基于轮廓线索(Contour Cues)的实时行人检测

这是一篇基于传统机器学习的行人检测的博文，和现在的深度学习的效果和速度都不能相提并论，但是在深度学习之下，确实一个非常值得学习的行人检测的方法。与传统的HOG，DPM相比，该方法主要体现在速度快上，在VGA（640*480）输出下，达到了20fps的速度，并且是单线程，无GPU的条件，比HOG和DPM都要快，同时在测试中表现出了不俗的效果。

         作者是新加坡南洋理工的，吴建鑫，在其个人主页开源了一系列的论文和程序，非常值得学习。作者基于轮廓线索(Contour Cues)分别在TPAMI和ICRA上发了2篇文章，详见博文References。

 

整体思想：

 

(1) CENTRIST(CENsus TRansform hISTogram)特征描述子

作者提出了CENTRIST特征描述子。改特征描述子主要获取相邻像素的比对值。在一个3*3的像素块中，周围的8个像素依次和中间的像素做比对，如果高于中间的像素，则输出的特征矩阵的相应位置为0，如果低于中间的像素则为1，然后就会产生一个3*3的特征矩阵，然后对此矩阵从上到下，从左到右进行2进制编码，最后得到一个10进制的介于[0,255]之间的编码值。

 

(2)检测框架

规定，检测窗口的大小为108*36，然后将该检测窗口划分为9*4个block，每相邻的2个block作为一个super-block，并用该super-block来提取CENTRIST特征，一个检测窗口一共可以产生（9-1）*（4-1）=8*3=24个super-block，每个CENTRIST特征有0-255共256个特征，最终将生成256*24=6144维的特征。如下图所示的效果图，黄色框为detection window，黑色框为block，红色和绿色框为super-block。

 

(3)线性分类器

 

w为已经训练好的线性分类器的权值参数，为6144维，i，j分别表示super-block的长宽维度，fij为提取出的特征，seita为阈值，最终，如果大于该阈值，就认为是行人，否则认为是背景。

 

检测效果：

从Inria数据集中随机选了一张图片做测试，测试效果如下，可见检测效果还是很不错的。

 

References:

https://sites.google.com/site/wujx2001/home/c4

 

Wu J, Rehg J M. CENTRIST: A visual descriptorfor scene categorization[J]. IEEE transactions on pattern analysis and machineintelligence, 2011, 33(8): 1489-1501.

 

Wu J, Geyer C, Rehg J M. Real-time humandetection using contour cues[C]//Robotics and Automation (ICRA), 2011 IEEEInternational Conference on. IEEE, 2011: 860-867.