{
"paper_id": "a0ecbe50949fcaee954d516ed47d9e22",
"paper_title": "Robust Head-shoulder Detection using Deformable Part-based Models",
"paper_authors": [
"Enes Dayangac",
"Christian Wiede",
"Julia Richter",
"Gangolf Hirtz"
],
"publication_date": "",
"publication_venue": "Proceedings of the 10th International Conference on Computer Vision Theory and Applications",
"abstract": "Conventional person detection algorithms lack of robustness, especially when the person is partially occluded. We propose thereby a robust head-shoulder detector in 2-D images using deformable part-based models. This detector can be used in a variety of applications such as people counting and person dwell time measurements. In experiments, we compare the head-shoulder detector with the full body detector quantitatively and analyze the robustness of the detector in realistic scenarios. In the results, we show that the model learned with our method outperforms other methods proposed in related work on an ambient assisted living application.",
"keywords": [
"Person Detection",
"Head-shoulder Detection",
"Ambient Assisted Living",
"Latent SVM",
"DPM",
"ACF-Detector"
],
"paper_institutions": [
"Technische Universität Chemnitz"
],
"output_language": "zh",
"provider": "doubao",
"model": "ark-code-latest",
"prompt_template": "simple",
"extracted_at": "2026-08-16T19:46:22.074386Z",
"template_tag": "deep_read",
"summary": "# Robust Head-shoulder Detection using Deformable Part-based Models\n\n\n**作者 / Authors:** Enes Dayangac, Christian Wiede, Julia Richter, Gangolf Hirtz\n\n\n**单位 / Institutions:** Technische Universität Chemnitz\n\n\n\n**输出语言 / Output Language:** zh\n\n\n\n\n\n\n## 模块 A：阅读对齐与输入校验 / Module A: Reading Alignment and Input Check\n\n### 1. 论文元数据\n\n- **标题**: Robust Head-shoulder Detection using Deformable Part-based Models\n- **作者**: Enes Dayangac（德国开姆尼茨工业大学电气工程与信息技术学院）、Christian Wiede（同前）、Julia Richter（同前）、Gangolf Hirtz（同前）\n- **出版场所/渠道**: 未明确给出（会议或期刊名称未知，年份未提供），但根据参考文献中有2014年工作，推测为2014-2015年会议论文，具体级别未知。