本文介绍了行人检测系统的早期实现，包括基于Haar特征的级联分类器和HOG特征的检测方法，讨论了它们的优缺点。Haar级联检测器处理一帧约90-100ms，HOG检测器约150-170ms。尽管存在漏检、误报、定位不准和检测闪烁等问题，但早期方法因低计算需求和实时性仍被业界使用。下篇将探讨深度学习在行人检测中的应用。
过去的一年我都在忙着实现我的本科毕业设计课题项目：行人检测系统。我们团队的目标是实时检测现场CCTV摄像机视频流中出现的行人。本文是对此项目的简要总结，同时对我们在开发这个行人检测系统中用到的一些开源项目和库进行简单的评价。
行人检测是目标检测的一个分支。目标检测的任务是从图像中识别出预定义类型目标的存在。目标检测任务包括识别目标并给出每个目标的矩形包围框。一个用来检测行人的目标检测系统，就称为行人检测系统。
要快速掌握机器学习应用的开发，推荐汇智网的 机器学习系列教程。
我将从行人检测的早期实现方法开始介绍。这些方法源于21世纪早期，虽然称为早期，但实际上这些方法还在行业内使用。在下一篇文章中，我将介绍基于深度学习的技术。
1、测试基准
本文中提到的结果都是由附带的代码在笔记本上运行获得的，笔记本的规格如下：
- CPU：Intel Core i7 7700 HQ (up-to 3.8 GHz)
- 内存：16 GB
- GPU：nVidia Geforce GTX 1060 6GB VGA
- 软件栈：Ubuntu 16.04 and Open
最低0.47元/天 解锁文章
1952
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
