行人检测文献综述（精选4篇）
篇1：行人检测文献综述
基于深度神经网络的行人检测综述
摘要：行人检测是汽车自动驾驶的基础技术之一。基于深度神经网络模型的行人检测方法取得的效果已经远超于使用传统特征经行识别得到的效果。仿生物视觉系统的卷积神经网络作为深度学习的重要组成、在图像、语音等领域得到了成功应用。其局部感受野、权值共享和降采样三个特点使之成为智能机器视觉领域的研究热点。通过增加网络层数所构造的深层神经网络使机器能够获得抽象概念能力，在诸多领域都取得了巨大的成功，又掀起了神经网络研究的一个新高潮。本文回顾了神经网络的发展历程，综述了其当前研究进展以及存在的问题，展望了未来神经网络的发展方向。
关键词：行人检测；卷积神经网络；深度学习
Survey of Pedestrian detection based on Deep Neural Network Yin Guangchuan，Zhangshuai，Qi Shuaihui
Abstract：Pedestrian detection is one of the basic technologies of unmanned vehicles.The pedestrian detection method based on the deep neural network model has achieved much more effect than the traditional one.Convolutional neural network which imitates the biological vision system has made great success on image and audio, which is the important component of deep learning.Local receptive field, sharing weights and down sampling are three important characteristics of CNN which lead it to be the hotspot in the field of intelligent machine vision．With the increasing number of layers, deep neural network entitles machines the capability to capture “abstract concepts” and it has achieved great success in various fields, leading a new and advanced trend in neural network research.This paper recalls the development of neural network, summarizes the latest progress and existing problems considering neural network and points out its possible future directions.Keywords: pedestrian detection;convolutional neural network;deep learning
国防科技大学课程设计
机器视觉 引言
行人兼具刚性和柔性物体的特性，外观易受穿着、尺度、遮挡、姿态和视角等影响，使得行人检测成为计算机视觉的研究难点与热点。行人检测技术由于应用的广泛性使其在计算机视觉领域成为一个重要分支，对视频监控、车辆辅助驾驶、智能机器人等多个领域提供了重要的技术支持。近几年来，深度学习在大规模图像分类方面取得的了重大突破，表明深度学习可以从多媒体内容中提取具有很强表达能力的特征。卷积神经网络(Convolutional NeuralNetwork，CNN)[1]提供了一种端到端的学习模型，模型中的参数可以通过传统的梯度下降方法进行训练，经过训练的卷积神经网络能够学习到图像中的特征，并且完成对图像特征的提取和分类。作为神经网络领域的一个重要研究分支，卷积神经网络的特点在于其每一层的特征都由上一层的局部区域通过共享权值的卷积核激励得到。