行人检测方法研究
视频监控系统中的行人检测与追踪算法研究与应用
视频监控系统中的行人检测与追踪算法研究与应用摘要：随着科技的发展，视频监控系统在各个领域中得到了广泛的应用。
其中，行人检测与追踪算法是视频监控系统中的重要研究内容。
本文将探讨行人检测与追踪算法的研究现状以及在实际应用中的意义，并介绍基于深度学习的行人检测与追踪算法的常用方法和技术。
1. 引言视频监控系统已成为现代社会安全领域的重要手段之一。
为了提高视频监控系统的效果和工作效率，行人检测与追踪算法的研究成为一个重要的课题。
2. 行人检测算法的研究现状行人检测算法的研究主要分为两个阶段：基于传统机器学习的算法和基于深度学习的算法。
传统机器学习算法主要包括HOG+SVM、Haar Cascade等。
这些算法在行人检测中取得了一定的成果，但是在复杂环境下仍然存在准确率低和鲁棒性差的问题。
而基于深度学习的算法通过引入卷积神经网络（CNN）和循环神经网络（RNN）等技术，能够提高行人检测的准确率和鲁棒性。
3. 基于深度学习的行人检测与追踪算法基于深度学习的行人检测与追踪算法主要包括以下几种常用方法：（1）Faster R-CNN：通过引入区域建议网络（RPN）来生成候选框，然后对候选框进行分类和回归，实现行人检测和定位。
（2）YOLO：将行人检测任务视为一个回归问题，并通过单个网络直接预测候选框的位置和类别。
（3）SSD：结合了Faster R-CNN和YOLO的特点，通过卷积层和预测层来检测各个尺度的目标。
（4）MC-CNN：通过多通道卷积神经网络将不同尺度的信息整合，提高行人检测的准确性。
4. 行人追踪算法的研究现状行人追踪算法主要分为基于检测与跟踪的方法和基于特征的方法。
基于检测与跟踪的方法主要利用行人检测算法提取出的特征进行行人目标的跟踪，具有较高的准确率和鲁棒性。
基于特征的方法则通过提取行人目标在时间序列中的特征进行跟踪，可以实现更加精细的目标追踪。
5. 行人检测与追踪算法在实际应用中的意义行人检测与追踪算法在实际应用中具有广泛的意义。
基于视频分析的行人检测与行为识别研究
基于视频分析的行人检测与行为识别研究在当今社会，由于人工智能和计算机视觉的飞速发展，视频分析技术变得越来越重要。
其中，行人检测与行为识别是计算机视觉领域中的一个重要研究课题。
行人检测与行为识别的研究可以广泛应用于视频监控、交通管理、智能驾驶等领域，对于提升社会安全和便利性具有重要意义。
行人检测是从视频或图像中准确地定位和辨别出行人的过程。
目前，行人检测主要通过基于深度学习的方法实现。
深度学习模型中的卷积神经网络（Convolutional Neural Network，CNN）具有良好的特征提取和模式识别能力，因此被广泛应用于行人检测任务中。
常用的行人检测算法包括Faster R-CNN、YOLO、SSD等。
这些算法利用深度学习模型提取图像特征，并通过回归和分类的方法定位和辨别行人。
然而，由于场景复杂性、光照变化和姿态变化等因素的干扰，行人检测仍然存在一定的挑战。
行为识别是指从视频中识别出行人的具体行为，常见的行为包括行走、站立、奔跑、交谈等。
行为识别任务较为复杂，需要对行人的动作和空间关系进行建模和分类。
行为识别的主要研究方法包括基于传统的特征工程和基于深度学习的方法。
传统的特征工程方法主要提取行人的各种视觉特征，如颜色、纹理和形状等，并通过机器学习算法进行分类。
然而，这些方法对于复杂的场景和动作变化较大的行为识别任务效果有限。
近年来，基于深度学习的方法在行为识别任务中取得了显著的进展。
利用深度学习模型提取特征，并通过循环神经网络（Recurrent Neural Network, RNN）、长短期记忆（Long Short-Term Memory, LSTM）等模型对时间序列数据进行建模，可以实现更精确和准确的行为识别。
行人检测和行为识别的研究对于实现智能视频监控具有重要的意义。
