练数据学习滤波器，PcaForeground训练了8个滤波器，4个由背景图像学到，4个由行人块学到。
滤波器形状如下图所示：

滤波器数目对结果的影响
如下图所示，滤波器数目为50时MR最小，不同滤波器对结果影响不大。

数据增加对结果的影响
使用Caltech10x和更深层的决策树对结果的影响如下表，L4是甜点。

另外，使用RealAdaboost效果比discrete AdaBoost效果好，下表为不同要素对结果的影响

数据增加对不同方法结果的影响

不同方法使用光流和训练数据增强对结果的影响