在机器视觉领域,无论是对图片分类,还是目标识别,传统的方法都是采用训练好的分类器对输入图像进行滑动窗口检测,评分大于阈值的窗口就判断为有行人,反之就舍弃该窗口。由于要保证检测的精度,滑动步长通常较小,这样就会导致一幅图像在滑动过程中产生大量窗口,而且对每个窗口的检测涉及到矩阵运算,这样就导致检测算法耗时严重。因此,提升检测算法速度的关键就是减少检测窗口的数量。针对这一问题,本文通过对似物性方法和传统行人检测方法的研究,提出了一种基于BING和C4的快速行人检测算法。通过分析传统方法的检测过程可知,滑动窗口遍历图像是影响检测速度的重要因素,因此有很多研究人员就开始了提取图像的感兴趣区域的研究,即似物性采样。2014年由程明明等人在CVPR上发表了似物性采样算法BING。BING算法是基于人的视觉系统提出的,好比人在面对复杂场景时,人眼可以快速、准确的将注意力放在比较明显的视觉对象上,然后才会仔细辨别那是个什么对象。同理,BING就是在一幅图像中找出包含的物体,忽视图像中的背景和干扰,快速定位感兴趣的区域。算法的核心是图像中的物体被缩放到8*8的大小后会有明显的闭合边缘特征。我们针对不同尺寸图像包含行人的概率不同,增加了第二级分类模型对各个尺寸的结果进行校正,防止漏检。C4算法是吴建鑫等提出的一种快速、准确的行人检测算法。算法采用的是基于行人轮廓信息的CENTRIST特征,再结合级联分类器对输入图像进行检测。C4算法相对于HOG+SVM,在检测速度和检测精度上都更有优势。首先需要通过缩放构建图像金字塔,接着用Sobel算子构建Sobel图像,然后计算每个像素的CT值得到CT图像。检测阶段,使用线性SVM检测行人,通过构建辅助图像和积分图像就能方便地得到线性SVM的分类结果。由于线性SVM分类的准确率较低,所以需要使用HIK SVM进一步检测。基于BING和C4的完整行人检测方法把BING方法作为行人检测的预处理阶段,将产生的对象建议窗口交给准确的行人检测方法C4进行精确检测。针对检测算法在ADAS上的应用场景,我们把算法在TX1平台上进行了实现,并利用INRIA数据库和自建图像库的数据进行了实验,证明算法在检测速度和精度上都满足要求。