行人檢測(cè)是當(dāng)前機(jī)器視覺領(lǐng)域的挑戰(zhàn)性課題之一。為了提高行人檢測(cè)效率，提出一種基于優(yōu)化圖的半監(jiān)督學(xué)習(xí)的行人檢測(cè)算法。首先，提取每幅圖像的形狀上下文特征，并采用選擇性搜索提取出行人候選區(qū)域建議框；然后，提出一種優(yōu)化圖的半監(jiān)督學(xué)習(xí)方法，該方法融合包含行人的建議框之間距離盡量小，而不包含行人的建議框和包含行人的建議框之間的距離盡量大的先驗(yàn)知識(shí)構(gòu)建模型，解決在行人檢測(cè)過程中普遍存在訓(xùn)練數(shù)據(jù)不足，挖掘不到足夠的先驗(yàn)知識(shí)，沒有很好的泛化性問題；最后，將提出的算法與現(xiàn)有的行人檢測(cè)方法進(jìn)行實(shí)驗(yàn)比較，驗(yàn)證算法的有效性。

　　行人檢測(cè)是圖像處理和計(jì)算機(jī)視覺領(lǐng)域中的研究熱點(diǎn)，具有廣闊的應(yīng)用前景，例如智能公共安全、車輛輔助駕駛、人體行為分析、人機(jī)交互、機(jī)器人視覺導(dǎo)航等。目前有很多學(xué)者和研究機(jī)構(gòu)熱衷于行人檢測(cè)的研究，有許多算法被提出，例如基于圖像低層信息（顏色、形狀、紋理等）的方法，Oren 等［1］提出的Haar 行人特征描述子，利用水平、垂直、對(duì)角線三個(gè)方向的小波在不同尺度上提取特征。Ojala 等［2］提出的LBP 是用于紋理分類的特征提取方法。Tuzel 等［3］利用多種不同特征的協(xié)方差矩陣來描述行人的局部特征。由于統(tǒng)計(jì)機(jī)器學(xué)習(xí)具有良好的函數(shù)學(xué)習(xí)和泛化能力，基于統(tǒng)計(jì)機(jī)器學(xué)習(xí)的行人檢測(cè)方法是目前研究的熱點(diǎn)，例如Szaras 等［4］利用卷積神經(jīng)網(wǎng)絡(luò)，通過學(xué)習(xí)算法自動(dòng)選取分類特征。Grubb 等［5］利用兩個(gè)SVM 分類器進(jìn)行行人檢測(cè)。Viola 等［6］利用矩陣特征、AdaBoost 和級(jí)聯(lián)分類器實(shí)現(xiàn)了行人檢測(cè)。還有一些算法將人體看成部位（頭部、軀干、上肢和下肢）分類器進(jìn)行行人檢測(cè)，例如Mohan 等［7］將人體劃分4 個(gè)部分，將各個(gè)部分的分類器作為SVM的輸入，建立一個(gè)組合的多層次的分類器檢測(cè)行人。Felzenszwalb等［8］基于圖案結(jié)構(gòu)模型，將滑動(dòng)窗口與部位法相結(jié)構(gòu)檢測(cè)行人。Ali 等［9］利用Adaboost 將姿態(tài)估計(jì)和特征選擇結(jié)合的方法來實(shí)現(xiàn)行人檢測(cè)。近年來采用深度學(xué)習(xí)進(jìn)行行人檢測(cè)的方法相繼被提出，例如Jung 等［10］提出了用指導(dǎo)網(wǎng)絡(luò)來協(xié)助訓(xùn)練深度卷積神經(jīng)網(wǎng)絡(luò)來提高行人檢測(cè)的準(zhǔn)確性。Tomè 等［11］提出了一種基于深度學(xué)習(xí)的行人檢測(cè)系統(tǒng)。

?

　　本文提出一種基于優(yōu)化圖的半監(jiān)督學(xué)習(xí)的行人檢測(cè)算法，首先提取每幅圖像的形狀上下文特征，并采用選擇性搜索提取出行人候選區(qū)域建議框，然后融合包含行人的建議框之間距離盡量小，而不包含行人的建議框和包含行人的建議框之間的距離盡量大的先驗(yàn)知識(shí)構(gòu)建一種優(yōu)化圖的半監(jiān)督行人檢測(cè)模型，利用該模型對(duì)圖像的行人進(jìn)行檢測(cè)。