譚飛剛 劉偉銘

（華南理工大學 土木與交通工程學院， 廣東 廣州516040）

行人是交通系統(tǒng)中的主要參與者，也是交通事故中的主要受害者，如何利用現(xiàn)代科學技術(shù)來保護行人的生命安全變得越來越迫切［1-2］.行人檢測作為智能交通控制系統(tǒng)、先進的輔助駕駛（ADAS）、姿態(tài)估計等相關(guān)應用的基礎(chǔ)也受到廣泛的關(guān)注［3］.雖然ADAS 作為汽車安全的一個重要組成部分受到廣泛的關(guān)注，并且取得了很多重要成果，但仍然面臨著許多挑戰(zhàn)［4］：形態(tài)各異的外貌特征，復雜多樣的背景環(huán)境，行人與攝像機之間動態(tài)變化的場景，系統(tǒng)實時性與穩(wěn)定性的嚴格要求等.例如ADAS 需要準確地檢測出車前行人并能及時提醒司機或采取相應措施（如剎車等）來避免人車之間發(fā)生沖突.

ADAS 不僅要求能夠快速檢測出行人為司機提供反應時間，而且要求檢測準確度高，盡量減少誤報率，因此研究者通過尋找更好的行人描述子或者高效的檢測算法來提高行人檢測的魯棒性與實時性.Wu 等［5］利用Edgelet 特征來檢測靜態(tài)圖像中的行人.Dalal 等［6］提出的梯度方向直方圖（HOG）特征因?qū)庹兆兓托×科撇幻舾?，且能很好地描述行人的邊緣信息而受到許多學者的關(guān)注［7-9］.Lazebnik 等［10］提出的金字塔梯度方向直方圖（PHOG）特征有效地提升了HOG 特征的提取速度.Ojala 等［11］提出的局部二值模式（LBP）特征因具有維度低、計算速度快、能很好地刻畫圖像的紋理信息而得到廣泛的應用，并且出現(xiàn)了許多的變體［12］.Chen 等［13］提出的韋伯局部描述子（WLD），雖然對光照和噪聲的干擾有一定的魯棒性， 但其特征提取比較復雜，計算量大.在分析上述特征的基礎(chǔ)上，針對Haar 特征維度高、冗余度大［14-15］、LBP 特征無法刻畫人眼視覺敏感度的缺陷，文中提出了一種基于顯著性的二值化Haar 特征（SLBH）.

目前，基于整體行人特征的一些檢測方法在無遮擋情況下取得了很好的檢測效果［16］，但當行人之間發(fā)生部分遮擋時，其檢測性能會迅速下降；然而，基于部件模型的檢測方法能在部分遮擋場景中取得較好的檢測效果［17-19］.基于部件模型的方法認為行人由多個關(guān)鍵部位組成，如頭部、軀干、手和腿等［4，18］，根據(jù)各部件的檢測概率來推斷出檢測窗口是否包含行人.由于該類方法將行人分散為多個部件檢測，增強了其對部分遮擋的魯棒性，因此，在處理行人部分遮擋問題中受到廣泛的關(guān)注［20-23］.

Wu 等［24］提出了一種基于部件分割過程和不同部件檢測間響應的部分遮擋檢測方法；該方法將行人分割為11 個部件，利用極大似然函數(shù)來聯(lián)合各個部件檢測器的響應值，但需要手動調(diào)節(jié)各部件的空間結(jié)構(gòu).Wang 等［19］利用HOG 特征來檢測滑動窗口內(nèi)的局部區(qū)域，并根據(jù)檢測結(jié)果來推斷該窗口中是否存在部分遮擋；該方法需要預先定義一個空間結(jié)構(gòu)，如行人的上/下半身.Enzweiler 等［17］利用混合專家模型結(jié)合HOG 特征、深度信息和光流信息來處理部分遮擋問題，該方法因需要立體視覺和運動信息而導致其應用受到限制.Marín 等［18］利用HOG 特征和LBP 特征對滑動窗口內(nèi)各個塊進行檢測，并對檢測結(jié)果進行分割，進而推斷出是否存在遮擋，此方法對塊大小比較敏感，而且在訓練階段需要人工標記大量的塊標簽信息.Ouyang 等［25］通過訓練一個雙窗口的深度模型來檢測部分遮擋的行人.Tang 等［26］通過訓練具有部分遮擋的雙人可變形部件模型（DMP）［23］來處理行人之間的部分遮擋問題.Gall 等［27］提出了霍夫森林行人檢測框架.基于部件的行人檢測方法雖然對部分遮擋有較好的魯棒性，但其計算復雜度隨部件數(shù)的增加呈指數(shù)級增長.有鑒于此，文中提出了一種結(jié)合整體與局部特征的雙層行人檢測算法.

