张强
（科学技术大学自动化系，安徽合肥230027）
在行人检测领域，标准HOG模型的应用已经相当成熟。为了获取更多的细节信息，本文在去除上下文背景的32×96尺寸模型基础上，设计了144个不同的block特征。接着，我们提出了一种基于类Fisher比的计算方法，用于评估每个block的类别区分力。利用NMS（非极大值抑制）方法选出最具代表性的24个block，串接成1854维的行人检测模型。实验结果表明，这种改进的行检测模型性能显著提升。
一、引言
行人检测是计算机视觉领域的热门研究方向之一。由于的非刚体性、外观多样性、复杂背景、光照变化等因素，行人检测面临诸多挑战。尽管如此，行人检测的市场应用前景十分广阔，如智能视频监控、车辆辅助驾驶、智能交通控制等。近年来，该技术在航拍图像、营救等新兴市场也得到了广泛应用。
本文在32×96尺寸下，设计了144个不同的block特征，然后利用一种新颖的特征选择方法挑选出最具代表性的特征，将这些特征向量串联构成一个1854维的行人检测模型。
二、相关工作
HOG特征由DALAL N和TRIGGS B在2005年的CVPR上提出，其3780维的64×128标准HOG行人模型几乎完美地解决了MIT行人数据集的问题。
针对标准HOG行人模型中block尺寸单一、无法充分发挥HOG潜力的问题，一些研究者尝试改变block的尺寸和比例。例如，Zhu Qiang等人通过改变block的宽高比例和滑动步长，获得了5031个不同的block。每个block结合SVM训练得到一个弱分类器，最终使用AdaBoost方法从这些弱分类器中选择构建级联结构的分类器。
田仙仙等人则在标准HOG行人检测模型的基础上，改变了block中cell的大小，设计了三种不同尺寸共计21个block特征。他们使用Fisher准则评价所有特征，将类间离散度矩阵与类内离散度矩阵之间行列式比值作为block特征的区分能力。
上述方法存在一些不足。例如，AdaBoost方法在选择特征时训练样本量大，计算复杂度高；Fisher准则在某些情况下无法有效衡量特征的类别区分力等。
三、改进的行人检测模型
本文采用在64×128标准HOG行人模型基础上去除上下文背景的32×96尺寸模型。在此基础上，我们设计了144个不同的block特征。
（一）特征设计
我们采用与标准HOG不同的设计思路，保持cell尺寸为，只在block的cell组合上做出变化。在32×96的滑动窗口内，将block宽度限定为16和32，宽高比例从1∶1、1∶2、1∶3变化到2∶1等。相邻block的移动步长为8。每个block由若干连续或不连续的cell组成。如图所示，每个方格代表一个cell。如表所示，我们列出了部分block的组成方式。这种设计旨在获取更多的细节信息。
（二）类Fisher比