通过准确地检测和识别行人，可以实现实时的目标追踪、异常行为检测和行人计数等功能。
在交通管理领域，利用行人检测和行为识别可以实现交通拥堵检测、行人车辆共享等策略的智能调控。
基于深度学习的行人检测技术研究
基于深度学习的行人检测技术研究一、引言行人检测是计算机视觉领域中的重要问题之一，在很多应用场景中都有着广泛的应用，如智能交通、视频监控等领域。
传统的行人检测方法主要是基于手工特征和分类器的方法，但是这些方法具有比较大的局限性。
随着深度学习的发展，基于深度学习的行人检测技术也得到了快速的发展和普及。
本文将结合现有的研究成果，对基于深度学习的行人检测技术进行综述和研究，旨在探究深度学习在行人检测领域中的应用和优势。
二、基于深度学习的行人检测技术综述基于深度学习的行人检测技术主要包括两个方向，分别是使用传统的卷积神经网络 (CNN) 和目标检测网络，以及一些特殊设计的网络结构。
1、使用传统的卷积神经网络和目标检测网络在行人检测领域中，传统的卷积神经网络和目标检测网络主要包括 Faster R-CNN、YOLO 和 SSD 等网络模型。
其中，Faster R-CNN 是一种较为经典的基于深度学习的目标检测算法，它将卷积神经网络和目标检测网络相结合，可以实现对行人进行有效的检测。
YOLO 和 SSD 等网络模型相比较于 Faster R-CNN，具有速度快、精度高等优势。
2、使用特殊设计的网络结构在传统的网络结构基础上，为了更好地满足行人检测任务的需求，就涌现了一些特殊设计的网络结构，如 FPN、RetinaNet 和Cascade R-CNN 等。
这些网络模型主要通过在传输过程中增加一些跨层连接和多尺度特征的融合来增强行人检测的准确性和鲁棒性。
三、基于深度学习的行人检测技术研究基于深度学习的行人检测技术具有很好的准确性和鲁棒性，但是由于数据集的质量和规模差异，不同的行人检测网络模型在不同的数据集上的性能表现有所不同。
因此，在实际应用过程中需要根据具体的场景和任务需求进行选择和调整。
1、行人检测网络模型的性能比较在行人检测领域中，为了比较不同的网络模型在不同的数据集上的表现，人们通常使用 PASCAL VOC 和 COCO 数据集进行评价。
基于视频分析的行人检测与识别算法研究
基于视频分析的行人检测与识别算法研究一、引言行人检测与识别在计算机视觉和人工智能领域具有重要意义。
随着智能监控、智能驾驶等应用需求的增加，行人检测与识别算法也越来越受到研究者和工程师的关注。
本文将基于视频分析，探讨行人检测与识别算法的研究。
二、行人检测与识别技术概述1.行人检测技术行人检测是指在给定视频场景中自动识别和定位行人的过程。
传统的行人检测方法主要基于统计学习和机器学习的方法，如Haar特征和人工设计的特征。
近年来，深度学习技术的发展使得基于卷积神经网络（CNN）的行人检测方法变得更加准确和鲁棒。
2.行人识别技术行人识别是指在行人检测的基础上，对行人进行身份识别的过程。
传统的行人识别方法主要使用颜色特征、纹理特征和形状特征等手工设计的特征进行行人识别。
然而，这些方法对于不同的行人姿态、光照和遮挡问题具有较大的局限性。
近年来，深度学习技术的引入使得基于CNN的行人识别方法取得了重大突破。
三、基于视频分析的行人检测与识别算法研究1.视频数据获取与预处理为了进行行人检测与识别算法的研究，首先需要获取具有行人图像或视频的数据集。
可以采取传统的手动标注方式，也可以使用先进的行人检测算法进行自动标注。
然后需要对数据集进行预处理，包括图像增强、大小归一化等操作，以提高算法的鲁棒性。
2.行人检测算法研究在行人检测的研究中，可以使用传统的机器学习方法如SVM （支持向量机）、HOG（方向梯度直方图）等。
此外，也可以采用深度学习方法，如基于Faster R-CNN、YOLO（You Only Look Once）等的行人检测算法。
