行人检测综述.
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。
行人检测介绍
一阶偏导的有限 差分来计算梯度 的幅值和方向
1 H1 1 1 (m, n) 2 m, n
2 (m, n) 12 (m, n) 2 (m, n) 中心像素。 C与沿着 值th1和th2，两者关系 th1=0.4th2 (m, n) 我们把梯度值小于 arctan 2 梯度线的两个像 th1的像素的灰 1 (m, n)
检 测
特 征 提 取
融 检合 测多 结尺 果度 上 的
检 测 结 果
避免多尺度扫描
ROI
感 兴 趣 区 域 分 割
区 域 特 征 提 取
分 类 决 策
检 测 结 果
优点：检测速度快 缺点：检测效果不如滑动窗口法，容易漏检
图像分割
Prewitt算子 基于边缘的方法 Sobel算子 Canny算子
边缘走向，像 素值幅度变化 平缓，垂直变 化剧烈，所以 边缘上像素值 一阶导数较大， 二阶导数在边 缘处值为0， 呈现零交叉
均值聚类分割效果
HOG特征
输入图像
I ( x, y) I ( x, y) gamma
对图像对比 度进行调节 Gamma 归一化
计算梯度 在每个cell中将梯 度投影到梯度方向 将cells在block内 归一化 HOG特征是通过计 算图像局部区域的 梯度方向直方图来 构建行人特征
谢谢
对非极大值抑制图像作用两个阈
1 1 1 H2 1 1 1 f (m, n) H1 x, y f (m, n) H 2 (m, n)
对梯度幅值进行 非极大值抑制
双阈值法检测和 连接边缘
素相比，若C的梯 度值设为0，得到图像1。然后把 度值不比dTmp1 梯度值小于th2的像素的灰度值设 和dTmp2 为0，得到图像2。由于图像 2的阈 大，则 dTm p 1 g 令其灰度值为0 g 值较高，去除大部分噪音，但同 时也损失了有用的边缘信息。而 图像1的阈值较低，保留了较多的 C 信息，我们可以以图像2为基础， 以图像1为补充来连结图像的边缘。
《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。
《2024年基于深度学习的行人检测》范文
《基于深度学习的行人检测》篇一一、引言行人检测是计算机视觉领域的一个重要研究方向，其广泛应用于智能监控、自动驾驶、机器人导航等领域。
近年来，随着深度学习技术的快速发展，基于深度学习的行人检测方法逐渐成为研究热点。
本文将介绍基于深度学习的行人检测的背景和意义，分析当前的研究现状和存在的问题，并提出一种高质量的解决方案。
二、行人检测的研究现状与挑战目前，基于深度学习的行人检测方法已经取得了显著的成果。
然而，在实际应用中仍面临诸多挑战。
首先，行人的姿态、尺度、遮挡等变化多样，导致检测难度较大。
其次，复杂的环境因素如光照、阴影、背景噪声等也会影响检测效果。
此外，实时性要求较高，需要算法在保证准确性的同时，尽可能提高检测速度。
三、高质量的行人检测解决方案针对上述挑战，本文提出一种基于深度学习的行人检测的高质量解决方案。
该方案主要包括以下几个部分：1. 数据集的构建与处理首先，需要构建一个大规模、多样化的行人检测数据集。
数据集应包含不同姿态、尺度、遮挡等情况的行人样本，以及各种环境因素下的图像。
然后，对数据进行预处理，包括归一化、标注等操作，以便于模型的学习和训练。
2. 深度学习模型的构建针对行人检测任务，本文采用卷积神经网络（CNN）作为特征提取器，结合支持向量机（SVM）或回归模型等分类器进行训练。
在模型构建过程中，需要设计合适的网络结构、损失函数和优化算法等，以提高模型的准确性和实时性。
3. 模型训练与优化在模型训练过程中，采用大量的训练样本进行训练，并通过调整超参数、使用数据增强等技术来提高模型的泛化能力。
同时，采用在线学习、离线学习等方式进行模型的持续优化和更新。
4. 算法的实时性与准确性优化为了提高算法的实时性和准确性，本文采用多尺度特征融合、硬负样本挖掘等技术。
多尺度特征融合可以充分利用不同尺度的特征信息，提高对行人的检测能力；硬负样本挖掘则可以有效地解决正负样本不平衡的问题，提高模型的鲁棒性。
《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。
《2024年基于深度学习的行人检测》范文
《基于深度学习的行人检测》篇一一、引言行人检测是计算机视觉领域的一个重要研究方向，其广泛应用于智能监控、自动驾驶、机器人导航等领域。
近年来，随着深度学习技术的快速发展，基于深度学习的行人检测方法取得了显著的成果。
本文将首先介绍行人检测的重要性，然后概述基于深度学习的行人检测的现有研究，并探讨其面临的挑战，最后提出一种高质量的基于深度学习的行人检测解决方案。
二、行人检测的重要性行人检测是计算机视觉中的一项关键任务，它涉及到对图像或视频中行人的识别和定位。
在智能监控、自动驾驶、机器人导航等领域，行人检测具有非常重要的应用价值。
例如，在智能监控中，行人检测可以帮助实现异常行为检测、人群计数等功能；在自动驾驶中，行人检测可以确保车辆在行驶过程中能够及时发现并避免与行人发生碰撞，提高行车安全性。
三、基于深度学习的行人检测研究现状基于深度学习的行人检测方法已经成为当前的研究热点。