这一特点使得卷积神经网络相比于其他神经网络方法更适合应用于图像特征的学习与表达。CNN 把特征提取归入模型学习，把特征学习和分类学习有机结合起来，更有效地实现对图像的识别．特别是近两年，卷积神经网络受到了更为广泛地关注．CNN 可能是机器学习领域近十年最成功的研究方向，因此本文拟对 CNN 的发展和其在行人检测上的研究成果进行了介绍，并对其预期研究方向进行展望。卷积神经网络的研究历史 世纪60年代，Hubel等[2]的生物学研究表明，视觉信息从视网膜传递到大脑中是通过多个层次的感受野(Receptive Field)激发完成的；1980 年，Fukushima[3]第一次提出了一个基于感受野理论模型Neocognitron。Neocognitron 是一个自组织的多层神经网络模型，每一层的响应都由上一层的局部感受野激发得到，对于模式的识别不受位置、较小形状变化以及尺度大小的影响。Neocognitron 采用的无监督学习也是卷积神经网络早期研究中占据主导地位的学习方式。
1998 年，Lecun 等提出的 LeNet
篇2：行人检测文献综述
—基于超声波的包覆层固化深度的检测方法
一、本课题的研究背景及意义
对材料表面保护、装饰形成的覆盖层，如涂层、镀层、敷层、贴层、化学式成膜等，统称为包覆层[1]。实际上，材料表面的包覆层厚度对产品的使用性能和使用寿命影响极大，因而，包覆层厚度的检测对所有表面技术要求较高的产品都是必须的。由于众多包覆层的厚度范围很大，从纳米尺度的气象沉积、离子注入层到毫米级的热喷涂层、堆焊层、渗碳层等，故不同厚度的测量也有许多不同的方法，这些方法均是利用不同的原理测出不同尺度范围的表面包覆层的厚度[3]。
包覆层厚度的测量，根据被测包覆层是否损坏可分为有损测厚和无损测厚两大类。有损测厚主要有：阳极溶解库仑法、光学法、化学溶解法、轮廓法等；无损测厚有：磁性法、涡流法、射线法、电容法、超声波法、光学法等[3]。这些方法各有其特点、适用性及局限性，在实际测量时，我们应考虑到包覆层厚度、零件形状与尺寸、覆层成分和测量环境等多种因素，选择适合的测量方法才能获取最可靠的结果。
现代无损检测的定义是：在不损坏试件的前提下，以物理或化学方法为手段，借助先进的技术和设备器材，对试件的内部及表面的结构，性质，状态进行检查和测试的方法,而超声波检测作为无损检测的方法之一，最早开始于1930年，是利用进入被检材料的超声波对材料表面或内部缺陷进行检测，而利用超声波进行材料包覆层厚度的测量也是常规超声波检测的一个重要方面[5]。超声波被用于无损检测，主要是因为有以下几个特性：①超声波的波束能集中在特定的方向上，在介质中沿直线传播，具有良好的指向性；②超声波在介质中传播过程中，会发生衰减和散射；③超声波在异种介质的界面上将产生反射、折射和波型转换，可以获得从缺陷界面反射回来的反射波，从而达到探测缺陷的目的；④超声波的能量比声波大得多，对各种材料的穿透性较强；⑤超声波在固体中的传输损失很小，探测深度大。再有超声波的声速、衰减、阻抗和散射等特性，为超声波的应用提供了丰富的信息，并且成为超声波广泛应用的条件。由于超声波在异质界面上会发生反射、折射等现象，尤其是不能通过气体固体界面，所以如果金属中有缺陷或夹杂，超声波传 1 播到金属与包覆层的界面处时，就会全部或部分反射。反射回来的超声波被探头接收，通过仪器内部的电路处理，在仪器的荧光屏上就会显示出不同高度和有一定间距的波形，借此可以根据波形的变化特征判断工件表面不同包覆层的厚度。
超声波检测技术是工业无损检测技术中应用最广泛的检测技术之一。就无损探伤而言，超声波适用于各种尺寸的锻件、轧制件、焊缝和某些铸件，无论是钢铁有色金属和非金属，都可以采用超声波法进行检测，包括各种机械零件、结构件、电站设备、船体、锅炉、压力和化工容器、非金属材料等。就物理性能检测而言，用超声波法可以无损检测厚度、材料硬度、淬硬层深度、晶粒度、液位和流量、残余应力和胶接强度等[4]。
伴随着电子计算机的普及和应用，超声波检测仪器和检测方法都得到了迅速的发展，是超声波检测的应用更为普及。目前，电子计算机在超声波检测中已能完成数据采集、信息处理、过程控制和记录存储等多种功能。许多超声波检测仪器都把微型电子计算机作为一个部件而组装在一起，去执行处理数据和图像的任务。
二、本课题研究的技术原理