重点研究深度学习方法在行人检测中的应用效果，比较各种算法的准确性、鲁棒性和计算效率。
3.行人识别算法研究在行人识别的研究中，可以利用特征提取和匹配的方法，提取行人的表观特征并进行分类。
传统方法可以使用SIFT（尺度不变特征变换）、PCA（主成分分析）等手工设计的特征。
深度学习方法可以使用CNN进行特征学习，并使用分类模型对行人进行识别。
《基于深度学习的行人检测算法优化研究》范文
《基于深度学习的行人检测算法优化研究》篇一一、引言行人检测是计算机视觉领域的重要研究方向之一，广泛应用于智能监控、自动驾驶、智能交通系统等领域。
随着深度学习技术的不断发展，基于深度学习的行人检测算法得到了广泛关注。
然而，由于行人姿态、尺度、光照、遮挡等因素的影响，行人检测仍然面临诸多挑战。
本文旨在研究基于深度学习的行人检测算法的优化，以提高行人检测的准确性和鲁棒性。
二、相关文献综述近年来，基于深度学习的行人检测算法取得了显著的研究进展。
传统的行人检测方法主要依赖于手工设计的特征和简单的分类器，而深度学习方法的引入使得算法性能得到了大幅提升。
目前，主流的行人检测算法包括基于区域的方法、基于全局的方法以及基于多阶段的方法。
这些方法在特征提取、分类器设计等方面均取得了显著的改进。
然而，仍存在一些亟待解决的问题，如对复杂场景的适应能力、对不同尺度的处理能力等。
三、基于深度学习的行人检测算法研究本文提出一种基于深度学习的多尺度行人检测算法。
该算法采用卷积神经网络（CNN）进行特征提取，并利用多尺度特征融合策略来提高对不同尺度行人的检测能力。
具体而言，该算法包括以下几个关键步骤：1. 数据预处理：对输入图像进行归一化、去噪等预处理操作，以提高算法的鲁棒性。
2. 特征提取：采用卷积神经网络进行特征提取，提取出图像中的多尺度特征。
3. 多尺度特征融合：将不同尺度的特征进行融合，以提高对不同尺度行人的检测能力。
4. 分类与定位：通过全连接层对融合后的特征进行分类和定位，得到行人的位置信息。
四、实验设计与结果分析为了验证本文提出的算法的有效性，我们进行了大量的实验。
实验数据集包括公共数据集（如Caltech Pedestrian Dataset）和实际场景数据集。
实验结果表明，本文提出的算法在准确性和鲁棒性方面均取得了显著的提升。
具体而言，我们的算法在公共数据集上的准确率达到了95%《基于深度学习的行人检测算法优化研究》篇二一、引言随着计算机视觉技术的飞速发展，行人检测作为智能交通系统、安防监控、人机交互等领域的核心任务之一，受到了广泛关注。
基于图像识别技术的行人检测研究
基于图像识别技术的行人检测研究近年来，随着科技的不断发展，图像识别技术愈加成熟，行人检测成为其中一个重要的应用领域。
行人检测在智能监控、自动驾驶、智能安防等方面具有广泛的应用价值。
本文将探讨基于图像识别技术的行人检测研究现状以及未来的发展方向。
一、行人检测技术的现状1.传统行人检测方法传统的行人检测方法主要依赖于手工设计的特征和分类器，如Haar特征、HOG特征等。
这些特征针对行人的颜色、纹理、形状等特征进行提取，然后再通过分类器进行建模和识别。
虽然这种方法在人工检测系统中有较好的性能和效果，但是在实际应用中由于行人的特征和变化多样，以及背景噪声的影响等因素，传统的行人检测方法在准确率、鲁棒性等方面存在一定的问题。
2.深度学习技术随着深度学习技术的兴起，基于深度神经网络的行人检测方法的准确率和鲁棒性得到了很大的提高。
目前，最常用的深度学习模型是卷积神经网络（CNN）。
卷积神经网络通过多次卷积运算和池化运算提取图像中的特征，并采用softmax分类器对图像进行分类。
深度学习技术在行人检测领域的应用取得了显著的成果，已经成为当前行人检测技术研究的主流方向。
二、基于图像识别技术的行人检测发展方向1.多模态融合技术当前，行人检测技术主要依靠视觉传感器，如摄像头等。
