用于行人检测的时空堆叠顺序学习
计算机视觉与模式识别
2014-07-15 v1
摘要
行人分类器用于判定哪些图像窗口包含行人。在实践中，此类分类器在重叠行人的相邻窗口处提供相对较高的响应，而在潜在假阳性周围的响应预期较低。类似的推理也适用于图像序列。如果某一帧内存在行人，则该行人预期会出现在相邻帧中相近的位置。因此，此类位置有机会在多个帧中获得较高的分类得分，而假阳性则预期更为零星。在本文中，我们提出利用这种相关性来提高基础行人分类器的准确性。具体而言，我们提出使用两阶段分类器，其不仅依赖于基础分类器所需的图像描述符，还依赖于此类基础分类器在给定时空邻域内的响应。更具体地说，我们使用堆叠顺序学习 (SSL) 范式训练行人分类器。我们使用从汽车上获取的新行人数据集，在不同的帧率下评估我们的方案。我们还在一个知名数据集 Caltech 上进行了测试。所得结果表明，我们的 SSL 方案显著提高了检测精度，同时对计算成本的影响极小。有趣的是，SSL 在最危险的情况（即行人靠近相机时）下对精度的提升更为明显。
引用
@article{arxiv.1407.3686,
title = {Spatiotemporal Stacked Sequential Learning for Pedestrian Detection},
author = {Alejandro González and Sebastian Ramos and David Vázquez and Antonio M. López and Jaume Amores},
journal= {arXiv preprint arXiv:1407.3686},
year = {2014}
}
备注
8 pages, 5 figure, 1 table