1. 研究目的与意义

行人检测在智能车、机器人、视频监控等方向有着重要的应用。

举个简单的例子，目前交通意外事故死伤率最高的就是行人，一方面因为行人的自觉性较差，胡乱横穿马路或是闯红灯，另一方面就是驾驶员未能及时察觉并减速。

对于这个问题，本课题的研究可以减少此类问题的发生，当行人进入车辆行驶可能导致车祸发生的范围时，车辆通过图像检测出前方有行人出现，并及时提醒驾驶员减速，避免可能发生的碰撞，如此便能减少此类交通意外的发生。

2. 课题关键问题和重难点

行人检测所面临的挑战主要表现在以下几个方面：1. 人体并非是一个固定的形状，在各种状态下，例如跑步，行走，蹲，站立等不同的姿势导致人的形状的不确定性；2. 每个行人的穿着打扮都大不相同；3. 当有较多行人时，大家走在一起相互遮挡，不一定能拍摄到每一个人的完整的图片；4. 各个不同地点的造成各种不同背景，同时不同时间不同天气下光照程度也会有一定的影响；5. 拍摄视角的不同，从各个不同角度拍摄的人体的同一行为都是不相同的；6. 实时性检测的问题；7. 行人训练样本的制作问题。

目前基于计算机视觉的行人检测大多是基于特征提取和机器学习的方法 ，在特征提取方面，轮廓、纹理、频域信息以及颜色区域等特征常用于描述行人与背景的区别，如HOG ，EOH ，Edgelet ，Shapelet等。

3. 国内外研究现状（文献综述）

方向直方图特征很早就被应用在机器视觉领域中，它得到比较成熟的应用的标志是lowe提出的应用于图像匹配的sift（scale invariant feature transform）特征的出现。

lowe利用局部梯度直方图描述图像块，根据此方法进行匹配具有尺度不变性的特征，较为相似的特征如形状上下文（shape context）特征和边缘方向直方图（eoh：edge orientation histograms）特征等。

在2005年dalal提出的hog就是类似sift的图像描述方法。

4. 研究方案

在图像中，局部目标的表象和形状能够被梯度或边缘的方向密度分布很好地描述。

首先将图像分成小的连通区域，然后采集细胞单元中各像素点的梯度的或边缘的方向直方图，最后把这些直方图组合起来就可以构成特征描述器。

把这些局部直方图在图像的更大的范围内进行对比度归一化，所采用的方法是：先计算各直方图在这个区间中的密度，然后根据这个密度对区间中的各个细胞单元做归一化。

5. 工作计划

第1-4周：查阅关于hog算法的相关文献，收集实验所需的材料和数据，掌握相关的知识，了解hog算法的实现和应用。

第5-8周：下载opencv库和microsoft visual studio 2010以上版本，两者配合进行编码。

学习opencv的使用方法以及相关的知识，能够熟练使用软件，并了解图形软件设计的知识和结构，设计基本程序框架，设计算法。