超声波用于测定材料的厚度,使用较广泛的是数字式超声测厚仪,可用来测定化工管道、船体钢板等易腐蚀物件的厚度[4]。我们可以通过测定超声波在材料中的声速、衰减或共振频率可测定金属材料的晶粒度、弹性模量、硬度、内应力、钢的淬硬层深度、球墨铸铁的球化程度等。
超声波是频率高于20千赫的机械波，而在超声测厚中常用的频率为0.5～5兆赫得超声波。这种机械波在材料中能以一定的速度和方向传播，遇到声阻抗不同的异质界面（如被测物件的底面）就会产生反射，这种反射现象可被用来进行超声波测厚。最常用的是脉冲回波测厚法测厚时，脉冲振荡器发出的电压加在探头上（用压电陶瓷或石英晶片制成的探测元件），探头发出的超声波脉冲通过声耦合介质（如机油或水等）进入材料并在其中传播，遇到表面包覆层后，部分反射能量沿原途径返回探头，探头又将其转变为电脉冲，经仪器放大而显示在示波管的荧光屏上。根据反射波在荧光屏上的位置和幅度（与参考试块中的反射波幅度作比较），即可测定的包覆层厚度的大致尺寸。
此外，还有一种目前最常用的超声测厚方法就是共振法。顾名思义，当发射 到工件内的超声波的频率等于工件固有频率时，就会产生共振现象。利用共振现象来检测工件包覆层厚度的方法叫共振法。检测时，通过调整超声波的发射频率，以改变发射到工件中超声波的波长，并使工件包覆层的厚度为超声波半波长的整数倍，入射波和反射波相互叠加便产生共振。我们根据共振时谐波的阶数（即共振次数）以及超声波的波长，就可以测出工件表面包覆层的厚度。
三、国内外研究现状及趋势
超声波检测也是无损检测领域中研究最为活跃的技术之一。
目前我国测厚业的超声波检测主要是采用A型脉冲反射式超声波测厚仪。主要是通过测量信号往返于包覆层所需的时间，来确定包覆层的厚度，这就是通常所说的脉冲反射法或A扫描法。此外还有B扫描和C扫描法等方法。B扫描法可以显示工件内部包覆层的纵截面图形，C扫描法可以显示工件内部包覆层的横剖面图形。近年来，穿透式超声法在检验纤维增强塑料和蜂窝结构材料方面的应用也已日益广泛；超声全息成像技术也在工业无损检测中获得了应用[2]。
国外超声波检测技术的研究也在迅速的发展。例如，超声显像法和超声频谱分析法的进展和应用；用超声波衍射和临界角反射法检测材料的机械性能和表面包覆层厚度；用多频探头法对奥氏体不锈钢厚焊缝的检测；用超声测定材料内应力的研究；噪声信号超声检测法；超高频超声检测法；宽频窄脉冲超声检测法以及新型声源的研究例如用激光来激发和接收超声的方法和各种新型超声检测仪器的研究等，都是比较典型和集中的研究方向。
参考文献
篇3：行人检测文献综述
行人检测十几年来一直是计算机视觉和智能交通领域的研究热点,它在汽车辅助驾驶或自动驾驶系统、视频监控、运动识别等领域均有广泛的应用。目前的行人检测方法主要分为基于视觉传感器和基于非视觉传感器两大类。其中基于非视觉传感器方法对硬件要求较高但检测效果较差,因此使用率较低。目前主要应用的方法是基于视觉传感器的方法,该方法包括:基于模型匹配法、基于运动信息法、基于统计分类法、基于形状分析法等。近年来,基于梯度特征的行人检测方法逐渐普及,因其使行人检测在有效性和效率方面均明显提高,渐渐成为行人检测的主流方法[1]。然而,行人检测会受到行人的外形多种多样,穿各种各样颜色和式样的服装,行人所处的自然场景较复杂等原因的影响导致识别率会有所下降[2]。同时当行人处于场景远处而图像的分辨率不足时,往往会导致行人漏检。由于在实际交通场景中不能保证图像均拥有较高的分辨率,所以低分辨率的行人检测在实际应用中也十分重要[3]。
为解决上述问题,考虑到交通场景中行人多数不是单独孤立的存在,机动车经常存在于其周围且机动车相比于行人更易进行检测[4]。因此,构建一个行人与车辆关系模型,借助车辆来进行辅助定位,引入真假阳性检测排除一些出现在不可能区域但被误检测的行人;同时建模形成支持向量机结构[5]。最后通过训练支持向量机来进行分类识别[6]。
1 基于HOG的初步行人检测
方向梯度直方图HOG(Histogram of Oriented Gradient)是一种局部区域描述符。它通过计算和统计图像局部区域的梯度方向直方图来构成特征。可将HOG特征结合SVM分类器进行行人检测[7]。
本文通过对目标和扫描窗口进行检测来计算HOG特征,具体过程如下:
(1)将彩色图像进行灰度化。
(2)将图像进行归一化处理。
