【www.shanpow.com--热门范文】
行人检测篇(一):FW:行人检测简述
行人检测简述
http://blog.csdn.net/carson2005/article/details/8316835
分类： CV相关2012-12-18
23:32 248人阅读 评论(2) 收藏 举报
申明，本文是笔者在阅读了几篇行人检测综述性文章之后，翻译、总结、归纳所得。方便自己了解行人检测的发展趋势，同时，也给打算从事行人检测研究的朋友们提供一些思路吧。
行人检测的历史：
早期以静态图像处理中的分割、边缘提取、运动检测等方法为主。例如：
（1）以Gavrila为代表的全局模板方法：基于轮廓的分层匹配算法，构造了将近2500个轮廓模板对行人进行匹配, 从而识别出行人。为了解决模板数量众多而引起的速度下降问题，采用了由粗到细的分层搜索策略以加快搜索速度。另外，匹配的时候通过计算模板与待检测窗口的距离变换来度量两者之间的相似性。
（2）以Broggi为代表的局部模板方法：利用不同大小的二值图像模板来对人头和肩部进行建模，通过将输入图像的边缘图像与该二值模板进行比较从而识别行人，该方法被用到意大利Parma大学开发的ARGO智能车中。
（3）以Lipton为代表的光流检测方法：计算运动区域内的残余光流；
（4）以Heisele为代表的运动检测方法：提取行人腿部运动特征；
（5）以Wohler为代表的神经网络方法：构建一个自适应时间延迟神经网络来判断是否是人体的运动图片序列；
以上方法，存在速度慢、检测率低、误报率高的特点。
行人检测的现状：
大体可以分为两类：
（1）基于背景建模的方法：分割出前景，提取其中的运动目标，然后进一步提取特征，分类判别；在存在下雨、下雪、刮风、树叶晃动、灯光忽明忽暗等场合，该方法的鲁棒性不高，抗干扰能力较差。且背景建模方法的模型过于复杂，对参数较为敏感。
（2）基于统计学习的方法：根据大量训练样本构建行人检测分类器。提取的特征一般有目标的灰度、边缘、纹理、形状、梯度直方图等信息，分类器包括神经网络、SVM，adaboost等。该方法存在以下难点：
（a）行人的姿态、服饰各不相同；
（b）提取的特征在特征空间中的分布不够紧凑；
（c）分类器的性能受训练样本的影响较大；
（d）离线训练时的负样本无法涵盖所有真实应用场景的情况；
尽管基于统计学习的行人检测方法存在着诸多的缺点，但依然有很多人将注意力集中于此。典型的代表是法国研究人员Dalal在2005的CVPR发表的HOG+SVM的行人检测算法(Histograms of Oriented Gradients for Human Detection, Navneet Dalel,Bill Triggs, CVPR2005)。HOG算子的介绍在笔者的另一篇博客中有详细介绍（http://blog.csdn.net/carson2005/article/details/7782726），而hog+svm的行人检测算法已经被OpenCV实现，笔者的一篇博客中有详细的流程介绍及参考代码：http://blog.csdn.net/carson2005/article/details/7841443
考虑到背景建模和统计学习这两种方法各有优缺点，有研究人员提出将这两种方法予以结合来进行快速准确的行人检测。其中的一个典型系统如下：
注：上图来自这篇文章：基于场景模型与统计学习的鲁棒行人检测算法；自动化学报；2010年4月；
该文中，作者利用GMM来进行背景建模，利用Haar-like特征对行人进行特征描述，以AdaBoost级联结构作为分类器。并提出一种改进的弱分类器选择算法，从而使得弱分类器选择和分类器重新训练得以在10分钟左右完成。
目前行人检测的几个典型方向
（备注：state of the art，不知该词汇该如何翻译，暂且写作“典型方向”，知道的朋友烦请告知）；
Pepageorgios等人是第一个提出采用滑动窗口进行行人检测的，他们采用SVM和多尺度Haar小波过完备基结合的方式进行行人检测。而Viola和Jones则基于这种思路，用积分图来完达到快速特征计算的目的，并利用一种级联结构用户高效的检测，同时，利用AdaBoost算法来进行自动特征筛选。上述这些思路都构成了如今行人检测算子的基石。
受到SIFT算子的启发，Dalal和Triggs等人提出了梯度直方图（Histogram Of Gradient, HOG）特征用于行人的特征描述，并通过实验证明了HOG比基于灰度的特征更富有信息。而Shahua等人也提出了一种类似的方法来刻画行人。自此以后，基于HOG的变种方法开始急剧增加，而所有的这些变种，几乎都在一定程度上采用了HOG算子的一些思想。形状特征也是一个对行人检测有效的特征描述方法。Gavrila和Philomin等人利用Hausdorff距离变换和一种分层模板匹配方法来快速检测行人。Wu和Nevatia则利用大量的线段和曲线，构成一种称之为“edgelet”的特征来局部的表达形状特征。有研究人员还利用boosting方法来学习头部、躯干、腿部以及全身的检测算子。类似的，有研究人员提出一种称之为“shapelets”的特征，它是一种基于局部图像区域（patch）的梯度来刻画形状特征的。
