行人检测3（行人检测最新论文简介）

序号	文章简介	论文	出处
0	2012年PAMI登的行人检测的综述性文章： pedestrian detection an evaluation of the state of the art 作者：Piotr Dollar 文中对比了很多最新的行人检测的算法。这篇论文简称为PAMI2012	pedestrian detection an evaluation of the state of the art
1	PAMI2012综述文章中，排名第一的算法： New Features and Insights for Pedestrian Detection 文中使用改进的HOG，即HOF和CSS（color self similarity）特征，使用HIK SVM分类器。 本文的作者是德国人：Stefen Walk。目前Stefan Walk在苏黎世联邦理工大学任教。	New features and insights for pedestrian detection	https://www.d2.mpi-inf.mpg.de/CVPR10Pedestrians
2	PAMI2012综述文章中，排名第2的算法： 加州理工学院2009年行人检测的文章：Integral Channel Features（积分通道特征） 这篇文章与2012年PAMI综述文章是同一作者。 作者：Piotr Dollar	Integral channel features	http://www.vision.caltech.edu/Image_Datasets/CaltechPedestrians/ 各种行人检测的库和演示代码 Matlab代码中包含完整的训练和测试的算法源码。压缩包里面的代码包含了作者几乎所有论文中讲到的算法，其中，作者最新的PAMI2014论文的代码也包含在这个压缩包里面。
3	PAMI2012综述文章中，排名第3的算法 The Fastest Pedestrian Detector in the West 这篇文章与2012年PAMI综述文章是同一作者。 作者：Piotr Dollar	The Fastest Pedestrian Detector in the West	文章作者的主页： http://vision.ucsd.edu/~pdollar/research.html 文章中算的matlab代码下载页面： http://vision.ucsd.edu/~pdollar/toolbox/doc/index.html
4	作者Piotr Dollar于2009年写的行人检测的文章	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算法做目标检测的文章，有源代码可以下载。在PAMI2012综述文章中，没有提及这个算法，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	作者的个人主页： http://cs.brown.edu/~pff/papers/
6	IJCV2014年的文章，利用DPM模型，检测粘连情况很严重的行人，效果很好。	Detection and Tracking of Occluded People	目前找不到该论文相关的源码。
7	ICCV2013： 简 称UDN算法，从文中描述的检测效果来看，该方法是所有方法中最好的，并且，效果远超过其他方法。经过对论文和该算法源码的研究，该算法是与作者另外一篇 论文的方法 ，另外的论文算法做图片扫描，得到矩形框，然后用该方法对矩形框进行进一步确认，以及降低误警率和漏警率。另外的论文是：Multi-Stage Contextual Deep Learning for Pedestrian Detection   说得难听一点，这篇文章对行人检测没有多大的贡献。仅仅是用深度学习的CNN做candidate window的确认。而主要的行人检测的算法还是HOG+CSS+adaboost	Joint Deep Learning for Pedestrian Detection   Multi-Stage Contextual Deep Learning for Pedestrian Detection	香港中文大学，Joint Deep Learning for Pedestrian Detection，行人检测论文的相关资源： http://www.ee.cuhk.edu.hk/~wlouyang/projects/ouyangWiccv13Joint/index.html
8	ECCV2010年的论文： Multiresolution models for object detection 文中描述的算法效果相当好，但是，作者没有公布源码。不知道论文中的效果是否属实。	Multiresolution models for object detection	Multires算法检测行人，作者的个人主页： http://www.ics.uci.edu/~iypark/ 作者未公布源代码，也没有公布demo
9	ICCV2009年的论文，检测效果与Piotr Dollar的效果可以匹敌。作者只公布了测试软件，并没有公布源码。 文中采用HOG+LBP特征，这种特征，与Centrist特征类似，能够描述人体全局轮廓，都具有较好的检测效果。	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特征的改进。作者将Centrist特征与HOG、LBP特征做了比较，证明Centtrist特征在描述行人方面，具有很好的效果。 作者是华人，在南阳理工读的博士。个人理解，Centrist特征没有多大的创新，与LBP并没有太大的差异。作者自己也在文中表示，算法的效果没有HOG和LBP好，仅仅是算法的速度较快。	Real-Time Human Detection Using Contour Cues	源码中只有测试源码，没有训练分类器的代码。 http://www.c2i.ntu.edu.sg/jianxin/projects/C4/C4.htm

 

总体上来说，这些最新的文章中，最好的有三个方面的方法：

1）改进的HOG+改进的SVM。也就是PAMI2012中排名第一的论文中的方法。可惜找不到源码。

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

3） HOG+LBP+SVM方法。也就是上表中序号为9的论文中的方法。没有源码。

4） DPM。也就是上表中序号5、6中的方法，有源码。

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