(3)计算图像横坐标和纵坐标方向的梯度,并据此计算每个像素位置的梯度方向值,图像中像素点(x,y)的梯度为:
式中Gx(x,y)、Gy(x,y)、H(x,y)分别表示输入图像素点中水平方向梯度值、垂直方向梯度值和像素值。则转化为(x,y)处的梯度幅值和梯度方向分别为式(2)和式(3)。
(4)HOG结构采用矩形结构,将图像分为若干个block,每一个block包括4个2×2的相邻的cell构成,每一个cell包括64个8×8的像素点,如图1所示。
(5)将所有block的HOG特征串联起来,并将它们结合成最终的特征向量进行分类。
2 引入车辆关系后的模型构建
由上述方法所得的行人检测结果往往会受到图像以及背景中类似于行人的干扰影响,导致检测准确率降低。如图2所示。
其中,只在区域2处得到较为准确的行人检测结果;由于区域1、3、4拥有与行人十分接近的HOG边缘特征而导致误检测。进一步观察,发现被误检测的区域与附近车辆拥有相对固定的位置关系。同时由于车辆体积较大,所占像素点较多,相对于行人很容易被准确检测。因此,在同一幅图中,同时进行行人与车辆识别,并根据车辆位置排除一些出现在不可能区域而被误检测的行人,例如出现在车辆上方的区域1、3;车辆下方的区域4等。
2.1 定义行人与车辆关系
在一幅图像的多个车辆中选定一个车辆后,假设摄像机与地面完全水平对齐,我们将初步检测到的行人与车辆的关系分为5种,分别是行人在车辆上方、下方、旁边、交叠、远离。根据此位置关系将行人与车辆的关系定义为一个与二者有关系的函数G(p,v),其中p为行人位置的中心,v为车辆位置的中心,构建直角坐标系,并以左下角为原点,像素点位置为其坐标。如果两者之间的位置关系是上述5个位置关系中除了“远离”以外的任何一个,则将其位置关系由一个5维向量描述,将其定义为:
其中:
分别表示车辆与行人中心像素点在x,y方向上的像素点个数之差即坐标值之差。
表示车辆与行人高度所占像素点个数之别即y轴坐标差之比。
为整体归一化系数,通过加权提高监测器对光照的鲁棒性。当行人与车辆之间的距离大于一定的阈值时,将行人与车辆之间的关系判定为“远离”,此时行人与所选车辆无关,上述所有值均为0。
在上述基础上进一步定义行人的特征,同样也用一个5维向量g(p)描述行人的大小与位置,将其定义为:
其中Cpx、Cpy分别为行人中心位置的横、纵坐标,h为其高度所占像素点个数。同理对车辆进行相同定义:
2.2 构建改进识别函数
在2.1节所述内容基础之上将定义扩展至整幅图像,定义行人的识别率是所有行人识别率的均值。最终的函数值由初步HOG行人检测结果和引入车辆后的检测结果共同决定。
假设在一幅图中有n个行人与m个车辆。定义数值函数:
其中Wp和Wv分别对应行人、行人与车辆之间的关系模型的参数。上式中后一项为引入车辆后对整体函数值的贡献,用以确保正确的分类情况下函数值高于其余的可能情况。
同时,行人存在一定程度上的误检测,会导致函数值大于实际情况,因此引入真假阳检验修正系数tpi和tvj,则式(10)变为:
其中为2进制数,当行人出现在一些不可能出现的区域中(车辆上方、下方),例如图2中的1、3、4区域时,其值为0;否则为1。可通过此方法使函数值更接近真实情况,降低漏检率。
对于式(11)来说,其同时含有行人、车辆两个变量。当车辆参数固定时,式(11)转化为一个将所有行人作为变量单独考虑的一个问题。且在一个典型的交通场景中,车辆的数量一般不会超过8个,当采用多个2类分类器时,此分类问题一般不会超过28个,在实际分类时较好解决。由于分类器的线性特性,可将式(11)如下形式:
式(12)给我们提供了一个机器学习的方法,令Wc=[Wp,Wv],假设摄像机与地面水平且行人与车辆满足上述定义时,一个标准的支持向量机结构便可通过对Wc的训练来解决此分类问题。
3 支持向量机的构建及参数选择
3.1 支持向量机回归法
在本文中,为了防止维数的灾难性增大,我们采用用于核函数估计的支持向量机即支持向量机回归法。将原空间的向量映射到新的空间K[8]。
首先,考虑最优分类面,在本文中采用线性回归函数:
来拟合数据{xi,yi;i=1,2,…,n},同时由于在实际交通场景条件下,所有的行人样本可以在一定的精度ε范围内进行线性拟合,即:
其中i=1,2,…,n,两个不等式表示拟合误差有两个方向。分类时为了控制最大化分类间隔类似,使回归函数最为平坦,此时便有了用于回归的支持向量机原问题:
