对于行人检测中的遮挡问题，目前常用的一个解决方法是分别训练一系列的检测器，每一个检测器只用来检测身体的某个特定部位。例如，有的工作分别训练45个检测器，并将行人的身体划分为45部分，每个检测器只负责检测行人身体的某一个特定部位，如果检测到的部位的数量大于一定的阈值，则认为成功检测到一个遮挡的行人；还有的工作利用LSTM（Long Short Term Memory）机制来获取行人身体各部分区域之间的关系来解决行人检测中的遮挡问题。但是，现存的解决遮挡行人检测的方法中，这些行人身体各部分的划分都是事先人为定义的，这在一定程度上影响到了遮挡行人检测的识别率。同时，这些工作中的针对行人身体各部位区域检测的检测器都是单独训练的，这大大降低了行人检测的效率。随着我国经济的发展，城镇化的推进，导致城市人口数量激增，在车站、地铁、商场等许多公共场所聚集的人口数量巨大，很容易发生安全事故。因此，及时地检测客流情况，对行人进行检测分析显得十分重要。近年来，基于深度学习的行人检测技术，特别是真实场景下存在遮挡的行人检测技术正是在这种背景下出现并迅速发展的针对行人识别和定位的一种解决方案。行人检测技术作为图像处理和模式识别领域的一个分支，一直是计算机视觉领域中一个非常重要的研究课题。同时，它在一些实际应用中扮演着关键技术的角色，例如，行人检索、人口计数、自动驾驶，以及智能搜寻系统等，对其展开深入的研究不仅具有广泛的应用需求和前景，对于解决计算机视觉领域中的其它问题也有重大的借鉴意义。提出了一种基于身体关键点检测的真实场景遮挡行人检测方法，首先检测行人的一些身体关键点，然后通过检测到的行人身体关键点将行人身体自动的划分为不同的语义部分，将截取出来的行人身体语义部分图像与被遮挡的行人候选区域图像在图像级别上拼成一张大的图像来训练一个针对遮挡行人的行人检测器，从而解决真实场景下行人检测中的遮挡问题，其核心出发点是，第一通过行人身体关键点的检测来自动划分生成行人身体各个语义区域图像，第二利用对行人身体部分区域的检测来实现真实场景中遮挡行人的检测。本发明突破了现有深度学习方法不适用于真实场景中的遮挡行人检测的问题，克服了现阶段的行人检测方法在识别真实场景中被遮挡行人时正确率低的困难，促进了基于深度学习的行人检测技术在真实场景行人检测中的应用。

哈尔滨工业大学

该项目为储备库项目资源，暂无效益分析内容。