1 SLBH 特征提取

1.1 顯著性因子

顯著性因子是對局部特征顯著性的描述，著名的韋伯定律解釋了局部顯著性不能由差別閾值的絕對值來進行比較，而應由其相對值進行劃定.根據(jù)韋伯定律［13］，可以計算出中心像素點在其鄰域內(nèi)的顯著性因子：

式中，gc為中心像素點的灰度值，N 為鄰域個數(shù)，gi為對應鄰域像素點的灰度值.S（gc）是局部特征顯著性的描述，易知S（gc）∈［0， ］，其值越大顯著性越強.

1.2 改進的LBP

LBP 是一種描述圖像局部紋理的算子，因其具有計算簡單、對光照變化不敏感等優(yōu)點而被廣泛應用于不同的領(lǐng)域［11，20］.LBP 特征的計算式如下：

式中，gi為gc的8 個鄰域像素點灰度值，s（x，y）為閾值比較函數(shù)，

在計算出整幅圖像的LBP 特征值后，統(tǒng)計LBP 特征直方圖：

其中判斷函數(shù)f（x，y）定義為

LBP 特征僅利用了中心像素與其鄰域內(nèi)像素間差異的符號特征，并沒有充分利用它們之間的差異信息，因此，LBP 特征缺乏對物體顯著性的描述.如圖1所示，雖然兩個矩形區(qū)域具有相同的LBP 特征值，但其顯著性因子相差卻很大.由韋伯定律可知，顯著性因子越大，其顯著性越強，所描述的信息也越重要，然而LBP 特征并不能描述這些顯著性信息.為此，Cao 等［12］利用中心像素與鄰域像素差異的絕對值之和作為權(quán)值來增加像素間差異在LBP 特征直方圖中的影響，即

式中，K 為最大的LBP 特征值，權(quán)值函數(shù)為

圖1 LBP 特征值與顯著性因子計算對比Fig.1 Comparison of calculation between LBP and saliency factor

Cao 等［12］提出的加權(quán)LBP直方圖雖然考慮了像素鄰域間差異的影響，但不能很好地描述特征的局部顯著性.因為局部顯著性不能由差別閾值的絕對值來進行比較，而應由其相對值進行劃定.此外，在加權(quán)直方圖統(tǒng)計過程中不斷累積權(quán)重，使得各維度之間相差巨大.受韋伯定理的啟發(fā)，文中使用更接近人類視覺差異的顯著性因子作為權(quán)重來統(tǒng)計加權(quán)LBP 直方圖，其統(tǒng)計函數(shù)如下：

圖2 8 種擴展的Haar 特征Fig.2 8 kinds of expansion Haar features

式中，S（x，y）為點（x，y）的差異激勵.

1.3 SLBH 特征提取

Haar 特征由Viola 等［14］最先提出并首次應用于行人檢測中，取得了較好的檢測效果.但隨著研究的深入，學者們發(fā)現(xiàn)原始Haar 特征對于檢測靜止的、對稱的物體比較有效，而對于行人這類非剛性物體，則需要在其他方向上增加能夠描述行人運動特點的描述特征.Lienhart 等［15］將原始Haar 特征擴展到14 種.文中使用8 種擴展的Haar 特征，如圖2所示.

按照標準步驟提取圖2中的8 種Haar 特征，則需要對每個矩形區(qū)域進行8 次差值計算，然而通過觀察發(fā)現(xiàn)，如果將圖2中的8 種Haar 特征按照以黑色區(qū)域為重疊區(qū)域的規(guī)則進行組合，則這8 種Haar特征構(gòu)成了一個3×3 的矩形區(qū)域，為方便描述，文中稱Haar 特征的一個黑色或者白色矩形區(qū)域為單元，而3×3 個單元組成的矩形區(qū)域稱為一個塊.如果對3×3 區(qū)域進行從上到下、順時針編號，則序號分別為c0、c1、c2、c3、c4、c5、c6、c7，中心黑色矩形編號為cc，如圖3所示.