运动则是行人检测中的另一个重要线索。然而，在摄像机运动的情况下，有效的利用运动特征则是一个具有挑战性的课题。在相机固定的情况下，Viola等人提出通过计算不同图像的haar-like特征，可以获得较好的性能提升。而对于摄像机不固定的情况，则需要将运动分类进行分解。Dalal等人利用光流场来对图像内部的运动进行统计建模，然后，在图像局部区域内进行一定的运动补偿。
就单个特征而言，目前还没有那个特征描述算子比HOG算子更加有效。当然，可以将其它特征跟hog特征结合起来，达到补充的作用。Wojek和Schiele研究发现，通过将Haar-like，shapelets,形状上下文，hog特征进行一定的组合，将会比任何其它单独特征描述算子更加有效。而Walk等人在此基础上考虑了颜色自相关和前面提到的运动特征。类似的，Wu和Nevatia将HOG,edgelet和协方差特征进行结合。Wang等人则提出将基于LBP的纹理特征和HOG算子相互结合，此外，还将SVM分类器进行改进，以便使其更加适用于遮挡的情况。当然，也有人提出将局部三值模式（LBP的一个变种），颜色信息，隐式分割等同HOG进行结合，当然，上述方法相比单纯的HOG而言，在性能上都有一定程度的提升。
Dollar等人在Viola和Jones的基础上进行扩展，提出在多个通道上进行haar-like特征提取，包括LUV颜色通道，灰度，梯度幅值等，该方法可谓一个多种特征的大杂烩。Tuzel等人利用特种局部特征的协方差矩阵作为一种特征描述方法。此外，还有研究人员将注意力集中在“如何有效的利用巨大的特征空间”。因此，特征缩小（feature mining）被研究人员提出来，采用包括最大下降法在内的各种各样的策略来训练boost分类器。
关于行人检测的综述性文章，笔者推荐一篇：Pedestrian Detection: An Evaluation of the state of the Art, PAMI，2012；需要的朋友可以在这里下载：http://download.csdn.net/detail/carson2005/4904088
行人检测篇(二):行人检测(Pedestrian Detection)资源 1
行人检测(Pedestrian Detection)资源
原文链接
http://hi.baidu.com/susongzhi/item/085983081b006311eafe38e7
一、论文
CVPR2013年行人检测相关的文章
[1] Robust Multi-Resolution Pedestrian Detection in Traffic Scenes
Junjie Yan, Xucong Zhang, Zhen Lei, Dong Yi, Shengcai Liao, Stan Li
[2] Optimized Pedestrian Detection for Multiple and Occluded People
Sitapa Rujikietgumjorn, Robert Collins
[3] Pedestrian Detection with Unsupervised and Multi-Stage Feature Learning
Pierre Sermanet, Koray Kavukcuoglu, Soumith Chintala, Yann Lecun
[4] Single-Pedestrian Detection aided by Multi-pedestrian Detection
Wanli Ouyang, Xiaogang Wang
[5] Modeling Mutual Visibility Relationship in Pedestrian Detection
Wanli Ouyang, Xingyu Zeng, Xiaogang Wang
[6] Local Fisher Discriminant Analysis for Pedestrian Re-identification
Sateesh Pedagadi, James Orwell
综述类的文章
[1]P.Dollar, C. Wojek,B. Schiele, et al. Pedestrian detection: an evaluation of the state of the art [J].IEEE Transactions on PatternAnalysis andMachine Intelligence, 2012, 34(4): 743-761.
[2]M. Enzweiler, and D.Gavrila. Monocular pedestrian detection: survey and experiments [J]. IEEE Transactions on Pattern Analysis andMachine Intelligence, 2009, 31(12): 2179-2195.