但是在实际应用中，行人检测存在一些限制，如光照、天气等环境因素的影响。
为了克服这些问题，多模态融合技术或许是一个有前途的方向，它可以通过融合不同的传感器数据，提高行人检测的准确率和鲁棒性。
例如，可以将视觉传感器和雷达传感器融合，通过多源数据的融合提高行人检测的鲁棒性。
2.端到端的训练方法目前的行人检测技术主要采用分阶段训练法，即首先利用CNN网络进行特征提取，然后通过SVM等分类器进行分类。
这种方法需要手动设计多个模块，并分别进行训练，难度较大。
因此，端到端的训练方法也成为研究热点之一。
端到端的训练方法是将特征提取和分类器直接结合为一个神经网络，自动完成特征提取和分类任务，并可以通过梯度下降法进行联合优化。
基于图像处理的行人检测与行人行为分析研究
基于图像处理的行人检测与行人行为分析研究行人检测和行人行为分析是计算机视觉领域的重要研究方向，通过利用图像处理技术，可以实现对行人的自动检测和行为分析。
本文将介绍基于图像处理的行人检测与行人行为分析的研究进展及应用场景。
首先，行人检测是指通过图像处理技术来自动识别图像中的行人目标。
行人检测在许多应用中起着重要作用，如智能监控、交通管理和智能驾驶等。
目前，行人检测的方法主要包括传统的特征提取算法和基于深度学习的算法。
传统的行人检测方法通常基于局部特征和全局特征的融合。
例如，一种常用的方法是利用Haar特征和AdaBoost分类器来进行行人检测。
该方法通过训练分类器来学习行人和非行人的特征，然后在测试阶段使用分类器来判断图像中的目标是否为行人。
但是传统方法在复杂场景下的检测性能较差，检测准确率和鲁棒性有限。
基于深度学习的行人检测方法近年来取得了显著的进展。
深度学习模型，如卷积神经网络（CNN），通过大规模数据集的训练可以有效地提取图像中的特征。
一种常用的深度学习模型是基于区域的卷积神经网络（R-CNN），它将图像划分为多个候选框，然后对每个候选框进行特征提取和分类。
此外，还有一些改进的深度学习模型，如快速区域卷积神经网络（Fast R-CNN）和区域卷积神经网络（Faster R-CNN），进一步提高了行人检测的性能和效率。
除了行人检测，行人行为分析是对行人动作、姿态和行为模式的研究和分析。
行人行为分析可以应用于视频监控、智能交通以及异常检测等领域。
行人行为分析的方法主要包括姿态估计、行人跟踪和行为识别。
姿态估计是对行人的姿态和动作进行估计和分析。
传统的姿态估计方法通常基于人工设计的特征和机器学习算法，如支持向量机（SVM）和条件随机场（CRF）。
近年来，深度学习方法在姿态估计中取得了较好的效果，如使用卷积神经网络进行姿态回归。
行人跟踪是指对视频序列中的行人目标进行连续追踪和定位。
行人跟踪的方法主要包括基于特征的跟踪和基于深度学习的跟踪。
《城市街道场景的行人检测研究》范文
《城市街道场景的行人检测研究》篇一一、引言随着城市交通的日益繁忙和智能交通系统的快速发展，行人检测技术在城市街道场景中显得尤为重要。
本文旨在探讨城市街道场景下的行人检测技术，分析其研究背景、意义及现状，以期为智能交通系统的发展提供有益的参考。
二、研究背景及意义行人检测作为智能交通系统的重要组成部分，其作用在于提高行车安全性、降低交通事故率、保护行人权益等方面具有重要意义。
城市街道场景因其复杂性、动态性等特点，对行人检测技术提出了更高的要求。
因此，研究城市街道场景的行人检测技术，对于推动智能交通系统的发展、提高城市交通安全水平具有十分重要的意义。
三、国内外研究现状目前，国内外学者在行人检测领域进行了大量研究。
传统的行人检测方法主要基于图像处理和计算机视觉技术，如基于特征提取、模板匹配等方法。
然而，这些方法在复杂多变的城市街道场景中往往难以取得理想的检测效果。
近年来，随着深度学习技术的发展，基于深度学习的行人检测方法逐渐成为研究热点。
这些方法通过训练大量的数据，可以自动提取图像中的特征信息，有效提高行人检测的准确性和鲁棒性。