通过构建深度神经网络，可以自动学习图像中的特征表示，从而提高行人检测的准确性和鲁棒性。
目前，主流的行人检测方法包括基于区域的方法、基于全局的方法以及基于多尺度融合的方法等。
这些方法在不同场景下表现出不同的优势和局限性。
四、基于深度学习的行人检测面临的挑战尽管基于深度学习的行人检测取得了显著的成果，但仍面临一些挑战。
首先，行人的姿态、尺度、遮挡等问题使得检测难度增加。
其次，不同场景下的光照、背景等因素也会影响行人检测的准确性。
此外，实时性要求也是行人检测中的一个重要挑战。
五、高质量的基于深度学习的行人检测解决方案针对上述挑战，本文提出一种高质量的基于深度学习的行人检测解决方案。
首先，采用先进的深度神经网络模型，如卷积神经网络（CNN）和残差网络（ResNet）等，以提取图像中的特征表示。
其次，利用多尺度融合的方法来应对行人的不同尺度和姿态问题。
此外，通过引入注意力机制和上下文信息等方法，提高模型对行人的鲁棒性。
在训练过程中，采用数据增强技术来扩充训练数据集，以提高模型的泛化能力。
《2024年基于深度学习的行人检测》范文
《基于深度学习的行人检测》篇一一、引言随着科技的不断进步，人工智能领域已经取得了显著的发展。
在众多人工智能的分支中，行人检测是计算机视觉的一个重要研究方向。
本文旨在探讨基于深度学习的行人检测技术，以及其在智能监控和自动驾驶等领域的应用前景。
二、行人检测技术概述行人检测是指利用计算机视觉技术，从图像或视频中检测出行人的过程。
传统的行人检测方法主要依赖于特征提取和分类器设计，如HOG（Histogram of Oriented Gradients）特征与支持向量机（SVM）的组合。
然而，这些方法在复杂环境下的行人检测效果并不理想。
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。
三、深度学习在行人检测中的应用深度学习通过模拟人脑神经网络的工作方式，能够从大量数据中自动学习出有效的特征表示。
在行人检测中，深度学习主要通过卷积神经网络（CNN）实现。
CNN能够自动提取图像中的特征，从而实现对行人的有效检测。
1. 卷积神经网络：CNN通过卷积层、池化层等结构，从原始图像中提取出对行人检测有用的特征。
这些特征可以是行人的形状、轮廓、纹理等信息。
2. 目标检测算法：基于深度学习的目标检测算法，如Faster R-CNN、YOLO（You Only Look Once）等，可以在图像中准确地定位出行人的位置。
3. 深度学习模型的训练与优化：通过大量的训练数据和优化算法，可以不断提高模型的检测精度和鲁棒性。
四、行人检测在智能监控与自动驾驶中的应用1. 智能监控：行人检测技术可以应用于智能监控系统中，实现对公共场所的实时监控和安全管理。
当系统检测到异常行为或危险情况时，可以及时报警并采取相应措施。
2. 自动驾驶：行人检测是自动驾驶系统中的关键技术之一。
通过实时检测道路上的行人，可以确保车辆在行驶过程中避免与行人发生碰撞，从而提高驾驶安全性。
五、未来展望随着深度学习技术的不断发展，行人检测技术将更加成熟和可靠。
行人轨迹预测 综述
行人轨迹预测综述全文共四篇示例，供读者参考第一篇示例：行人轨迹预测是计算机视觉领域中一个重要的研究方向，其目的是根据行人的历史轨迹数据预测其未来的移动路径。
行人轨迹预测技术在实际场景中有着广泛的应用，比如智能交通系统、人机交互、自动驾驶等领域。
本文将综述当前行人轨迹预测的研究现状，以及存在的挑战和未来发展方向。
一、行人轨迹预测的意义与挑战行人轨迹预测对于实现智能交通系统、提高人机交互体验、促进自动驾驶技术的发展具有重要意义。
通过对行人的轨迹进行准确预测，可以有效地提高交通系统的效率和安全性，避免交通事故的发生。
行人轨迹预测还可以帮助机器人等智能设备更好地理解人类行为，提升其与人类的交互效果。
行人轨迹预测面临着许多挑战。
行人的移动行为受到多种因素的影响，如环境、社会文化等，预测其轨迹具有一定的复杂性。
行人轨迹数据通常存在不确定性和噪声，如何准确地处理这些数据成为了挑战。
行人轨迹预测需要考虑多个相互作用的行人之间的关系，这增加了预测的难度。
当前，行人轨迹预测的方法主要分为基于规则的方法和基于数据驱动的方法两种。
基于规则的方法通常依靠人类对移动行为的理解和经验知识进行轨迹预测，但其准确性受到限制。
而基于数据驱动的方法则通过机器学习和深度学习等技术从历史轨迹数据中学习行人的移动模式，预测其未来的轨迹。
在基于数据驱动的方法中，常用的技术包括循环神经网络（RNN）、长短时记忆网络（LSTM）、卷积神经网络（CNN）等。
这些技术可以有效地捕捉行人之间的时空关系，提高轨迹预测的准确性。
一些研究者还提出了结合强化学习、注意力机制等技术的方法，进一步提升了行人轨迹预测的性能。
未来，随着深度学习等技术的不断发展和应用，行人轨迹预测的性能将进一步提升。
可以预见的是，行人轨迹预测技术将与智能交通系统、自动驾驶、智能家居等技术相结合，共同推动智能化社会的建设。
值得期待的是，行人轨迹预测技术将在未来的生活中发挥越来越重要的作用，为人类提供更加便捷、安全和智能的生活方式。
