{
  "paper_id": "763655ce34913527b691d2889b3e7469",
  "paper_title": "RAPID AND ROBUST HUMAN DETECTION AND TRACKING BASED ON OMEGA-SHAPE FEATURES",
  "paper_authors": [
    "Min Li",
    "Zhaoxiang Zhang",
    "Kaiqi Huang",
    "Tieniu Tan"
  ],
  "publication_date": "",
  "publication_venue": "2009 16th IEEE International Conference on Image Processing (ICIP)",
  "abstract": "This paper proposes a novel method for rapid and robust human detection and tracking based on the omega-shape features of people's head-shoulder parts. There are two modules in this method. In the first module, a Viola-Jones type classifier and a local HOG (Histograms of Oriented Gradients) feature based AdaBoost classifier are combined to detect head-shoulders rapidly and effectively. Then, in the second module, each detected head-shoulder is tracked by a particle filter tracker using local HOG features to model target's appearance, which shows great robustness in scenarios of crowding, background distractors and partial occlusions. Experimental results demonstrate the effectiveness and efficiency of the proposed approach.",
  "keywords": [
    "head-shoulder detection",
    "tracking",
    "HOG"
  ],
  "paper_institutions": [
    "National Laboratory of Pattern Recognition",
    "Institute of Automation, Chinese Academy of Sciences"
  ],
  "output_language": "zh",
  "provider": "doubao",
  "model": "ark-code-latest",
  "prompt_template": "simple",
  "extracted_at": "2026-08-16T19:46:51.116376Z",
  "template_tag": "simple",
  "summary": "### 摘要\n本文针对拥挤监控场景中的人体检测与跟踪问题，提出了一种基于人体头肩部Omega形状特征的快速鲁棒方法。现有方法中，基于Haar特征的Viola-Jones分类器速度快但分类性能差，而基于局部HOG特征的AdaBoost分类器性能好但速度慢，且基于检测的跟踪方法耗时严重。为此，本文设计了两个模块：检测模块结合Viola-Jones型分类器与局部HOG特征AdaBoost分类器，先快速排除大量非头肩窗口，再对剩余稀疏窗口进行精确分类；跟踪模块对每个检测到的头肩目标，采用局部HOG特征建模外观并用粒子滤波跟踪。实验在开放头肩数据集和真实监控视频上进行，检测模块在密集扫描（25000子窗口）下仅需290ms，稀疏扫描（2500子窗口）下仅需40ms，相比纯HOG检测器（8600ms和840ms）大幅提速且分类性能几乎等效；跟踪模块在拥挤、遮挡和背景干扰场景下优于基于颜色特征的OFS方法，整个系统在检测和跟踪模块分别耗时15ms/帧和27ms/物体/帧，可支持多目标实时应用。核心机制为头肩区域的Omega形状特征提取与局部HOG特征匹配，观测模型采用Bhattacharyya系数度量相似度，并通过指数函数定义观测概率。\n\n### 关键要点\n- 该方法利用人体头肩部的Omega形状特征，在几乎所有视角下都具有区分性，克服了全身体检测易受遮挡和姿态限制的问题。\n- 检测模块采用两级级联：先用Viola-Jones类型分类器以高检测率（约98%）快速排除明显非目标窗口，再用局部HOG特征AdaBoost分类器精确分类。\n- 局部HOG特征提取中，样本被分为64个单元，每4个相邻单元组成块，块步长为1个单元（共49个块），每个单元计算8个方向、0-360度的梯度直方图，并在块内归一化。\n- 检测模块在密集扫描（25000子窗口）下耗时为290ms，稀疏扫描（2500子窗口）下为40ms，而纯HOG检测器分别为8600ms和840ms，速度提升约30倍且分类性能几乎相同。\n- 跟踪模块采用采样重要性重采样（SIR）粒子滤波，状态变量包含x、y平移和尺度s，动态模型使用自适应速度加高斯噪声。\n- 观测模型使用局部HOG特征表示目标外观，通过Bhattacharyya系数计算候选目标与目标模型的相似度，距离定义为sqrt(1-S)，观测概率正比于exp(-d)。\n- 目标模型通过遗忘因子β（实验中设为0.99）在线更新，以适应外观变化，每个跟踪器的粒子数设为150。\n- 在拥挤且间歇遮挡的测试序列中，基于局部HOG的粒子滤波跟踪器始终正确跟踪目标，而基于颜色特征的OFS方法在帧#127前就已丢失目标。\n- 在真实监控视频中，系统成功检测到9/10个出现的目标，唯一漏检是因为目标与另一目标躯干融合导致头肩形状不可观察。\n- 所有检测到的目标均被鲁棒跟踪直到消失，包括拥挤时目标重叠、背景相似颜色干扰以及快速移动（骑自行车）的情况。\n- 检测模块每帧耗时为15ms，跟踪模块每个目标每帧约27ms，当跟踪目标少于4个时系统可运行在10帧/秒以上。\n- 该方法适用于人群计数和安全监控等实际应用，但检测仅在预定义的“入口”区域内进行，以减少计算量并提高可靠性。"
}