圖3 8 種Haar 特征組合Fig.3 Combination of 8 kinds of Haar features

然后計算局部二值化Haar 特征（LBH）：

式中，ci為第i 個單元內(nèi)所有像素灰度值之和，

p（k，l）表示圖像在點（k，l）處的像素值，w 和h 分別表示單元的寬度和高度.

與傳統(tǒng)的Haar 特征提取方法相比，此改進的Haar 特征提取方法具有以下優(yōu)勢：

1）傳統(tǒng)方法按單元對進行提取，并且每次只能提取一種Haar 特征；而文中方法則按照中心單元的8 鄰域提取，每次可以同時計算8 種不同類型的Haar 特征.

2）傳統(tǒng)方法把單元之間差值作為特征值，文中方法引入加權(quán)局部二元模式的思想使LBH 特征擁有傳統(tǒng)Haar 特征無法比擬的光照不變性.考慮到LBP 模式缺乏顯著性描述的缺陷，文中利用式（8）統(tǒng)計LBH 特征直方圖（即SLBH 特征）來進一步增加特征對噪聲的魯棒性.SLBH 特征提取算法的具體步驟如下：

（1）將輸入圖像轉(zhuǎn)換成灰度圖像；

（2）按照一定的重疊比將灰度圖像劃分為寬與高分別為w 和h 的單元；

（3）利用積分圖技術(shù)求取每個單元的像素灰度值之和；

（4）將中心單元的8 個鄰域單元按照圖3所示結(jié)構(gòu)組成一個塊；

（5）根據(jù)式（9）計算每個塊內(nèi)的LBH 值，根據(jù)式（1）計算每個塊的顯著性因子；

（6）按照式（8）統(tǒng)計直方圖，即為該圖像的SLBH特征.

2 結(jié)合SLBH 特征的雙層行人檢測算法

2.1 雙層行人檢測算法

線性SVM 分類器既有SVM 的優(yōu)點又有線性計算的效率，因此，許多行人檢測方法都使用線性SVM 分類器.線性SVM 分類器一般都是通過一條或多條分割線/ 一個或多個分割面來劃分類別.圖4所示為線性SVM 二分類，○類中的A 點被錯分到●類中，并且A 點距離分割線非常近，同樣●類中的B 點被錯分到○類中.在SVM 分類中，分割距離（即分類器響應值）越大表示分類效果越好，而分割距離越小表示其分類的不確定性概率越大，分類正確性的概率越小.

圖4 線性SVM 分類器示意圖Fig.4 Schematic diagram of liner SVM classifier

基于上述SVM 分類原理及從粗到細的檢測思想，文中提出了一種結(jié)合SLBH 特征的多部件驗證雙層行人檢測算法.該算法在第1 階段利用SLBH特征結(jié)合線性SVM 分類器進行快速行人檢測，并對線性SVM 分類器輸出響應值進行判斷，如果響應值不處于某閾值區(qū)間內(nèi)，則直接輸出該窗口的類別標簽（包含行人輸出1，其他輸出0）；否則，驗證當前窗口內(nèi)圖像（即進入第2 階段）.在第2 階段首先對窗口內(nèi)圖像抽樣出K 個子區(qū)域并提取各子區(qū)域的HOG 特征，然后利用隨機森林分類器檢測出行人各個部件，通過貝葉斯決策計算檢測器輸出為行人的置信度，最后組合多個部件檢測器的置信度來判斷該窗口是否包含行人.第2 階段主要是處理行人遮擋問題和降低誤檢率，進一步提高算法的魯棒性和檢測率.結(jié)合SLBH 特征的雙層行人檢測算法的具體步驟如下：

1）利用SLBH 特征對圖像進行快速行人檢測，即s=H（x），x 為SLBH 特征向量，H（·）為線性SVM分類器的分類函數(shù)，s 為線性SVM 分類函數(shù)的響應值.