然而，仍存在诸多挑战和问题亟待解决，如算法计算效率、检测准确率、对不同光照和天气条件的适应性等。
四、研究内容与方法本研究以城市街道场景为研究对象，采用基于深度学习的行人检测方法。
首先，收集大量的城市街道场景图像数据，包括不同光照、天气、背景等条件下的图像。
其次，利用深度学习算法训练行人检测模型，如卷积神经网络（CNN）等。
在训练过程中，通过调整模型参数、优化网络结构等方法，提高模型的检测准确性和鲁棒性。
最后，对训练好的模型进行测试和评估，分析其在不同场景下的性能表现。
五、实验结果与分析通过实验测试，我们发现基于深度学习的行人检测方法在城市街道场景中取得了显著的成果。
模型在各种光照、天气和背景条件下均能实现较高的检测准确率和鲁棒性。
然而，仍存在一些挑战和问题需要解决。
例如，在行人密集、遮挡严重等复杂场景下，模型的检测准确率有待进一步提高。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
1绪论1.1 研究背景在信息高速发展的今天，几乎所有领域都离不开计算机，在满足人们的习惯方式和生活习惯下，让计算机进行很好的通信，是计算机智能的一个必备的条件。
其中，计算机智能视觉是其应用的重要方向，它是研究使用各种成像输入设备替换人类视觉器官的领域叫智能视觉，并使用智能设备来替代人们完成识别和分析。
让智能设备能够像人类一样观察和理解是人们研究计算机视觉，而且智能设备还能随着环境的变化而做出相应的改变。
行人检测是计算机视觉的一个具体表现形式，并应用在以下方面：智能监控目前，为了防止财产安全和留下有效的证据，大部分的公众场所都装备了摄像监控设备。
但是，这些监控设备大部分还是有专人进行的查看的，这会导致以下问题的出现，一方面长时间的监控，监控人员很可能出现疲惫，可能导致某些重要信息的遗漏，另一方面不能充分的把监控信息利用起来。
然而人工的不足可以利用行人检测相关技术很好的解决，这样不仅可以减少各种资源的投入，又可以让监控的精确度得到很好的改善，当遇到紧急情况有可以及时预警。
车辆辅助系统随着社会的发展，人民的经济水平不断提高，汽车逐渐走入了千家万户，然而汽车数量的急剧增长也导致了频繁的交通事故，无情的夺去了人们的生命财产安全。
如果我们将行人检测系统加入到汽车控制系统中，这样在行驶过程中车辆附近的人们可以被识别出来，极大了避免的交通事故的发生。
这样不仅可以有效的降低交通事故，而且这也可以带来汽车行业的革命式变化。
实际上，现在有许多公司已经研制出了无人驾驶的汽车，这些车的使用都需要行人检测技术，当然现在的能智能还没进入市场，目前还在试验当中。
高级人机接口在21世纪，计算机技术得到了迅猛发展，并且愈加趋于智能化的特点，极大地改变了我们的生活方式。
我们不仅要求计算机能够快速准确的接收到外界输入的信息，而且能够高效地对信息进行处理并得到最合适的输出信息，作出的相应的反应。
人脸识别技术和物体检测技术的发展，可以很好的帮助计算机去获取和处理外界的信息。
这不仅需要良好的智能设备，同时也需要行人检测技术去协助完成。
1.2 研究现状行人检测在汽车领域具有很大的应用前景，近年来是模式识别领域研究的热点课题方向之一。
并且国内外也有了很多了研究成果，如由本田公司研发的基于红外摄像机的行人检测系统[1]；CMU[2]、MIT[3]等国外的大学在这方面取得了很大的进步，清华大学[4]等也进行了相关方面的研究。
行人检测技术实际上为图像处理技术的分支，其核心思想就是利用计算机视觉技术和数字图像处理技术，去分析监控设备获取的信息，分析处理行人的行为。
行人检测的成功开发具有很大的应用前景，可以在各个领域得到发展。
而且由于检测的行人外形不同，加上周围的复杂混乱的环境，给行人检测系统的运行带来了很大的挑战。
早期的行人检测以静态图像处理中的分割、边缘提取、运动检测等方法为主。