\n\n### 2. 研究定位\n\n- **研究领域**: 计算机视觉，目标检测，老人辅助生活环境（AAL）\n- **具体任务**: 在2D图像中检测人的头肩部分，以应对部分遮挡和特殊摄像机视角（天花板俯视）条件下的鲁棒人物检测。\n- **目标用户/应用场景**: 智能家居/环境辅助生活（AAL）中的人员计数、驻留时间测量，以及老人护理监控等。\n\n### 3. 输入材料清单\n\n- **PDF**: 是（已提供文本）\n- **附录/补充材料**: 未提供\n- **代码链接**: 未提供（但提及使用公开工具如Matlab Toolbox和DPM voc-release5，未给出直接链接）\n- **数据集链接**: 未提供（作者自建数据集，未公开；公开测试集GER'HOME未给出链接）\n\n### 4. 缺失材料与风险\n\n- **缺失项**: 公开数据集链接、代码实现、实验详细参数（如PCA维度）、标注工具等。\n- **可能影响**: 无法复现实验细节，难以验证模型在更多场景下的泛化性，影响结论的可重复性。\n\n### 5. 阅读路线（3-6步）\n\n- **步骤1**: 快速通读摘要、引言和结论，把握论文核心贡献（头肩DPM检测器用于AAL场景）。\n- **步骤2**: 细读方法部分（第3节）和数据处理链（第4节），理解模型结构、训练数据和标注方式。\n- **步骤3**: 重点分析实验部分（第5节），对比表2和表4中的TPR/FPR，关注不同条件的实验结果。\n- **步骤4**: 阅读讨论部分（第6节），理解距离、光照、训练样本数量的影响。\n- **步骤5**: 回顾相关工作（第2节），定位本方法在领域中的位置，并评估其创新性和局限性。\n- **步骤6**: 检查参考文献，追踪关键引用（如Felzenszwalb等）并确认工具版本，必要时进行验证。\n\n**分类依据**: 论文提出了一种新的头肩检测模型，基于DPM框架，并以此构建检测系统，但主要贡献在于方法（模型训练与应用），因此归类为`method`。\n\n\n## 模块 B：第一遍鸟瞰扫描（类别/上下文/正确性/贡献/清晰度） / Module B: First Pass Overview (category, context, correctness, contribution, clarity)\n\n[论文类型与类别]\n这是一篇方法型（method）论文，属于计算机视觉领域，具体为人检测（person detection）子方向，提出一种基于可变形部件模型（DPM）的头部-肩部检测器，用于环境辅助生活（AAL）场景。论文类型为算法/系统方法论文，侧重于模型构建与实验验证。\n\n[背景与上下文]\n论文针对传统全身检测器在AAL场景下的不足——当摄像机安装在天花板并倾斜（约20°），人靠近摄像机时下半身被遮挡、坐姿或弯腰时腿部不可见、背景部分遮挡等导致全身检测性能差，而头肩部分几乎总是可见。因此，作者提出用DPM训练一个头肩模型，替代全身模型。相关工作涵盖滑窗检测（Viola-Jones、HOG、ACF）、特征组合以及部件模型，但尚无针对AAL场景的头肩检测公开数据集。作者自建数据集（11920张图像，9013正样本、2907负样本），并用公开数据集GER'HOME做测试。\n\n[直观正确性检查]\n核心假设是：在AAL天花板上摄像头视角下，人物的头肩区域始终可见且变形程度较小，而全身模型由于遮挡和视角失真不可靠。该假设在文中通过图1示例（人站在摄像头下、坐桌边、背对摄像头）得到支持，直观上合理。DPM本身能处理部件变形和部分遮挡，将其应用于头肩区域从技术上是可行的。另一个隐含假设是头肩模型在远近距离下的比例变化不大，文中实验表明距离因素对头肩模型影响很小，合理性得到验证。总体而言，关键假设在典型的AAL场景下成立。\n\n[核心贡献]\n\n1) 提出一种基于DPM的头肩检测器，可在AAL场景对部分遮挡人员进行鲁棒检测。\n2) 构建了一个包含11920张图像的自建数据集（含多种光照和距离条件），并完成PASCAL格式标注。\n3) 系统比较DPM与ACF检测器在全身和头肩模型上的性能，证明DPM优于ACF。