HOG人物探测器：为什么背景地面物体被检测为人？

Question

我正在开展一个项目，涉及检测各种框架中的人。检测器能够检测帧序列中的大多数人。

但它有时会像人一样检测静止的背景物体。我真的想知道为什么会发生这种情况以及探测器的当前工作如何导致这些误报。

可以采取哪些措施来消除这些误报？

假阳性检测样本：

Answer 1

this论文的作者在标题中暗示：＆＃34;我们解决行人检测的距离有多远？＆＃34;，我们还没有解决视觉行人的问题事实上，在实际场景中检测，有些人认为它永远不会完全解决。

在城市场景中检测人员可能是计算机视觉中最困难的任务之一。场景混乱，混乱，随机和不可预测的元素，行人可能被遮挡，它们可能隐藏在阴影中或在相机无法看到它们的黑暗环境中。事实上，视觉行人检测仍然是迄今为止最重要的挑战之一。

你甚至没有使用现有技术中最好的方法，正如你在下面的图形中看到的那样，自从HOG成为执行此任务的最佳算法以来，已经很长时间了。

（Piotr Dollar，Christian Wojek，Bernt Schiele和Pietro Perona从"Pedestrian Detection: An Evaluation of the State of the Art"拍摄的照片）

那篇论文已经过时了，但是你会发现，即使是效果最好的算法在图像数据集中仍然表现不佳，更不用说真实场景了。

那么，为了回答你的问题，你能做些什么来提高它的表现？这取决于。如果您可以在特定场景中做出允许此问题变得更简单的假设，那么您可以消除一些误报。改善结果的其他方法，以及每个自动驾驶辅助系统所做的事情，都是融合不同的传感器信息来帮助视觉系统。大多数人使用LIDAR和RADAR为摄像机提供可供查看的位置，这有助于算法的性能和速度。

因此，您可以看到它非常依赖于应用程序。如果您的应用程序应该在一个简单的场景下工作，那么背景减法算法将有助于删除错误的检测。您还可以使用错误检测到的数据来引导分类器，以提高其性能。

但是要知道一件事：无论你尝试多少，计算机视觉都没有100％。它总是在接受误报和系统稳健性之间取得平衡。

干杯。

编辑：要回答标题的问题，为什么背景物体被检测为人？因为HOG都是关于评估图像边缘的，所以你可能正在将HOG功能发送到SVM，对吧？在您提供的图像中检测到的垂直极点与人类共享一些视觉属性，例如其垂直边缘。这就是为什么这些算法在交通标志和其他垂直元素中失败很多的原因，你可以在我关于这个主题的硕士论文中看到：Visual Pedestrian Detection using Integral Channels for ADAS