- 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)。
最近一直在看行人检测的论文，对目前的行人检测做大概的介绍。
行人检测具有极其广泛的应用：智能辅助驾驶，智能监控，行人分析以及智能机器人等领域。
从2005年以来行人检测进入了一个快速的发展阶段，但是也存在很多问题还有待解决，个人觉得主要还是在性能和速度方面还不能达到一个权衡。
1.行人检测的现状（大概可以分为两类）（1）.基于背景建模：利用背景建模方法，提取出前景运动的目标，在目标区域内进行特征提取，然后利用分类器进行分类，判断是否包含行人；背景建模目前主要存在的问题：(背景建模的方法总结可以参考我的前一篇博文介绍）（前景目标检测总结）∙必须适应环境的变化（比如光照的变化造成图像色度的变化）；∙相机抖动引起画面的抖动(比如手持相机拍照时候的移动)；∙图像中密集出现的物体（比如树叶或树干等密集出现的物体，要正确的检测出来）；∙必须能够正确的检测出背景物体的改变（比如新停下的车必须及时的归为背景物体，而有静止开始移动的物体也需要及时的检测出来）。
∙物体检测中往往会出现Ghost区域，Ghost区域也就是指当一个原本静止的物体开始运动，背静差检测算法可能会将原来该物体所覆盖的区域错误的检测为运动的，这块区域就成为Ghost，当然原来运动的物体变为静止的也会引入Ghost区域，Ghost区域在检测中必须被尽快的消除。
（2）.基于统计学习的方法：这也是目前行人检测最常用的方法，根据大量的样本构建行人检测分类器。
提取的特征主要有目标的灰度、边缘、纹理、颜色、梯度直方图等信息。
分类器主要包括神经网络、SVM、adaboost以及现在被计算机视觉视为宠儿的深度学习。
统计学习目前存在的难点：（a）行人的姿态、服饰各不相同、复杂的背景、不同的行人尺度以及不同的关照环境。
（b）提取的特征在特征空间中的分布不够紧凑；（c）分类器的性能受训练样本的影响较大；（d）离线训练时的负样本无法涵盖所有真实应用场景的情况；目前的行人检测基本上都是基于法国研究人员Dalal在2005的CVPR发表的HOG+SVM的行人检测算法(Histograms of Oriented Gradients for Human Detection, Navneet Dalel,Bill Triggs, CVPR2005)。
HOG+SVM作为经典算法也别集成到opencv里面去了，可以直接调用实现行人检测为了解决速度问题可以采用背景差分法的统计学习行人检测，前提是背景建模的方法足够有效（即效果好速度快），目前获得比较好的检测效果的方法通常采用多特征融合的方法以及级联分类器。
（常用的特征有Harry-like、Hog特征、LBP特征、Edgelet 特征、CSS特征、COV特征、积分通道特征以及CENTRIST特征。
2.行人检测综述性文章[1] D. Geronimo, and A. M.Lopez. Vision-based Pedestrian Protection Systems for Intelligent Vehicles, BOOK, 2014.[2] P.Dollar, C. Wojek,B. Schiele, et al. Pedestrian detection: an evaluation of the state of the art [J]. IEEE Transactions on PatternAnalysis andMachine Intelligence, 2012, 34(4): 743-761.[3]苏松志, 李绍滋, 陈淑媛等. 行人检测技术综述[J]. 电子学报, 2012, 40(4):814-820.[4]M. Enzweiler, and D.Gavrila. Monocular pedestrian detection: survey and experiments [J]. IEEE Transactions on Pattern Analysis andMachine Intelligence, 2009, 31(12): 2179-2195.[5] D. Geronimo, A. M.Lopez and A. D. Sappa, et al. Survey of pedestrian detection for advanced driverassistance systems [J]. IEEE Transactionson Pattern Analysis and Machine Intelligence, 2010, 32(7): 1239-1258.[6]贾慧星, 章毓晋.车辆辅助驾驶系统中基于计算机视觉的行人检测研究综述[J], 自动化学报, 2007, 33(1): 84-90.[7]许言午, 曹先彬,乔红. 行人检测系统研究新进展及关键技术展望[J], 电子学报, 2008, 36(5): 368-376.[8]杜友田; 陈峰;徐文立; 李永彬;基于视觉的人的运动识别综述, 电子学报, 2007. 35(1): 84-90.[9]朱文佳. 基于机器学习的行人检测关键技术研究[D]. 第一章, 硕士学位论文, 上海交通大学. 2008. 指导教师: 戚飞虎.