● 摘要
行人检测是计算机视觉领域很重要的分支。行人检测在日常生活中有很多用途，包括安全监控录像和行人安全等。目前很多研究重点是提升检测的准确性，主要优化分辨率差异，造型，画面，镜头角度，背景等。在文主要提升不同分辨率下行人检测的性能。目前工业生产中的行人检测系统对低分辨率行人检测的准确性和实时性至关重要。在汽车安全系统中及时检测到远距离的行人可以提供给司机更多反应时间。比如智能交通系统里，驾驶员希望提前看清比较远(低分辨率)的人，这样可以给驾驶员足够的反应时间。为了解决低分辨率检测时的性能问题，我们主要采用隐变量支持向量机学习算法优化多任务弹性形变模型所依赖的检测模板。
本文尝试改进多任务弹性形变模型的检测模板训练过程，降低低分辨率的局部模板的训练时间，提升模板的检测精度。本文主要使用分辨率变换模型把高低分辨率图像的HOG 特征变换到统一特征空间进行训练，由于局部模型的位置大小等信息也是未知的，所以本文采用隐变量支持向量机模型进行模型训练，引入分辨率变换参数，采用坐标下降算法逐步求解分辨率变化参数和检测模板，最后是弹性形变模型进行行人检测。