2）判斷s 的范圍，如果αmin

3）對窗口內(nèi)圖像進行驗證

（1）在圖像窗口中隨機采樣出K 個子區(qū)域，即R={R1，R2，…，RK}，其中每個子區(qū)域的寬W 與高H隨機產(chǎn)生，且滿足12≤W≤20，12≤H≤20.

（2）提取各個區(qū)域的HOG 特征，利用隨機森林分類器進行人體部位檢測.

（3）根據(jù)隨機森林分類器輸出各部位的響應值計算各部位的檢出概率.

（4）從檢測結(jié)果中選擇滿足條件的子區(qū)域作為檢測器的輸出.

4）結(jié)合多個部件檢測器的輸出并利用貝葉斯定理計算檢測器實際輸出為行人與非行人的概率.

5）根據(jù)貝葉斯推斷出的概率判斷該窗口是否包含行人.

6）輸出該窗口的行人類別標簽（包含行人輸出1，其他輸出0）.

2.2 人體部件檢測

行人整體特征檢測算法可以比較快速地檢測出行人，且具有較好的魯棒性，但當檢測場景中存在行人間部分遮擋時，其檢測性能迅速下降.基于人體部位的檢測算法將行人看作是多個部件的組合，通過檢測人體各個部件來推斷出圖像中是否包含行人.這類算法因?qū)Σ糠终趽蹙哂休^好的魯棒性而受到廣泛的關(guān)注［17，19-20］.人體部件可以細分為幾百個，而且部件越多對遮擋的魯棒性越好，但部位越多檢測時間越長，進而影響算法的實時性應用要求，因此，目前主要將人體劃分為頭肩、手、腿和軀干4 個部件.

圖像中行人之間的尺度因拍攝視角、拍攝距離等因素的影響而存在很大的差異，并且行人各部件之間的尺寸也存在著很大的差異.例如，頭的尺寸遠小于軀干的尺寸等.如果使用相同大小的子區(qū)域來檢測人體部件，則存在很難滿足各個部件尺寸的要求，因此，文中提出了一種隨機采樣子區(qū)域的方法.假設(shè)當前滑動窗口為Rc（xc，yc，Wc，Hc），那么隨機初始化子區(qū)域左上角坐標需滿足xc≤xi≤xc+Wc和yc≤yi≤yc+Hc，其高和寬都限制在區(qū)間［12，20］上，并且保證所采樣的子區(qū)域都在當前窗口內(nèi).按照上述規(guī)則采樣K 個子區(qū)域，即R={R1，R2，…，RK}，然后提取各子區(qū)域的HOG 特征，最后利用隨機森林分類器對各個子區(qū)域的特征進行分類，并根據(jù)分類結(jié)果利用式（11）來確定哪塊子區(qū)域?qū)儆谀膫€人體部件.為提高各部件特征的提取速度，文中采樣類似查表法來提取各部件的HOG 特征.

式中：i∈{hs，arm，leg，torso}，表示頭肩、手、腿和軀干4 個部件；Ri表示屬于部件i 的子區(qū)域；表示在子區(qū)域Rk內(nèi)檢測為部件i 的概率；vRk表示第k 個部件的特征向量.由于隨機采樣，因此可能存在子區(qū)域重疊現(xiàn)象，如R1和R2都檢測為頭肩部件.為此，文中采用式（12）來處理子區(qū)域重疊現(xiàn)象，并最終確定頭肩部件所在區(qū)域.

近年來，隨機森林因具有可處理大量輸入變量、分類器準確度高和學習過程速度快等優(yōu)點而被廣泛應用于行人檢測和其他物體的分類.傳統(tǒng)的隨機森林在進行檢測過程中，所有的決策樹都參與其中，然而對于一些容易區(qū)分的物體來說，所有決策樹參與判斷并沒有增加檢測率，反而增加了檢測時間.因此，為了提升物體的檢測速度，文中采用了一種“軟級聯(lián)”結(jié)構(gòu)［22］.假設(shè)隨機森林中樹的最大棵數(shù)為T，初始化棵數(shù)為M，η 為判斷閾值，x 為當前窗口中某人體部位的特征向量，則隨機森林軟級聯(lián)算法描述如下：

η 為閾值參數(shù)，其目的是快速檢測出容易識別的樣本，從而避免所有的樣本都使用T 棵數(shù)來判斷，進而提升分類器的分類速度，一般取η≥0.985，文中選取η=0.99.

