共计 1665 个字符，预计需要花费 5 分钟才能阅读完成。
在汽车行业，行人检测始终是一个钻研热点与难点。
主动驾驶对于行人检测的准确性要求极高，行人姿势变动、衣着打扮、随机静止甚至室外光线等问题都会影响到检测的准确性。
应用高精度的传感器有利于算法后果精确，但高精度的传感器十分低廉，老本和精度无奈兼得，这种矛盾在过来始终很难解决。
相比之下，应用便宜的摄像机获取图像，通过解决图像来检测到行人的地位以及静止趋势，从而取代雷达，压缩老本，该过程就是行人检测技术。
目前为止，面向智慧交通的行人检测技术曾经获得了不少的成就，本文将从行为检测的技术形成、次要分类及特点等方向进行简要论述。
行人检测的次要特点
在主动驾驶中，行人检测次要是指对车载摄像设施获取的实时视频进行检测，通过获取行人的相干信息来辅助车辆主动行驶的相干技术。
行人检测与个别的指标检测存在着较大差别，大多数指标检测办法并不齐全实用于行人定位，次要起因有以下几点:
1） 小指标行人定位准确度较低 。远距离成像的行人通常指标较小、分辨率较低，不足显著的特色信息，易受到噪声影响，因而，检测算法难以精准定位小指标行人，辨认难度较大。
2） 行人多姿势的个性导致定位准确度低 。区别于个别的指标检测，路线行人往往具备多姿势、随性的特色，此类不确定性会加大算法辨认难度。
3） 背景影响对检测的烦扰 。行人检测受背景影响较大，如光照变动、行人四周轮廓等烦扰都会间接影响算法定位，从而呈现误判、漏判，加大精确辨认难度。
4） 指标重叠 、遮挡对算法辨认的影响。路线通常会呈现人挨人、人挤人景象，这无心加大了辨认难度，只管目前的行人检测办法已能解决部分遮挡问题，但对于大面积、较重大的遮挡问题仍难以解决。
这些问题是行人检测技术的难点，同时也是指标检测畛域的钻研热点。
在理论利用中，行人检测零碎面临的是一个凋谢的环境，要思考不同的路况、天气和光线变动，不仅要具备高实时性，同时也对算法的鲁棒性提出较高要求。
随着图像处理技术的倒退，越来越多的钻研人员提出了基于图像宰割、深度学习、混合模态 等行人检测办法来解决以上问题，这也让行人检测技术失去了长足的提高。
图像宰割行人检测法
顾名思义，图像宰割是将图像合成为若干个特定区域，再将这些区域划为不同的类别，以便提取不同的指标区域。
传统的行人检测技术次要依赖于图像宰割法，该办法不仅计算速度快，且节约硬件资源，但该办法易受其余因素烦扰，如背景、遮挡等，对行人检测的准确度不高。
现阶段，有三种基于图像宰割的行人检测技术利用甚广，别离为阈值宰割检测法、边缘宰割检测法和语义宰割检测法。
其中，阈值宰割检测法是最常见的检测办法，该办法应用图像灰度特色进行灰度计算，通过设定不同的特色阈值，将图像中的像素点划分为若干类，进而与阈值进行比照来实现宰割。
边缘检测法令是寻找出图像的灰度、色彩、肌理等图像特点突然扭转的中央，从而将其作为图像边缘进行宰割。该办法受简单背景影响较小，对于边界特色较显著的行人检测精度较高。
语义宰割检测法是利用卷积神经网络对简单环境进行宰割，该办法通常具备较好的检测精度，稳定性较高。应用语义宰割办法能够使提取到的行人特色更典型，加强模型的泛化能力。
深度学习行人检测法
相较传统机器学习检测办法，基于深度学习的行人检测办法具备更高的准确率和鲁棒性。
近年来，深度学习技术已广泛应用于各类图像处理中，十分实用于行人检测，促成了无人驾驶车辆零碎在行人检测等多个外围畛域的倒退。
支流的深度学习行人检测办法能够分为两类：
1）以区域卷积神经网络（R-CNN）、疾速区域卷积神经网络（Fast R-CNN）、高速区域卷积神经网络（Faster R-CNN）为代表的基于候选框的办法。
2）以 YOLO（You Only Look Once）、轻量级指标检测（Single Shot MultiBox Detector，SSD）为代表的基于回归的办法。
这两种办法的差异性在于前者将候选区域的选定和指标边界框的推理辨认搁置于两个齐全不同的过程阶段中，而后者则是一步到位，省去了网络训练和推理计算的复杂性，这也是目前支流的计划都是单阶段的次要起因。
未完待续 ….
