行人檢測3（行人檢測最新論文簡介）

序號	文章簡介	論文	出處
0	2012年PAMI登的行人檢測的綜述性文章： pedestrian detection an evaluation of the state of the art 作者：Piotr Dollar 文中對比了很多最新的行人檢測的算法。這篇論文簡稱為PAMI2012	pedestrian detection an evaluation of the state of the art
1	PAMI2012綜述文章中，排名第一的算法： New Features and Insights for Pedestrian Detection 文中使用改進的HOG，即HOF和CSS（color self similarity）特征，使用HIK SVM分類器。 本文的作者是德國人：Stefen Walk。目前Stefan Walk在蘇黎世聯邦理工大學任教。	New features and insights for pedestrian detection	https://www.d2.mpi-inf.mpg.de/CVPR10Pedestrians
2	PAMI2012綜述文章中，排名第2的算法： 加州理工學院2009年行人檢測的文章：Integral Channel Features（積分通道特征） 這篇文章與2012年PAMI綜述文章是同一作者。 作者：Piotr Dollar	Integral channel features	http://www.vision.caltech.edu/Image_Datasets/CaltechPedestrians/ 各種行人檢測的庫和演示代碼 Matlab代碼中包含完整的訓練和測試的算法源碼。壓縮包里面的代碼包含了作者幾乎所有論文中講到的算法，其中，作者最新的PAMI2014論文的代碼也包含在這個壓縮包里面。
3	PAMI2012綜述文章中，排名第3的算法 The Fastest Pedestrian Detector in the West 這篇文章與2012年PAMI綜述文章是同一作者。 作者：Piotr Dollar	The Fastest Pedestrian Detector in the West	文章作者的主頁： http://vision.ucsd.edu/~pdollar/research.html 文章中算的matlab代碼下載頁面： http://vision.ucsd.edu/~pdollar/toolbox/doc/index.html
4	作者Piotr Dollar於2009年寫的行人檢測的文章	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算法做目標檢測的文章，有源代碼可以下載。在PAMI2012綜述文章中，沒有提及這個算法，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	作者的個人主頁： http://cs.brown.edu/~pff/papers/
6	IJCV2014年的文章，利用DPM模型，檢測粘連情況很嚴重的行人，效果很好。	Detection and Tracking of Occluded People	目前找不到該論文相關的源碼。
7	ICCV2013： 簡 稱UDN算法，從文中描述的檢測效果來看，該方法是所有方法中最好的，並且，效果遠超過其他方法。經過對論文和該算法源碼的研究，該算法是與作者另外一篇 論文的方法 ，另外的論文算法做圖片掃描，得到矩形框，然后用該方法對矩形框進行進一步確認，以及降低誤警率和漏警率。另外的論文是：Multi-Stage Contextual Deep Learning for Pedestrian Detection   說得難聽一點，這篇文章對行人檢測沒有多大的貢獻。僅僅是用深度學習的CNN做candidate window的確認。而主要的行人檢測的算法還是HOG+CSS+adaboost	Joint Deep Learning for Pedestrian Detection   Multi-Stage Contextual Deep Learning for Pedestrian Detection	香港中文大學，Joint Deep Learning for Pedestrian Detection，行人檢測論文的相關資源： http://www.ee.cuhk.edu.hk/~wlouyang/projects/ouyangWiccv13Joint/index.html
8	ECCV2010年的論文： Multiresolution models for object detection 文中描述的算法效果相當好，但是，作者沒有公布源碼。不知道論文中的效果是否屬實。	Multiresolution models for object detection	Multires算法檢測行人，作者的個人主頁： http://www.ics.uci.edu/~iypark/ 作者未公布源代碼，也沒有公布demo
9	ICCV2009年的論文，檢測效果與Piotr Dollar的效果可以匹敵。作者只公布了測試軟件，並沒有公布源碼。 文中采用HOG+LBP特征，這種特征，與Centrist特征類似，能夠描述人體全局輪廓，都具有較好的檢測效果。	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特征的改進。作者將Centrist特征與HOG、LBP特征做了比較，證明Centtrist特征在描述行人方面，具有很好的效果。 作者是華人，在南陽理工讀的博士。個人理解，Centrist特征沒有多大的創新，與LBP並沒有太大的差異。作者自己也在文中表示，算法的效果沒有HOG和LBP好，僅僅是算法的速度較快。	Real-Time Human Detection Using Contour Cues	源碼中只有測試源碼，沒有訓練分類器的代碼。 http://www.c2i.ntu.edu.sg/jianxin/projects/C4/C4.htm

 

總體上來說，這些最新的文章中，最好的有三個方面的方法：

1）改進的HOG+改進的SVM。也就是PAMI2012中排名第一的論文中的方法。可惜找不到源碼。

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

3） HOG+LBP+SVM方法。也就是上表中序號為9的論文中的方法。沒有源碼。

4） DPM。也就是上表中序號5、6中的方法，有源碼。

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