若允许拟合超过误差ε,只需引入松弛因子使ε变为ε+ζk,将其代入式(15),则目标函数变为:
然后,考虑到实际交通模型分类要求,则式(16)问题转化为:
其中ξk为松弛因子,Pk、Vk为原图像实际空间中的行人与车辆,PKk、VKk为所映射到的K空间的行人与车辆,L(Pk,PKk)是实际行人位置与映射的K值空间位置之间的Hamming损失,反映了错误检测率。
最后,由于在式(17)中,行人在原空间的实际位置Pk由HOG检测得到,但车辆参数Vk的精确检测结果未知。为了解决这个问题考虑到噪声与行人和车辆重合的情况,直接采用原始的检测结果作为初始估计,最终其变为:
其中V'k是Vk的一个子集,反映了当一幅图中选取总车辆中的一部分车辆时能使式(11)达到最大值,则其可通过优化Wc和V'k来训练最优超平面,在训练过程中,Pk的初始条件是不引入任何改进算法的初步行人检测结果。
3.2 支持向量机模型参数确定
由于本文所选定的分类器为线性分类器,因此需要确定惩罚系数C。首先,从所有训练图片中选取20幅图片作为负训练样本,并与正训练样本一起构成最初的训练样本。之后选取2000个包含行人的正样本和2000个不包含行人的负样本训练分类器得到初步结果。最后,用此分类器对所有不含行人的训练样本进行检测得到困难负样本,并与之前的负训练样本进行合并,得到总3198个负训练样本。
为了确定参数C,需要同时考虑支持向量数以及样本的正确接收率(TPR)。在验证过程中,将收集到的2000个正样本随机地平均分成10组,取其中8组与上述得到的负训练样本一起作为训练样本,剩下的2组作为测试样本计算TPR,并取10次实验结果的均值作为最终结果。如图3所示,不同的的参数C对应不同的样本正确接收率。根据曲线所示,本文选取C=8作为初步检测的支持向量机模型参数。
4 实验结果及分析
在实验过程中,我们尝试对不同分辨率的图像进行行人检测,在高分辨率的情况下,初步的行人检测结果便可以得到较好的识别效果,如图4所示。
但是,当图片的分辨率较低或受光照、黑夜或背景较为嘈杂的影响时行人检测率会有明显下降,此时,引入行人与车辆关系模型辅助检测能有效地降低误检测率,得到较好的检测结果。如图5所示,当背景较为嘈杂时。
如图6所示,当在夜晚条件下,光线昏暗且有强灯光干扰时。
当处在强光条件下时,检测结果如图7所示。
从图5-图7中可明显看出引入行人与车辆关系模型后,与传统HOG边缘检测方法相比能够在较差的图片质量中获得更为准确行人检测结果。
在上述基础上考虑将图片放大至原来的1.5倍和2.5倍,以改变其分辨率状况。在此基础上,选择200幅基础图片在改变其大小的情况下进行HOG基础行人检测,引入与车辆关系模型的行人检测,检测结果如图8所示。
图中hr、mr和lr分别表示图像的分辨率为高分辨率、中分辨率和低分辨率。如图所示,通过引入行人与车辆关系模型有效地降低了行人误检测率。
同时人为选择高、低分辨率图像各100张,分别采用文中所述方法和参考文献中当前较为主流的行人检测方法进行行人检测。将得到的行人检测率汇总取平均值并制作折线图,如图9所示。
其中A、B、C、D、E分别表示基于行人与车辆关系型的行人检测方法;基于Edgelet特征的分割检测方法;基于HOG特征的初步行人检测方法;基于轮廓模板的方法;基于人体部件的局部检测方法。图中所述行人识别率为综合考虑误检测与漏检测后的行人识别准确率。可以看出,在高分辨率背景较为清晰时算法均有较好表现。但在低分辨率背景较为嘈杂时,文中所述算法拥有更高的检测准确率。
5 结语
本文根据实际交通场景特点,考虑到摄像机分辨率受背景条件等各方面因素的影响。在HOG边缘检测方法的基础上,提出了一种拥有较低行人误检测率的方法。此方法能有效地利用交通场景中普遍存在且较容易检测的车辆作为辅助检测工具并建立相应的模型。同时构建一个标准的支持向量机结构便可完成对线性分类器的训练,操作相对简单且准确性较高。实验结果表明,此方法在不同分辨率条件下均有良好的表现。可对原始行人检测图像进行进一步优化处理,得到更为准确的检测结果。
但是,由于在场景中,可能存在行人处于车辆前方与车辆重叠的情况,在引入新算法时导致行人的漏检。因此在接下来的工作中将尝试改变图像大小,把不同分辨率图像的行人检测结果综合以降低漏检率。
参考文献
[1]张学功.模式识别[M].北京:清华大学出版社,2006.