[3]D. Geronimo, A. M.Lopez and A. D. Sappa, et al. Survey of pedestrian detection for advanced driverassistance systems [J]. IEEE Transactionson Pattern Analysis and Machine Intelligence, 2010, 32(7): 1239-1258.
[4]苏松志, 李绍滋, 陈淑媛等. 行人检测技术综述[J]. 电子学报, 2012, 40(4): 814-820.
[5]贾慧星, 章毓晋.车辆辅助驾驶系统中基于计算机视觉的行人检测研究综述[J], 自动化学报, 2007, 33(1): 84-90.
[6] 许言午, 曹先彬,乔红. 行人检测系统研究新进展及关键技术展望[J], 电子学报, 2008, 36(5): 368-376.
[7] 杜友田; 陈峰;徐文立; 李永彬;基于视觉的人的运动识别综述, 电子学报, 2007. 35(1): 84-90.
[8]朱文佳. 基于机器学习的行人检测关键技术研究[D]. 第一章, 硕士学位论文, 上海交通大学. 2008. 指导教师: 戚飞虎.
二、Source Code
1.INRIA Object detection and Localization Toolkit, Dalal于2005年提出了基于HOG特征的行人检测方法，行人检测领域中的经典文章之一。HOG特征目前也被用在其他的目标检测与识别、图像检索和跟踪等领域中。
2. Real-time Pedestrian Detection. Jianxin Wu实现的快速行人检测方法。
3. Hough Transfom for Pedestrian Detection. Olga Barinova, CVPR 2010 Paper: On detection of multiple object instances using Hough Transforms
4. HIKSVM, HOG+LBP+HIKSVM, 行人检测的经典方法.
5. GroundHOG, GPU-based Object Detection with Geometric Constraints, In: ICVS, 2011. CUDA版本的HOG+SVM, video.
6. 100FPS_PDS, Pedestrian detection at 100 frames per second, R. Benenson. CVPR, 2012. 实时的(⊙o⊙)哦。 Real-time!!!
7. POM: Probabilistic Occupancy Map. Multiple camera pedestrian detection.
8.
http://www.ee.cuhk.edu.hk/~wlouyang/projects/ouyangWcvpr13MultiPed/index.html CVPR 2013 Single-Pedestrian Detection aided by Multi-pedestrian Detection
三、DataSets
MIT数据库
该数据库为较早公开的行人数据库，共924张行人图片（ppm格式，宽高为64x128），肩到脚的距离约80象素。该数据库只含正面和背面两个视角，无负样本，未区分训练集和测试集。Dalal等采用“HOG+SVM”，在该数据库上的检测准确率接近100%。
INRIA数据库
该数据库是目前使用最多的静态行人检测数据库，提供原始图片及相应的标注文件。训练集有正样本614张（包含2416个行人），负样本
1218张；测试集有正样本288张（包含1126个行人），负样本453张。图片中人体大部分为站立姿势且高度大于100个象素，部分标注可能不正确。
图片主要来源于GRAZ-01、个人照片及google，因此图片的清晰度较高。在XP操作系统下部分训练或者测试图片无法看清楚，但可用OpenCV正
常读取和显示。
Daimler行人数据库
该数据库采用车载摄像机获取，分为检测和分类两个数据集。检测数据集的训练样本集有正样本大小为18x36和48x96的图片各
15560（3915x4）张，行人的最小高度为72个象素；负样本6744张（大小为640x480或360x288）。测试集为一段27分钟左右的视
频（分辨率为640x480），共21790张图片，包含56492个行人。分类数据库有三个训练集和两个测试集，每个数据集有4800张行人图
片，5000张非行人图片，大小均为18x36，另外还有3个辅助的非行人图片集，各1200张图片。
Caltech行人数据库
