首页 > 代码库 > 行人检测3(行人检测最新论文简介)

行人检测3(行人检测最新论文简介)

序号

文章简介

论文

出处

0

2012年PAMI登的行人检测的综述性文章:

pedestrian detection an evaluation of the state of the art

作者:Piotr Dollar

文中对比了很多最新的行人检测的算法。这篇论文简称为PAMI2012

pedestrian detection an evaluation of the state of the art

 

1

PAMI2012综述文章中,排名第一的算法:

New Features and Insights for Pedestrian Detection

文中使用改进的HOG,即HOF和CSS(color self similarity)特征,使用HIK SVM分类器。

本文的作者是德国人:Stefen Walk。目前Stefan Walk在苏黎世联邦理工大学任教。

New features and insights for pedestrian detection

 

https://www.d2.mpi-inf.mpg.de/CVPR10Pedestrians

 

2

PAMI2012综述文章中,排名第2的算法:

加州理工学院2009年行人检测的文章:Integral Channel Features(积分通道特征)

这篇文章与2012年PAMI综述文章是同一作者。

作者:Piotr Dollar

 

Integral channel features

 

 

 

http://www.vision.caltech.edu/Image_Datasets/CaltechPedestrians/

各种行人检测的库和演示代码

Matlab代码中包含完整的训练和测试的算法源码。压缩包里面的代码包含了作者几乎所有论文中讲到的算法,其中,作者最新的PAMI2014论文的代码也包含在这个压缩包里面。

3

PAMI2012综述文章中,排名第3的算法

The Fastest Pedestrian Detector in the West

这篇文章与2012年PAMI综述文章是同一作者。

作者:Piotr Dollar

The Fastest Pedestrian Detector in the West

文章作者的主页:

http://vision.ucsd.edu/~pdollar/research.html

文章中算的matlab代码下载页面:

http://vision.ucsd.edu/~pdollar/toolbox/doc/index.html

4

 

作者Piotr Dollar于2009年写的行人检测的文章

Pedestrian Detection A Benchmark .

 

5

CVPR2008:

A Discriminatively Trained, Multiscale, Deformable Part Model

 

PAMI2010:

Object Detection with Discriminatively Trained Part Based Models

 

CVPR2010:

Cascade Object Detection with Deformable Part Models

 

以上三篇文章,都是作者研究DPM算法做目标检测的文章,有源代码可以下载。在PAMI2012综述文章中,没有提及这个算法,不知道什么原因。

A Discriminatively Trained, Multiscale, Deformable Part Model

 

Object Detection with Discriminatively Trained Part Based Models

 

Cascade Object Detection with Deformable Part Models

 

作者的个人主页:

http://cs.brown.edu/~pff/papers/

6

IJCV2014年的文章,利用DPM模型,检测粘连情况很严重的行人,效果很好。

Detection and Tracking of Occluded People

目前找不到该论文相关的源码。

7

ICCV2013:

简 称UDN算法,从文中描述的检测效果来看,该方法是所有方法中最好的,并且,效果远超过其他方法。经过对论文和该算法源码的研究,该算法是与作者另外一篇 论文的方法 ,另外的论文算法做图片扫描,得到矩形框,然后用该方法对矩形框进行进一步确认,以及降低误警率和漏警率。另外的论文是:Multi-Stage Contextual Deep Learning for Pedestrian Detection

 

说得难听一点,这篇文章对行人检测没有多大的贡献。仅仅是用深度学习的CNN做candidate window的确认。而主要的行人检测的算法还是HOG+CSS+adaboost

Joint Deep Learning for Pedestrian Detection

 

Multi-Stage Contextual Deep Learning for Pedestrian Detection

 

 

香港中文大学,Joint Deep Learning for Pedestrian Detection,行人检测论文的相关资源:

http://www.ee.cuhk.edu.hk/~wlouyang/projects/ouyangWiccv13Joint/index.html

8

ECCV2010年的论文:

Multiresolution models for object detection

文中描述的算法效果相当好,但是,作者没有公布源码。不知道论文中的效果是否属实。

Multiresolution models for object detection

Multires算法检测行人,作者的个人主页:

http://www.ics.uci.edu/~iypark/

作者未公布源代码,也没有公布demo

9

ICCV2009年的论文,检测效果与Piotr Dollar的效果可以匹敌。作者只公布了测试软件,并没有公布源码。

文中采用HOG+LBP特征,这种特征,与Centrist特征类似,能够描述人体全局轮廓,都具有较好的检测效果。

An HOG-LBP Human Detector with Partial Occlusion Handling

 

http://www.xiaoyumu.com/

http://vision.ece.missouri.edu/~wxy/index.html

http://web.missouri.edu/~hantx/

 

10

使用Centrist特征,Centrist是LBP特征的改进。作者将Centrist特征与HOG、LBP特征做了比较,证明Centtrist特征在描述行人方面,具有很好的效果。

作者是华人,在南阳理工读的博士。个人理解,Centrist特征没有多大的创新,与LBP并没有太大的差异。作者自己也在文中表示,算法的效果没有HOG和LBP好,仅仅是算法的速度较快。

Real-Time Human Detection Using Contour Cues

 

源码中只有测试源码,没有训练分类器的代码。

http://www.c2i.ntu.edu.sg/jianxin/projects/C4/C4.htm

 

 

 

总体上来说,这些最新的文章中,最好的有三个方面的方法:

1)改进的HOG+改进的SVM。也就是PAMI2012中排名第一的论文中的方法。可惜找不到源码。

2) HOF+CSS+adaboost.。也就是PAMI2012中排名第二的方法。能找到matlab源码。

3) HOG+LBP+SVM方法。也就是上表中序号为9的论文中的方法。没有源码。

4) DPM。也就是上表中序号5、6中的方法,有源码。

原文:http://blog.csdn.net/dpstill/article/details/22420065

行人检测3(行人检测最新论文简介)