\n4) 实验证明头肩模型相比全身模型在AAL场景中TPR从48%提升至93%（表2），并在公开数据集GER'HOME上达到93% TPR和2% FPR（表4）。\n5) 分析距离、光照和训练样本数对模型性能的影响，为后续应用提供指导。\n\n[清晰度评估]\n论文结构清晰，从引言、相关工作到方法、数据、实验、讨论和结论，符合标准流程。图2展示了头肩模型的组成部分（根滤波器和部件滤波器），图3给出示例检测结果，有助于理解。表1概括了6个实验，表2和表4给出关键数值对比。公式和符号使用较少，主要通过图表示性能（PR曲线）。可读性较好，但存在一些文字错误（如“Fig. fig:exp2-1”未正确引用，正文中“6.2”疑为“0.6”的笔误）。总体验证和呈现逻辑合理，易于复现。\n\n[继续或停止建议]\n建议继续后续深度阅读（第二遍、第三遍）。理由：论文提出的方法具有明确应用价值，且实验设计较全面，但省略了部分实现细节（如具体PCA维度、训练参数等），需在深度阅读中重点考察实验的可复现性和结论的稳健性；此外，其对比方法仅涉及DPM和ACF，未与更多先进算法比较，需通过深度评估其创新性。\n\n[结构大纲图]\n\n```markmap\n# 论文概览\n## 引言（问题定义、贡献）\n## 相关工作（行人检测、部件模型、头肩检测）\n## 方法（DPM原理、头肩模型构建）\n## 数据处理链（数据采集、标注、训练）\n## 实验设置与结果（6个实验）\n ### 实验1：全身模型DPM vs ACF（自建数据集）\n ### 实验2：头肩模型DPM vs ACF（自建数据集）\n ### 实验3：头肩 vs 全身（DPM）在姿态与遮挡下比较\n ### 实验4：距离与光照影响\n ### 实验5：训练样本数量影响\n ### 实验6：公开数据集测试（GER'HOME）\n## 讨论（各因素分析）\n## 结论与未来工作\n```\n\n\n## 模块 C1：论文试图解决什么问题？ / Module C1: What problem does the paper try to solve?\n\n### 1. 问题定义（一句话）\n\n本论文旨在解决在环境辅助生活（AAL）场景中，由于摄像机俯视、部分遮挡、距离变化和光照变化等因素导致传统全身人物检测算法鲁棒性不足的问题，提出一种基于可变形部件模型（DPM）的头肩部检测器。\n\n### 2. 痛点与不足\n\n- **全身模型不适用**：在AAL场景中，摄像机常安装于天花板并倾斜约20°（第4.1节），当人靠近摄像机时，下身被躯干遮挡，传统基于正面全身样训练的全身体检测模型效果差（第1节）。\n- **部分遮挡与视角问题**：人体可能被桌子等物体遮挡、背对摄像机或处于坐/躺等姿态，全身模型易产生漏检或误检（第3节，图1）。\n- **公开数据集缺失**：现有公开数据集（INRIA、PASCAL、Caltech等）均假设摄像机与人体同高、全身可见，不适用于AAL俯视场景，导致无法直接训练头肩模型（第2节）。\n- **光照与距离影响**：不同光照条件下（明亮/昏暗）及不同距离（近/中/远）对检测性能有显著影响，现有方法难以稳定应对（第6.3、6.4节）。\n\n### 3. 正式目标或优化目标\n\n论文未给出显式的数学优化目标，但基于DPM（隐SVM）框架，目标函数可理解为：在给定训练样本（正样本：头肩区域；负样本：无人物图像）下，学习一组部件滤波器与空间模型，使得分类器得分函数能够最大化正样本的响应并最小化负样本的响应，同时允许部件位置作为隐变量来适应形变。形式上，DPM的得分函数为：\n\\[score(x) = \\sum_{i} F_i \\cdot \\phi_i(x) + b\\]\n其中\\(F_i\\)为滤波器权重，\\(\\phi_i\\)为HOG特征，\\(b\\)为偏置，模型的训练通过隐SVM迭代完成（第3节）。\n\n### 4. 成功标准（度量或期望属性）\n\n- **检测性能**：使用真阳性率（TPR）和假阳性率（FPR）作为主要指标（第5节）。在实验3中（表2），头肩模型在自建数据集上达到TPR=93%、FPR=2%，而全身模型仅为TPR=48%、FPR=1%。\n- **泛化能力**：在公开数据集GER'HOME上，头肩模型TPR=93%、FPR=2%，优于全身体模型（TPR=76%、FPR=12%）（表4），证明其在其他AAL场景下的有效性。