该数据库是目前规模较大的行人数据库，采用车载摄像头拍摄，约10个小时左右，视频的分辨率为640x480，30帧/秒。标注了约
250,000帧（约137分钟），350000个矩形框，2300个行人，另外还对矩形框之间的时间对应关系及其遮挡的情况进行标注。数据集分为
set00~set10，其中set00~set05为训练集，set06~set10为测试集（标注信息尚未公开）。性能评估方法有以下三种：（1）用
外部数据进行训练，在set06~set10进行测试；（2）6-fold交叉验证，选择其中的5个做训练，另外一个做测试，调整参数，最后给出训练集上
的性能；（3）用set00~set05训练，set06~set10做测试。由于测试集的标注信息没有公开，需要提交给Pitor Dollar。
结果提交方法为每30帧做一个测试，将结果保存在txt文档中（文件的命名方式为I00029.txt I00059.txt ……），每个txt文件中
的每行表示检测到一个行人，格式为“[left, top,width, height, score]”。如果没有检测到任何行人，则txt文档为空。
该数据库还提供了相应的Matlab工具包，包括视频标注信息的读取、画
ROC（Receiver Operatingcharacteristic Curve）曲线图和非极大值抑制等工具。
TUD行人数据库
TUD行人数据库为评估运动信息在行人检测中的作用，提供图像对以便计算光流信息。训练集的正样本为1092对图像（图片大小为
720x576，包含1776个行人）；负样本为192对非行人图像（手持摄像机85对，车载摄像机107对）；另外还提供26对车载摄像机拍摄的图像
（包含183个行人）作为附加训练集。测试集有508对图像（图像对的时间间隔为1秒，分辨率为640x480），共有1326个行人。
Andriluka等也构建了一个数据库用
于验证他们提出的检测与跟踪相结合的行人检测技术。该数据集的训练集提供了行人的矩形框信息、分割掩膜及其各部位（脚、小腿、大腿、躯干和头部）的大小和
位置信息。测试集为250张图片（包含311个完全可见的行人）用于测试检测器的性能，2个视频序列（TUD-Campus和TUD-Crossing）
用于评估跟踪器的性能。
NICTA行人数据库
该数据库是目前规模较大的静态图像行人数据库，25551张含单人的图片，5207张高分辨率非行人图片，数据库中已分好训练集和测试集，
方便不同分类器的比较。Overett等用“RealBoost+Haar”评估训练样本的平移、旋转和宽高比等各种因素对分类性能的影响：（1）行人高
度至少要大于40个象素；（2）在低分辨率下，对于Haar特征来说，增加样本宽度的性能好于增加样本高度的性能；（3）训练图片的大小要大于行人的实际
大小，即背景信息有助于提高性能；（4）对训练样本进行平移提高检测性能，旋转对性能的提高影响不大。以上的结论对于构建行人数据库具有很好的指导意义。
ETH行人数据库
Ess等构建了基于双目视觉的行人数据库用于多人的行人检测与跟踪研究。该数据库采用一对车载的AVT Marlins F033C摄像头进行拍摄，分辨率为640x480，帧率13-14fps，给出标定信息和行人标注信息，深度信息采用置信度传播方法获取。
CVC行人数据库
该数据库目前包含三个数据集（CVC-01、CVC-02和CVC-Virtual），主要用于车辆辅助驾驶中的行人检测研究。CVC-
01[Geronimo,2007]有1000个行人样本，6175个非行人样本（来自于图片中公路区域中的非行人图片，不像有的行人数据库非行人样本为
天空、沙滩和树木等自然图像）。CVC-02包含三个子数据集（CVC-02-CG、CVC-02-Classification和CVC-02-
System），分别针对行人检测的三个不同任务：感兴趣区域的产生、分类和系统性能评估。图像的采集采用Bumblebee2立体彩色视觉系统，分辨率
640x480，焦距6mm，对距离摄像头0~50m的行人进行标注，最小的行人图片为12x24。CVC-02-CG主要针对候选区域的产生，有100
张彩色图像，包含深度和3D点信息；CVC-02-Classification主要针对行人分类，训练集有1016张正样本，7650张负样本，测试集
分为基于切割窗口的分类（570张行人，7500张非行人）和整张图片的检测（250张包含行人的图片，共587个行人）；CVC-02-System主
要用于系统的性能评估，包含15个视频序列（4364帧），7983个行人。CVC-Virtual是通过Half-Life 2图像引擎产生的虚拟行人
数据集，共包含1678虚拟行人，2048个非行人图片用于测试。
USC行人数据库