例如：（1）以Gavrila为代表的全局模板方法[5]；（2）以Broggi为代表的局部模板方法[6]；（3）以Lipton为代表的光流检测方法[7]；（4）以Heisele为代表的运动检测方法[8]；（5）以Wohler为代表的神经网络方法[9]；但是这些方法的检测速度很慢，而且普遍存在着误报、漏检率高的特点。
行人检测的现状：大体可以分为两类：（1）基于背景建模的方法：分割出前景，提取运动目标，在进一步提取特征，分类判别。
然而这个方法构建了很复杂的模型，因此系统很容易受到干扰。
（2）基于统计学习的方法：根据大量训练样本来构建行人检测分类器，提取样本的特征，一般分类器包括SVM[10]，AdaBoost[11]。
目前，基于学习的行人检测方法得到了很大的发展，如基于AdaBoost、基于SVM、基于HOG等行人检测方法。
首先，这些方法都是学习正样本和负样本的变化，再根据大量的训练样本对不同的特征进行分类，因此，基于统计学习的方法有广泛的适用性。
在行人检测系统中，目标识别和ROIs分割是两个重要的部分。
目标识别依据监测信息的不同分为基于形状的方法和基于运动的方法。
ROIs分割可分为基于运动、基于距离、基于图像特征和基于摄像机参数四种方法。
在具体操作中，一般将这四种方法综合起来使用，能取得更好的结果。
1.3研究难点目前行人检测技术面临着如下的技术难点:（a）每个人都有各自的姿态，着装各异；（b）特征空间的待提取的特征分布不集中；（c）受训练的样本变化大，造成系统分类效果的好坏；（d）受训练的样本很难包含各种复杂的真实环境；现在的行人检测技术正处于发展的关键时期，已经取得了一些可喜的进步，但许多难点问题急待解决。
在一些环境背景良好的情况下，行人检测算法检测效果很好，但是实际中很多环境是很复杂的，检测的效果并不能满足要求。
另外，检测时会有延时也降低了系统的实用性，而且目前还缺乏标准的测试方法和数据库的建立。
1.4本文研究的主要内容首先，本文简要地介绍了目前的各种算法，并相互对比，指出其中的优点和存在的问题。
其次，介绍本文研究的重要算法HOG算法原理，并进行改进，并比较改进前后，算法性能的变化。
最后，本文提出HOG+SVM算法，通过将现有的HOG算法和SVM 分类器，巧妙的将两者结合改进，使之满足各种复杂条件。
本文的创新之处在于，通过将HOG和SVM算法结合并加以改进，使检测效率大大提高，并且实时性更强。
本文结构：第一章是绪论，介绍了行人检测的背景和意义，并阐述了其研究现状，给出了本文的研究内容；第二章详细介绍了行人检测主要算法，并相互比较，得到其中的优缺点；第三章主要介绍HOG算法原理以及该算法的优缺点；第四章研究了基于HOG和SVM 算法的行人检测算法，并进行了改进得到试验结果，详细分析后得到结论；第五章主要是对本文研究的总结以及未来技术发展的展望。
2 行人检测主要方法介绍及比较2.1 引言目前，随着智能交通的发展，行人检测这方面的算法的研究也在不断的深入，每年都会涌现出很多优秀的文论，有的是对行人检测进行全新的研究，或者是对原有算法进行深入的改善，提高检测的准确度以及检测的速度，加快了行人检测的实用化进程。
以下是对两类算法的详细介绍：第一类为基于特征的算法。
在将矩形框范围内的行人作为一个整体的前提下，它的关键在于找到能够代表框内行人的特征信号参数，然后利用机器学习算法将这种参数进行分类，这样就可以区分行人和非行人，达到识别的目的。
从这个过程中，我们可以知道基于特征的算法分为分类器的学习和特征的提取，所以一个好的特征提取算法变得很重要。
比如HOG特征、wavelet特征、shapelet特征，LBP等。
该类方法的实现的算法比较简单，架构容易，当使用不同特征方法时，也不用更改原来的架构，且易于实现。
然而能够使用分类效果好的特征，就可以很好地从被检测目标很好的检测出行人目标。
前面我们提到行人都有各自的特点，所以目前很难找到一个完美的算法来描述行人的特征。
