Accurate Human Detection by Appearance and Motion¶

Summary:¶

1. 这篇文章主要介绍了两个人物识别的新方法：基于外表的识别和基于动作的识别。

• 基于外表的识别： 通过MB-HOT技术实现，集合灰度价值信息和斜率价值信息。
• 基于动作的识别： 通过光波领域实现。

2. 两个方法共同作用时，可以减小错误识别率，同时，利用GPU可以加速计算时间。

Introduction:¶

• 这项技术的实用性在于：通过运用此识别技术，其自动行人识别技术能大大降低行人遇到交通事故的几率。
• 在模块匹配，编码方法和基于知识的人物识别方法中，后者有更好的表现，其识别能力更强，更善于寻找特点和更有效的瞄准方法。
• 在识别特点时，运用到三方面的技术：特点信息，斜率信息和动作信息（相对于第一篇论文是新的信息）。
• 目前技术的瓶颈在于计算机复杂度。（子窗口数量过多）
• 利用GPU技术降低计算机复杂度，其原理是利用了图形芯片产品（显卡）。

相关工作：¶

1. 基于知识的人物识别方法对人物识别非常有效，它通过对大量的瞄准图像提取信息，得到更为精确的结果，但过多的图像导致了识别时间的上升，因此，需要在这两者之间进行权衡。
2. 基于编码的方法类似于前一篇论文，利用感兴趣点周边的补丁构成一个编码集，并通过这个编码集来寻找最合适的点，关键在于：1 如何寻找关键点。 2 补丁的大小需要慎重选取。
3. 基于凹槽匹配，利用人形模板去图像中最适合，最匹配的边缘映射。（类似第一篇论文）
4. 基于动作的识别技术，利用广播来直接瞄准。

MB-HOT 技术分析：¶

定义：¶

相对于HOT技术来说，两者同样是在中间级上进行图像处理和分析，但是HOT的中间级模块只能是3乘3，而MB-HOT技术中的模块可以进行任意的分割，即K乘K。这样通过不同等级的信息的汇合，从而得到更为精确的图像信息。

基于GPU的装置：¶

• 特点：
  加速装置识别时间，使实际运用时更为实用。

• 模块介绍：
1. 减小规模：目的是测量不同大小的人物形状，分成16级。
2. 斜率计算：用来获取刻度金字塔中每个分级图像中像素的信息。
3. 地形表格计算：通过方程和算法，确定每个模块的值，并将其填入表格中。
4. 柱状表格计算：转换作用，用于将输入图像转换成柱状图，反应模块数量。
5. 特点计算：通过不同字子窗口中的信息来计算图像特点。
6. 线性 SVM：能够有效的处理大量的数据，并且能够处理多级的数据。

基于动作的特点技术分析：¶

• 通过当前帧和前一帧的信息，从光波中提取特点信息，与HOT不同，光波是二维的，此外，基于动作的特点关注抓取相关时刻人物的身体轮廓，原因有2：1 通过外形提取全局动作边界信息 2减少照相机摇动造成的光波消耗。
  

• 通常用来测量动作的方法是用高密度的光波，但前提条件是，前后两张图像中光强差异与动作差异要小，否则效果不好

• 针对测量动作对算法的改进：
1. 由原先的一维变为二维，因为光波值是二维的。
2. 由于基于外表的特点识别已经对动作边界信息进行了提取，这里不再重复工作，而是关注局部动作信息，假设脚的宽度是一个单位大小，那在动作变化不明显时，可以通过观察这一单元的变化来提取信息并区分与背景的差别，此外还可以减少由于相机抖动引起的误差。

实验记录与结果：¶

• 实验1：
  主要进行对比实验，与HOG，HOT,MR-HOG和COV进行对比，发现其性能更高，虽然与COV近乎相似，但考虑到COV中运用了不同的瞄准方法和可变子窗口，会在一定程度上提高其效率，因此认为在相同条件下，MB-HOT会胜于COV。
  

• 实验2：

对比基于动作的特点提取和其他的特点提取后发现，此方法最佳。

• 实验3：

对录像中的人物进行识别，运用2个识别装置，一个是动作识别器，另一个是静态识别器，通过识别获取可能值，当可能值大于一个阈值时，则认为其有人。但这个方法在测量静态人物时，会有问题，因为静态识别器在测量静态人物时，会给出一个较低的可能值，从而发生MISS。

• 实验4：

主要关注测量时间，结果表明，MB-HOT技术可以满足要求。

心得体会：¶

• 这篇文章主要讲述如何通过外表和动作识别人物，方法与前一篇文章大致相同，都是通过斜率信息和特点信息进行识别，不同之处在于，其还对动作信息进行了提取。
  此外MB-HOT技术相对于HOT技术而言，在算法上有明显区别，首先其模块不再是固定的3X3，而是一个随机的KXK的模块，这样在获取信息时，可以得到不同等级的信息，从而更全面的了解图像。
  之前的HOT技术是一维判断，而MB-HOT中，运用到了二维判断，并且在提取特点时，不仅关注整体，还关注局部，强化了识别能力。