该数据库包含三组数据集（USC-A、USC-B和USC-C），以XML格式提供标注信息。USC-A[Wu, 2005]的图片来自于网络，共205张图片，313个站立的行人，行人间不存在相互遮挡，拍摄角度为正面或者背面；USC-B的图片主要来自于CAVIAR视频库，包括各种视角的行人，行人之间有的相互遮挡，共54张图片，271个行人；USC-C有100张图片来自网络的图片，232个行人（多角度），行人之间无相互遮挡。
四、行人检测相关的网站链接：
[1]、Caltech Pedestrian Detection Benchmark：
http://www.vision.caltech.edu/Image_Datasets/CaltechPedestrians/
[2]、People-Tracking-by-Detection and People-Detection-by-Tracking
http://www.d2.mpi-inf.mpg.de/node/382
[3]、tracking-by-detection algorithm
http://www.vision.ee.ethz.ch/showroom/tracking/
[4]、 pedestrian-detection
http://www.pedestrian-detection.com/
[5]、Caltech Pedestrian Benchmark
http://vision.ucsd.edu/~pdollar/research.html
[6]、USC Pedestrian Detection Test Set
http://iris.usc.edu/Vision-Users/OldUsers/bowu/DatasetWebpage/dataset.html
[7]、Penn-Fudan Database for Pedestrian Detection and Segmentation
http://www.cis.upenn.edu/~jshi/ped_html/
[8]、 INRIA Pedestrian Detector
http://ttic.uchicago.edu/~smaji/projects/ped-detector/
[9]、http://www.gavrila.net/Research/Pedestrian_Detection/pedestrian_detection.html
五、其他
相关资料资料
1. Edgar Seemann维护的行人检测网站，比较全，包括publications, code, datasets等。
2. Pedestrian detection: state of the art. A video talk byPitor Dollar. Pitor Dollar做了很多关于行人检测方法的研究，他们研究小组的Caltech Pedestrian Dataset也很出名。
行人检测篇(三):行人道路检测与跟踪
行人道路检测与跟踪
.infoad {
FLOAT: left; MARGIN:3px;
}
行人道路检测与跟踪
摘要：本论文叙述了我用摄像头来检测跟踪道路行人系统的细节信息。
一． 简介
在瑞丁大学的一个研究项目中我开始研究用摄像头来检测跟踪行人的自动视觉监控系统。这项研究是在欧洲框架下的V项目ADVISOR基础上进行的，我们研发出了一个集成的视觉监控的行为分析系统。在这个项目的基础上研发的行人跟踪器基于Adam Baumberg开发出的Leeds People Tracker.
二． 主要研究成果
行人检测跟踪器是一个新型的模块系统，用来跟踪在连续镜头中出现的行人和其他物体。它的主要贡献是拥有一个强大且可扩展的结构，在现存的Leeds People Tracker基础上进行了完整的重新设计和大量重构，并添加了新的功能，达到了以下成果：
跟踪器的高可靠性使之能通过运用多重不同类型的并行运行的跟踪器和多重跟踪推理方法来检测到噪声和阻塞（可到ECCV 2002论文或我的博士论文查询细节）。
在任意数量的摄像头中能检测多重物体，并用XML格式输出跟踪信息。
可扩展性及大幅提升的可维护性（可到ICSM 2002论文查询细节）。
新文档用语维护行人跟踪器，包括一个完好定义和记录的软件维护程序（可到JSME/SMR论文查询程序实例）。
新的跟踪系统能实现跟踪行人和车辆的可行性（可查看PETS 2001论文了解之前版本跟踪器的可行性）。
该系统的集成系统是ADSIVOR的一个子系统，与其他子系统通过以太网接口。
能检验出颜色过滤方法是否能并在多大程度上能帮助提高动态侦测和边缘搜索。
