行人檢測是當(dāng)前機器視覺領(lǐng)域的挑戰(zhàn)性課題之一。為了提高行人檢測效率，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知識構(gòu)建模型，解決在行人檢測過程中普遍存在訓(xùn)練數(shù)據(jù)不足，挖掘不到足夠的先驗知識，沒有很好的泛化性問題；最后，將提出的算法與現(xiàn)有的行人檢測方法進行實驗比較，驗證算法的有效性。

　　行人檢測是圖像處理和計算機視覺領(lǐng)域中的研究熱點，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、人機交互、機器人視覺導(dǎo)航等。目前有很多學(xué)者和研究機構(gòu)熱衷于行人檢測的研究，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、對角線三個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)計機器學(xué)習(xí)具有良好的函數(shù)學(xué)習(xí)和泛化能力，基于統(tǒng)計機器學(xué)習(xí)的行人檢測方法是目前研究的熱點，例如Szaras 等［4］利用卷積神經(jīng)網(wǎng)絡(luò)，通過學(xué)習(xí)算法自動選取分類特征。Grubb 等［5］利用兩個SVM 分類器進行行人檢測。Viola 等［6］利用矩陣特征、AdaBoost 和級聯(lián)分類器實現(xiàn)了行人檢測。還有一些算法將人體看成部位（頭部、軀干、上肢和下肢）分類器進行行人檢測，例如Mohan 等［7］將人體劃分4 個部分，將各個部分的分類器作為SVM的輸入，建立一個組合的多層次的分類器檢測行人。Felzenszwalb等［8］基于圖案結(jié)構(gòu)模型，將滑動窗口與部位法相結(jié)構(gòu)檢測行人。Ali 等［9］利用Adaboost 將姿態(tài)估計和特征選擇結(jié)合的方法來實現(xiàn)行人檢測。近年來采用深度學(xué)習(xí)進行行人檢測的方法相繼被提出，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)來提高行人檢測的準確性。Tomè 等［11］提出了一種基于深度學(xué)習(xí)的行人檢測系統(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知識構(gòu)建一種優(yōu)化圖的半監(jiān)督行人檢測模型，利用該模型對圖像的行人進行檢測。