尤其是在行人行走过程中，行人的姿势不断变化、监控设备的视角也在变化、同时行人也会被其他物体遮掩。
现在的所有特征参数不能取得很好的效果。
目前，被研究人员认为最稳定的特征是行人的轮廓，因此很多研究人员都将重点放在了提取行人的轮廓信息。
第二类为基于多部位的方法，就是分别取检测人的各个部位，然后综合起来判断是否是行人。
通过一定的算法，来分析各个部位的关系，从而判断是否为行人目标。
当行人在行走过程中发生部分遮掩，使用该类方法能够很好的解决，而且处理效果要比第一类方法好许多。
但是，该类方法的核心在于，如何通过一个有效的机制，将各部分的检测结果合成一个整体，来判断是否为检测的目标。
受到人脸识别的启发，将人脸的正侧面分别作为训练样本，减少类内差别，可以使训练难度降低。
在这里，我们可以将行人分为正面和侧面，按照类似的处理方法，同样得到了一定的成果。
但是，在无形之中需要增加很多的训练样本值，使得工作量变大很多。
但是处理效果很好。
2.2 基于特征的方法2.2.1 wavelet特征在1997年，机器学习的思想被Oren[18]第一次引进到行人检测领域，该方法的大致是通过大量的训练样本，然后对样本进行学习，形成合适的模型，使得机器能够通过自动学习来建立模型。
这种方法使行人检测取得了很大的突破，开创了行人检测的新局面。
但是随着时间的变化，行人检测的技术在不断的发展，该算法的效果并不能满足人们的要求。
理解它，可以帮助我们很好的学习后续的复杂的算法。
该方法的提出主要有以下的贡献：第一，该方法实验结果表明，在行人检测领域引入机器学习是很有必要的通过吧一些简单的特征进行分类训练，然后加以分类是一个很好的方案。
第二，该方法对负样本的规范定义，在Oren提出该方法之前，负样本还没用统一的标准。
如何选取准确的负样本，是许多研究人员关心的问题，但是一直都没有找到很好的方案。
由于这种方法的出现，负样本的训练对系统的益处大大地增加。
在此之后，许多研究人员沿着这一方向继续研究，并出现了新算法。
2.2.2 Adaboost 算法Adaboost算法是通过改变数据的分布实现的，是一种迭代算法。
在每次进行训练之前，都会对之前所有训练的样本进行初始化权重，判断上一轮分类器的总体准确率。
在对样本就行训练时，对完全能够准确分类的样本，就降低它的权值。
在下一轮训练时，被选中的概率就会降低。
与之相反的是，如果被判断错误的分类样本，在下一次训练时，被选中作为样本的概率就会变大。
这样，在每次训练时，都会训练上一次被判断为错误分类的样本，学习了正确的样本。
最终由各个弱分类器级联成强分类器。
Adaboost算法不仅有计算效率高，弱分类器的兼容性好、参数少等特点被广泛应用。
2.2.3 shapelet特征该算法是基于boosting算法进行两次处理。
第一次提取一些简单的的特征，然后对提取出的特征进行训练，将训练的结果进行加权，得到shapelet。
接下来第二次，是将得到的shapelet通过训练器再进行训练，得到最终的训练分类器。
该算法的优点在于，通过简单的特征作为基础，通过学习、训练得到比较好的训练分类器。
因此该算法的性能比较良好，在检测效率上，shapelet也高于与之相似的edgelet算法，应用也很广泛。
2.3 基于多部位的方法2.3.1自适应组合分类器首先，该算法将人分为头肩、左肩、右肩和下半身四个部分，然后利用算法分别训练出每个部位的模型，得到各自的分类器。
该算法使用了基于小波的算法，但是特征的维数更高，因此性能也有了一定的提升。
然后将这四个分类器的参数作为最终分类器的参数输入，利用算法再做训练，得到最终分类器的模型。
需要指出的是，必须在一定范围内对四个部位的分类器进行搜索，得到最优的返回值。
2.3.2 基于贝叶斯推断的组合算法基于贝叶斯推断的方法是由Bo Wu从概率角度出发提出的，然后通过一系列计算，得到最大概率解。