2.3 貝葉斯決策

雙層行人檢測算法需要在那些不確定性概率大的窗口內(nèi)對人體的4 個部件進行檢測，則各關(guān)鍵部件都能被檢測出來的概率為

式中：chs=1，carm=1，cleg=1，ctorso=1，分別表示頭肩、手、腿和軀干被部件檢測器檢出；R 為當前滑動窗口區(qū)域.根據(jù)人的身體結(jié)構(gòu)可知，頭肩區(qū)域、手和軀干區(qū)域以及腿部區(qū)域之間存在著一種上下關(guān)系.由于各部件檢測器相對獨立，因此式（13）可轉(zhuǎn)化為

假設(shè)Hi（Ri）為隨機森林分類器對部件i 的響應值，則各部件的后驗概率為

那么式（14）可轉(zhuǎn)化為

設(shè)yi∈{0，1}，那么可構(gòu)建如下概率函數(shù)：

式中：權(quán)值ωi=Entropy（｛ci｝），為部件i 被檢測出來時所對應的熵，而部件i 的概率可由式（15）計算得出.熵的計算式為

式中，Pci表示ci被檢測出來的概率.

因此，判斷當前滑動窗口中包含行人的概率計算式為

而當前窗口不包含行人的概率為

那么得到組合檢測器的最終輸出為

3 實驗與結(jié)果分析

實驗所使用的樣本均采集于INRIA 行人樣本庫，其中訓練集中正樣本為2416 幅行人圖像，負樣本為3070 幅；測試集中正樣本為1 126 幅，負樣本為3 070 幅；負樣本都是由INRIA 提供的1 218 幅非行人圖像隨機裁剪得到.圖5為文中算法的實驗流程圖.為能直觀地顯示出各種算法的檢測性能，文中使用正確檢測率（rt）、虛警率（rf）和準確率（ra）以及平均每幅圖像檢測時間（ta）4 種評價指標：

式中，NTP是行人被檢測為行人的個數(shù)，NFP是非行人被檢測為行人的個數(shù)，NTN是非行人被檢測為非行人的個數(shù)，NFN是行人被檢測為非行人的個數(shù).

圖5 文中算法的實驗流程圖Fig.5 Experimental flowchart of the proposed algorithm

3.1 SLBH 特征性能評估

為了測試文中改進的Haar 特征性能，選用Haar、LBH、WLBP［11］和SLBH 特征做對比實驗，并分別選擇SVM 和RF 作為分類器，實驗統(tǒng)計結(jié)果如表1所示.從表中可知，SLBH 特征的提取時間略高于其他3 種特征，但對于其他評價指標，無論是SVM 還是RF 分類器，SLBH 特征均優(yōu)于其他3 種特征，而且在RF 分類器上效果更好.

表1 SLBH、LBH、WLBP 和Haar 特征的性能比較Table1 Comparison of performance among SLBH，LBH，WLBP and Haar features

3.2 參數(shù)估計

為了估計出各參數(shù)對算法性能的影響并尋找出各參數(shù)的最優(yōu)取值范圍，對算法中所涉及的4 個參數(shù)分別進行交叉驗證實驗.不難發(fā)現(xiàn)，SVM 分類器的準確率受其不確定分類區(qū)域范圍的影響，下限αmin和上限αmax的一個經(jīng)驗取值范圍分別是［-0.6，0］和［0，0.5］.如圖6（a）所示，當αmin在該區(qū)間內(nèi)變化時，其準確率并不是隨著αmin變小而提高，而是在αmin小于-0.4 之后基本上趨于不變；圖6（b）中，當αmax在［0.1，0.5］之間變化時，準確率變化很小，而αmax在［0，0.1］之間時準確率處于提升狀態(tài).在對滑動窗口內(nèi)圖像進行隨機抽取子區(qū)域時，并不是抽取的子區(qū)域數(shù)K 越多越好，因為區(qū)域間存在重疊，而且抽取的子區(qū)域越多，特征提取以及檢測判斷耗時也越多，K 的經(jīng)驗取值范圍是［10，20］.K 對文中算法檢測性能的影響如圖7所示，從圖中可以看出：當K≥17時，檢測性能基本上保持穩(wěn)定且達到最佳值；當K＜17時，檢測性能變化較大，可能是因隨機抽樣不充分所致.

