如何使用优化图的半监督学习进行行人检测的详细资料说明

　　行人检测是当前机器视觉领域的挑战性课题之一。为了提高行人检测效率，提出一种基于优化图的半监督学习的行人检测算法。首先，提取每幅图像的形状上下文特征，并采用选择性搜索提取出行人候选区域建议框；然后，提出一种优化图的半监督学习方法，该方法融合包含行人的建议框之间距离尽量小，而不包含行人的建议框和包含行人的建议框之间的距离尽量大的先验知识构建模型，解决在行人检测过程中普遍存在训练数据不足，挖掘不到足够的先验知识，没有很好的泛化性问题；最后，将提出的算法与现有的行人检测方法进行实验比较，验证算法的有效性。

　　行人检测是图像处理和计算机视觉领域中的研究热点，具有广阔的应用前景，例如智能公共安全、车辆辅助驾驶、人体行为分析、人机交互、机器人视觉导航等。目前有很多学者和研究机构热衷于行人检测的研究，有许多算法被提出，例如基于图像低层信息（颜色、形状、纹理等）的方法，Oren 等［1］提出的Haar 行人特征描述子，利用水平、垂直、对角线三个方向的小波在不同尺度上提取特征。Ojala 等［2］提出的LBP 是用于纹理分类的特征提取方法。Tuzel 等［3］利用多种不同特征的协方差矩阵来描述行人的局部特征。由于统计机器学习具有良好的函数学习和泛化能力，基于统计机器学习的行人检测方法是目前研究的热点，例如Szaras 等［4］利用卷积神经网络，通过学习算法自动选取分类特征。Grubb 等［5］利用两个SVM 分类器进行行人检测。Viola 等［6］利用矩阵特征、AdaBoost 和级联分类器实现了行人检测。还有一些算法将人体看成部位（头部、躯干、上肢和下肢）分类器进行行人检测，例如Mohan 等［7］将人体划分4 个部分，将各个部分的分类器作为SVM的输入，建立一个组合的多层次的分类器检测行人。Felzenszwalb等［8］基于图案结构模型，将滑动窗口与部位法相结构检测行人。Ali 等［9］利用Adaboost 将姿态估计和特征选择结合的方法来实现行人检测。近年来采用深度学习进行行人检测的方法相继被提出，例如Jung 等［10］提出了用指导网络来协助训练深度卷积神经网络来提高行人检测的准确性。Tomè 等［11］提出了一种基于深度学习的行人检测系统。

　　本文提出一种基于优化图的半监督学习的行人检测算法，首先提取每幅图像的形状上下文特征，并采用选择性搜索提取出行人候选区域建议框，然后融合包含行人的建议框之间距离尽量小，而不包含行人的建议框和包含行人的建议框之间的距离尽量大的先验知识构建一种优化图的半监督行人检测模型，利用该模型对图像的行人进行检测。