[2]杨淑莹.VC++图像处理程序设计[M].北京:清华大学出版社,2003.
[3]Junjie Yan,Xucong Zhang,Zhen Lei.Robust Multi-Resolution Pe-destrian Detection in Traffic Scenes[C]//Proc.of IEEE Conference on Computer Vision and Pattern Recognition.San Diego,USA,2013:3003-3040.
[4]Carsten J,Ferguson D,Stentz A.3D field D*:Improved Path Planning and Replanning in three dimensions[C]//Proc.IEEE/RSJ International Conference on Intelligent Robots and System Piscataway,NJ,USA:IEEE,2006:3381-3386.
[5]Yan Chen,Qiang Wu,Xiangjan He.Motion Based Pedestrian Rec-ognition[C]//Proc.of IEEE Congress on Image and Signal Processing.Sanya,China,2008:376-380.
[6]程艺喆,雷武虎,戴胜波,等.基于图像差分的自适应背景建模高光谱目标检测[J].计算机应用,2014,34(S2):291-294,319.
[7]孙锐,陈军,高隽.基于显著性检测与HOG-NMF特征的快速检测方法[J].电子与信息学报,2013,35(8):1921-1926.
篇4：行人检测专利技术分析
【关键字】行人检测 目标检测 图像处理
一、引言
在计算机视觉领域中，行人检测是目标检测的一个重要研究热点，其主要利用各种传感器获取行人的数据信息，通过图像处理及模式识别等算法从图像数据中检测出行人。其中传感器包括激光、雷达等。行人检测并不是孤立存在的，它与行人跟踪、行为分析、姿态估计、场景分割等问题息息相关，因此具有极高的科研价值和商业价值。
二、行人检测技术发展趋势
如图1所示，早在2007年开始就已经出现了行人检测技术的研究。2007至2010年期间，专利申请量虽然呈逐步增长趋势，然而增长速率较平稳，每年的申请量没有太大的变动；2011年相比较于2010年增长率达到两倍以上，此后2012年和2013年相较前一年都有较大的增长量，然而在2014年专利申请量与其前一年2013年相比，呈现减少的趋势，这可能与发明专利未提前公开有关，但该年的总量在除2013年以外的其它各年中仍占有绝对性的优势，预计2014年申请量不会低于2013年。
三、行人检测技术解析
常见的行人检测方法可分为基于简单的图像处理的行人检测方法和基于计算机视觉的行人检测方法。
3.1基于简单图像处理的行人检测技术
该类技术主要分为：帧间差分法、光流法和背景差分法等。其与基于计算机视觉的技术相比算法较为简单，不需要事先准备大量的训练样本或模板，处理速度也较快，因此在国内也占据一定的申请量。如上海交通大学的专利CN201210586125采用高斯混合模型对背景建模从而检测行人，宁波大学的专利CN201210017307采用图割方法进行行人检测，奇瑞汽车股份有限公司的专利CN201310382009通过获取候选区域的至少两个特征图进行候选区域是否包含行人的判断。
3.2基于计算机视觉的行人检测方法
基于统计学习的方法与其他方法相比占绝对性的优势，是最近几年高校和科研院所所研究的重点，同时也是公司企业发展的方向。如北京中星微电子的专利CN200710179786采用积分图像和平方积分图像提高分类器的检测速度，江苏大学的CN201110447411对特征向量进行稀疏表示并组合成稀疏化的混合特征向量作为分类器的特征进行行人检测。
特征和分类器是统计学习的两大关键技术。对特征的改进占56%，如中国科学技术大学的专利CN200810101705利用种群优化寻找行人检测最优特征进行行人检测，北京博康智能信息技术有限公司的专利CN201210082846利用梯度特征和线性边缘特征进行行人检测；
分类器的改进分别占42%，如杭州海康威视数字技术股份有限公司的专利CN201210169536利用多尺度的Adaboost作为分类器进行行人检测，无锡慧眼电子科技有限公司的专利CN201310076413首先基于Adaboost得到级联分类器。
四、结束语