圖6 αmin 和αmax 的ROC 曲線Fig.6 ROC curves of αmin and αmax

圖7 K 對文中算法檢測性能的影響Fig.7 Effect of K on detection performance of the proposed algorithm

3.3 檢測性能對比

在相同的實驗條件下選擇文獻［4］、文獻［11］、文獻［18］和文中算法進行對比實驗，并使用TPR-FPR ROC 曲線來對比分析各種算法的優(yōu)越性，實驗結(jié)果如圖8所示.在ROC 曲線中，曲線離左上角的距離越近代表算法性能越好，而從圖8中不難看出，文中算法的檢測率高出其他算法.文獻［4］使用Haar 特征并結(jié)合行人上/下兩部分進行驗證，雖然與文中算法存在部分類似，但文中算法使用多部件檢測，并且在虛警率為10%時正確檢測率就遠高于文獻［4］算法.文獻［11］算法使用NRLBP 和Shape 特征，NRLBP 特征缺乏對物體的顯著性描述，而行人在部分遮擋時形狀會發(fā)生改變，因此該算法在部分遮擋情況下的檢測魯棒性不佳.這也體現(xiàn)了文中提出的多部件雙層行人檢測算法在部分遮擋情形下的優(yōu)越性.

圖8 不同檢測算法的實驗結(jié)果對比Fig.8 Comparison of experimental results among different detection algorithms

4 結(jié)論

針對Haar 特征維度高、冗余大以及對光照敏感等缺陷，文中提出了一種顯著性的二值化Haar 特征，該特征通過結(jié)合顯著性和加權(quán)LBP 思想來減少Haar 特征的維數(shù)，增強其紋理描述能力和對光照的魯棒性.此外，在行人存在部分遮擋的環(huán)境下，基于整體特征提取的算法檢測效果不理想，而基于部件的行人檢測算法對行人部分遮擋具有較好的檢測效果.為此，文中根據(jù)從粗到細的思想提出了結(jié)合SLBH 特征的雙層行人檢測算法.在INRIA 行人樣本庫上的對比實驗結(jié)果表明，文中算法的正確檢測率優(yōu)于其他算法.

［1］蘇松志，李紹滋，陳淑媛，等.行人檢測技術(shù)綜述［J］.電子學報，2012，40（4）：814-820.Su Song-zhi，Li Shao-zi，Chen Shu-yuan，et al.A survey on pedestrian detection ［J］.Acta Electronica Sinica，2012，40（4）：814-820.

［2］許騰，黃鐵軍，田永鴻.車載視覺系統(tǒng)中的行人檢測技術(shù)綜述［J］.中國圖象圖形學報，2013，18（4）：359-367.Xu Teng，Huang Tie-jun，Tian Yong-hong.Survey on pedestrian detection technology for on-board vision system ［J］.Journal of Image and Graphics，2013，18（4）：359-367.

［3］Dollar P，Wojek C，Schiele B，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.

［4］Mogelmose A，Prioletti A，Trivedi M M，et al.Two-stage part-based pedestrian detection ［C］//Proceedings of the 15th International IEEE Conference on Intelligent Transportation Systems.Anchorage：IEEE，2012：73-77.

［5］Wu B，Nevatia R，Li Y.Segmentation of multiple，partially occluded objects by grouping，merging，assigning part detection responses ［C］//Proceedings of 2008 IEEE Conference on Computer Vision and Pattern Recognition.Anchorage：IEEE，2008：1-8.

［6］Dalal N，Triggs B.Histograms of oriented gradients for human detection ［C］//Proceedings of 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition.San Diego：IEEE，2005：886-893.

［7］孫銳，陳軍，高雋.基于顯著性檢測與HOG-NMF 特征的快速行人檢測方法［J］.電子與信息學報，2013，35（8）：1921-1926.Sun Rui，Chen Jun，Gao Jun.Fast pedestrian detection based on saliency detection and HOG-NMF features ［J］.Journal of Electronics ＆ Information Technology，2013，35（8）：1921-1926.