最新论文2014_ITS_Toward real-time pedestrian detection based on a deformable template model2014_PAMI_Scene-specific pedestrian detection for static video surveillance2014_CVPR_Pedestrian Detection in Low-resolution Imagery by LearningMulti-scale Intrinsic Motion Structures (MIMS)2014_CVPR_Switchable Deep Network for Pedestrian Detection2014_CVPR_Informed Haar-like Features Improve Pedestrian Detection2014_CVPR_Word Channel Based Multiscale Pedestrian Detection Without Image Resizing and Using Only One Classifier2013_BMVC_Surveillance camera autocalibration based on pedestrian height distribution2013_Virtual and real world adaptation for pedestrian detection2013_Search space reduction in pedestrian detection for driver assistance system based on projective geometry2013_CVPR_Robust Multi-Resolution Pedestrian Detection in Traffic Scenes2013_CVPR_Optimized Pedestrian Detection for Multiple and Occluded People 2013_CVPR_Pedestrian Detection with Unsupervised and Multi-Stage Feature Learning2013_CVPR_Single-Pedestrian Detection aided by Multi-pedestrian Detection 2013_CVPR_Modeling Mutual Visibility Relationship in Pedestrian Detection 2013_CVPR_Local Fisher Discriminant Analysis for Pedestrian Re-identification3.行人检测source code1. INRIA Object detection and Localization Toolkit, Dalal于2005年提出了基于HOG特征的行人检测方法，行人检测领域中的经典文章之一。
HOG特征目前也被用在其他的目标检测与识别、图像检索和跟踪等领域中。
2. Real-time Pedestrian Detection. Jianxin Wu实现的快速行人检测方法。
3. Hough Transfom for Pedestrian Detection. Olga Barinova, CVPR 2010 Paper: On detection of multiple object instances using Hough Transforms4. HIKSVM, HOG+LBP+HIKSVM, 行人检测的经典方法.5. GroundHOG, GPU-based Object Detection with Geometric Constraints, In: ICVS, 2011. CUDA版本的HOG+SVM, video.6. 100FPS_PDS, Pedestrian detection at 100 frames per second, R. Benenson. CVPR, 2012. 实时的(⊙o⊙)哦。
Real-time!!!7. POM: Probabilistic Occupancy Map. Multiple camera pedestrian detection.8. Pitor Dollar Detector. Integral Channel Feature + 多尺度特征近似+多特征融合. Real-Time!4.行人检测DataSetsMIT数据库该数据库为较早公开的行人数据库，共924张行人图片（ppm格式，宽高为64x128），肩到脚的距离约80象素。
该数据库只含正面和背面两个视角，无负样本，未区分训练集和测试集。
Dalal等采用“HOG+SVM”，在该数据库上的检测准确率接近100%。
INRIA数据库该数据库是目前使用最多的静态行人检测数据库，提供原始图片及相应的标注文件。
训练集有正样本614张（包含2416个行人），负样本1218张；测试集有正样本288张（包含1126个行人），负样本453张。
图片中人体大部分为站立姿势且高度大于100个象素，部分标注可能不正确。