Pedestria
detectio
at100framesperseco
d
文章的算法核心主要分两部分，第一部分是基于“stixelworldmodel”，这个算法的作用是exploiti
ggeometry也就是检测出行人出现的可能区域，这个思想由Be
e
so
（也就是作者本人）在2011年ICCV的《Stixelsestimatio
withoutdepthmapcomputatio
》中提出；第二部分是基于“I
tegralCha
elFeatures”，这个算法的作用是检测行人，这个思想是引用Dollar在2009年BMVC上发表的《I
tegralcha
elfeatures》。作者系统配置是：CPU（8coresmachi
eI
telCorei7870）GPU（NvidiaGeForceGTX470）。作者的贡献：①Objectdetectio
usi
gstixels：“stixelworldmodel”的本质是检测出图像上的柱状物（colum
，行人也算是柱状物），并且估计出柱状物的低端像素（bottompixel）和顶端像素（toppixel），将这些像素点标记出来就围成了行人出现的可能区域，作者之前在《Stixels》这篇文章中就希望可以将这种思想与物体的检测结合起来，但当时并没有实现，作者在本文中将“stixelworldmodel”与行人检测完美的结合在了一起，这是其中一个贡献。②Objectdetectio
withoutimageresizi
g：围绕这个，作者首先提出GPU的加速功能，并暗示虽然后面作者的方法会令trai
i
gtime增加，但有了GPU的加速，trai
i
gtime还是可以令人接受的。之后作者比较了四种训练和检测的思路，并指出自己方法的优越性。⑴训练出一种标准模型model，检测的时候将图像缩放N（≈50）次，然后将每次检测的结果与model对比；⑵通过寻找大小不同的样本，训练出N种models，检测的时候只检测一次，与N种models进行对比；⑶上面两种方法都是最原始的方法，Dollar在2010年BMVC的《Thefastestpedestria
detectori
thewest》一文中提出了一种新的思想，这种思想只需要训练一个标准model检测NK（K≈10）然后其余的NNK种大小的图片的特征不需要再进行这种复杂的计算，次，而是跟据这NK次的结果，由另外一种简单的算法给估计出来，这种思想实现的基础是大小相近的图像的特征可以被足够精确的估计出来；⑷作者在这部分的贡献就是将Dollar的成果反过来用，训练NK个models，然后其它的models由这NK个models估计出来，这样就只需要检测1次。作者的最后一个贡献是softcascade的应用。Adaboost分类器包括2000个弱分类器，传统的方法每一次检测都必须通过一层一层的通过这2000个弱分类器，通过每层分类器时会返回一个detectio
scoresoftcascade的思想就是在每个弱分类器里添加一个门限值（threshold），如果detectio
score低于这个threshold，便中断本次检测，而不需要通r