［8］Zhu Q，Yeh M C，Cheng K T，et al.Fast human detection using a cascade of histograms of oriented gradients ［C］//Proceedings of 2006 IEEE Computer Society Conference on Computer Vision and Pattern Recognition.New York：IEEE，2006：1491-1498.

［9］Gan G，Cheng J.Pedestrian detection based on HOG-LBP feature ［C］//Proceedings of the 7th International Conference on Computational Intelligence and Security.Kyoto：IEEE，2011：1184-1187.

［10］Lazebnik S，Schmid C，Ponce J.Beyond bags of features：spatial pyramid matching for recognizing natural scene categories ［C］//Proceedings of 2006 IEEE Computer Society Conference on Computer Vision and Pattern Recognition.New York：IEEE，2006：2169-2178.

［11］Ojala T，Pietikainen M，Maenpaa T.Multiresolution grayscale and rotation invariant texture classification with local binary patterns ［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2002，24（7）：971-987.

［12］Cao Y，Pranata S，Nishimura H.Local binary pattern features for pedestrian detection at night/dark environment［C］//Proceedings of the 18th IEEE International Conference on Image Processing.Brussels：IEEE，2011：2053-2056.

［13］Chen J，Shan S，He C，et al.WLD：a robust local image descriptor ［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2010，32（9）：1705-1720.

［14］Viola P，Jones M J，Snow D.Detecting pedestrians using patterns of motion and appearance ［J］.International Journal of Computer Vision，2005，63（2）：153-161.

［15］Lienhart R，Maydt J.An extended set of haar-like features for rapid object detection ［C］//Proceedings of 2002 International Conference on Image Processing.Rochester：IEEE，2002：I-900-I-903.

［16］胡彬，趙春霞，孫玲.基于多特征融合的行人檢測［J］.圖學學報，2013，34（4）：29-34.Hu Bin，Zhao Chun-xia，Sun Ling.Human detection based on multi features fusion ［J］.Journal of Graphics，2013，34（4）：29-34.

［17］Enzweiler M，Eigenstetter A，Schiele B，et al.Multi-cue pedestrian classification with partial occlusion handling［C］//Proceedings of 2010 IEEE Conference on Computer Vision and Pattern Recognition.Francisco：IEEE，2010：990-997.

［18］Marín J，Vázquez D，López A M，et al.Occlusion handling via random subspace classifiers for human detection［J］.IEEE Transactions on Cybernetics，2014，44（3）：342-354.

［19］Wang X，Han T X，Yan S.An HOG-LBP human detector with partial occlusion handling ［C］//Proceedings of the 12th International Conference on Computer Vision.Kyoto：IEEE，2009：32-39.

［20］Felzenszwalb P F，Girshick R B，McAllester D.Cascade object detection with deformable part models ［C］//Proceedings of 2010 IEEE Conference on Computer Vision and Pattern Recognition.San Francisco：IEEE，2010：2241-2248.

［21］Sermanet P，Kavukcuoglu K，Chintala S，et al.Pedestrian detection with unsupervised multi-stage feature learning［C］//Proceedings of 2013 IEEE Conference on Computer Vision and Pattern Recognition.Portland：IEEE，2013：3626-3633.

［22］Marin J，Vázquez D，López A M，et al.Random forests of local experts for pedestrian detection［C］//Proceedings of 2013 IEEE International Conference on Computer Vision.Sydney：IEEE，2013：2592-2599.

［23］Felzenszwalb P F，Girshick R B，McAllester D，et al.Object detection with discriminatively trained part-based models ［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2010，32（9）：1627-1645.

［24］Wu B，Nevatia R.Detection and segmentation of multiple，partially occluded objects by grouping，merging，assigning part detection responses ［J］.International Journal of Computer Vision，2009，82（2）：185-204.

［25］Ouyang W，Zeng X，Wang X.Modeling mutual visibility relationship in pedestrian detection ［C］//Proceedings of 2013 IEEE Conference on Computer Vision and Pattern Recognition.Portland：IEEE，2013：3222-3229.

［26］Tang S，Andriluka M，Schiele B.Detection and tracking of occluded people ［J］.International Journal of Computer Vision，2014，100（1）：58-69.

［27］Gall J，Lempitsky V.Class-specific hough forestsfor object detection ［M］.London：Springer，2013：143-157.