跟踪器已经从SGI平台传输到个人电脑能运行的GNU/Linux环境以使之能成为实用系统。而且，系统的源代码现在已经大体符合ISO/IEC 14882-1998 C++标准和IEEE POSIX 1003.1c-1995 多线程扩展标准，因此它可便携。虽然代码保存在GNU/Linux环境下，它之前也可以在Windows XP/20002环境下进行汇编。
三． 跟踪算法3.1四个检测模块综述
模块1-移动探测器
一个移动探测器能探测图像中的移动像素点。它能模拟没有人在的背景图像。仅仅是把现有图像中的大像素点删去并用阈值转换法输出二进制移动图像结果。探测到的移动斑点的边界（边界框）之后被抽取出并作为该模块的输出。
主要特征：
l 简单的背景图像删除
l 图像过滤（空间中值滤波，扩张）基于可用的CPU时间
l 短暂地包含背景中的静态物体
l 用速度优化的中值滤波器来模拟背景
l 将静态区域融合进背景中（多层背景）
示例：
-=
这个例子展示了大像素区分图像和背景图像导致的不同图像，这些图像之后被阈值转换成二进制移动图像。这个例子也展示了区域和背景的低对比度（此例中是白色外套和浅黄色背景）能导致区域在移动图像中无法被探测到。
模块2-区域跟踪器
一个区域跟踪器能随时间跟踪这些移动的区域。这当中包括从之前框架中预测到的区域分裂和融合。
主要特征：
l 用预测分析区域分裂和融合
l 从动态的形状跟踪结果中调整边界框
l 找出用于背景融合的静态区域
示例：
模块3-头部检测器
一个头部检测器能在全部探测到的移动区域中迅速做出头部位置的假设。
主要特征：
l 在二进制图像中工作
l 在检测到的移动区域中找极点
l 用低通滤波做出垂直直方图
l 速度优化，但准确度不高
示例：
模块4-动态外形跟踪器
一个动态外型跟踪器运用可变形的模型来描绘出2D的行走人群的外形轮廓并跟踪。轮廓外型的初始化是在区域检测器和头部检测器的输出中完成的。
主要特征：
l 轮廓适合的边缘检测
l 来自区域检测器，头部检测器和行人的轮廓初始化
l 闭塞推理
示例：
左边的图像显示了怎样从区域检测器（紫色，绿色和白色边框）和在头部检测器中从它们中预测到的头部位置（涂成红色/粉色）的输出来提供初始化假设轮廓图（外型线条，涂成白色）给动态外形跟踪器。每一个假设，还有动态外形跟踪器的从先前轮廓中的预判，之后由动态外形跟踪器运用图像测定来检测。正确的图像信息包括轮廓的局部边缘搜索是怎样在一个重复优化的环路中用来判断合适外形的。
综合各个模块
用多个模块的主要目的是弥补单一模块的缺陷，从而达到比每个模块能提供的更好的全面跟踪效果。当然，当综合不同模型提供的信息时，明确了解不同模块的错误源是很重要的。如果两个模块产生同一类型的错误，那么综合的结果就毫无意义了。新的行人检测器被设计成能将这点很好的运用，从讲多模块的冗余性能最大化利用。
以下是整个系统的主要特征：
l 模块间的交融以避免无探测或错探测
l 两个跟踪模块间的独立预判以达到更大健壮性
l 多假设跟踪来弥补无跟踪和混合跟踪
l 所有模块都有摄像校正以提供可用数据
l 遵循软件工程原理来设计的软件，可伸缩和拓展(新的模块。。。)并能保持高稳定性和便携性。
3.2具体跟踪原理
完整的行人跟踪机理如下。3.3跟踪的行人图像示例
下示图像是假设强化后的行人跟踪图。跟踪区域（方形框）和简像（外形轮廓）在图像中展示了。四． 软件工程方面信息
行人检测器是完全重设计的，能输出一个新的设计。现在，这个软件系统具有高稳定性和便携性，一个能面向所有维修工程的软件程序被完好的定义和记录。我们在设计新的跟踪器时也注重了可拓展性和伸缩性。
源代码大体符合ISO/IEC 14882-1998 C++标准，和IEEE POSIX 1003.1c-1995多线程标准，使之能容易携带。虽然代码被保存在GNU/Linux环境下，它也能在Windows2000环境下运行。
瑞丁大学的行人检测软件工程小组的成员们和我检测了我们的行人跟踪软件过程和它对代码稳定性的影响（可参见JSME/SMR论文）。再另一个研究中我们也检测了重设计部件和它对代码稳定性的影响（可参见ICSM2002论文）。
五． 我们系统的特殊特征
l 贴近市场，集成产品
l 多原理的综合保证健壮性
l 冗余性帮助消除低质量图像
l 可伸缩，可拓展的设计
l 高稳定性和便携性的实现
l 其他跟踪器（例如UMD的W4）用不同方法实现了相同的跟踪效果
六． 相关文献
可参考我的检测文献查看细节。
七． 致函
l 这篇文献得到欧盟认可，ADVISOR授权（IST-1999-11287）
l 感谢Sergio Velastin（金士顿大学）和伦敦地铁局为我们提供视频数据。
八． 行人检测跟踪器源代码
行人检测跟踪器项目由德国克里斯丁大学的Nils T Siebel组织。源代码可在下载页面下载。
参考文献:
[1] http://www.siebel-research.de/people_tracking/