\n- **鲁棒性**：期望模型对距离（近、中、远）和光照（亮、暗）变化不敏感，实验4表明距离影响极小，亮光下性能更好（第6.3、6.4节）。\n- **与现有方法对比**：在相同数据上，DPM头肩模型优于ACF检测器（实验2，图6/7对比）。\n\n**总结**：成功标准是使头肩检测器在AAL典型场景中达到高TPR（>90%）、低FPR（≤2%），并在不同距离、光照条件下保持稳定，且优于传统全身体检测方法。\n\n\n## 模块 C2：有哪些相关研究？（最强基线/最相近思路/正交方向） / Module C2: What related research exists? (strongest baseline, closest approach, orthogonal directions)\n\n### 模块C2：相关工作定位\n\n#### 1. 最强基线及其比较轴\n\n- **最强基线**：ACF（Aggregate Channel Features）检测器（Dollár et al., 2009a, 2010）——一种基于积分通道特征的快速滑动窗口检测器，在行人检测中表现优异。\n- **比较轴**：在同一自建数据集上，分别训练全身体和头肩模型，以TPR（真阳性率）和FPR（假阳性率）、PR曲线及平均精度（AP）为指标，比较DPM与ACF的检测性能。实验1和2直接对比了全身体和头肩模型下的DPM与ACF（见第5.1、5.2节及图4-7）。\n\n#### 2. 最接近的方法及关键差异\n\n- **最接近方法**：基于可变形部件模型（DPM）的人体检测（Felzenszwalb et al., 2010），以及现有头部-肩部检测方法，如基于Ω形状特征的检测（Li et al., 2009）、基于注意力的多视图级联检测（Tu et al., 2013）和基于En-Contour边缘特征的方法（Wang et al., 2013）。\n- **关键差异**：\n - 与标准DPM全身体模型相比，本方法将DPM框架的检测目标从全身体改为头肩区域，专门适应天花板安装、俯视角、部分遮挡的AAL场景。\n - 与现有头肩检测方法相比，本方法采用可变形部件模型（DPM）和隐式SVM（Latent SVM）训练，能够动态分配部件模型到整体模型（第3节），且首次在AAL场景中系统评估其性能，弥补了以往方法未在AAL场景测试的空白（第2节末）。\n\n#### 3. 正交方向\n\n- **正交方向**：\n 1. 基于3D点云的人体检测与定位（如Kirchner等2012年的头肩特征用于人识别，Richter等2014年的3D世界坐标定位）——这些方法依赖深度或立体视觉，与本文的2D图像检测互补。\n 2. 利用运动信息或时空特征的行人检测（如Viola等2003，Wojek等2009）——本文仅用单帧2D图像，未利用时序信息。\n 3. 基于形状特征（如Shapelet、Edgelet）的部件检测（如Sabzmeydani & Mori 2007，Wu & Nevatia 2005）——这些方法侧重形状描述，与HOG特征的差异性不同于DPM的部件模型。\n\n#### 4. 一句话定位\n\n本文提出将可变形部件模型（DPM）应用于头肩检测，专门解决AAL场景中俯视摄像头、遮挡和视角变化下全身体检测失败的问题，并在自建数据集及公开数据集（GER'HOME）上验证了其优于ACF和全身体DPM的鲁棒性（第5、6节）。\n\n\n## 模块 C3：论文如何解决这个问题？（流程图文字版） / Module C3: How does the paper solve the problem? (include a text flowchart)\n\n### 1. 核心机制概述\n\n论文采用可变形部分模型（Deformable Part-based Models, DPM）来构建头部-肩部检测器。DPM 是一种判别式部分模型方法，将人物表示为低分辨率的根滤波器、多个高分辨率的局部滤波器以及各部分相对于根的空间位置模型。在 AAL（环境辅助生活）场景下，由于广角相机常安装于天花板或倾斜视角，人物下半身常被遮挡，而头部-肩部始终可见。因此论文训练了一个针对头部-肩部的 DPM 模型，替代传统的全身模型，从而在部分遮挡和特殊视角下实现鲁棒检测。\n\n### 2. 逐步分解\n\n处理流程可分为以下步骤：\n\n- **训练阶段**：\n 1. 数据采集：使用 CCD 摄像机（Allied GC1350，1.3 MP，广角镜头）在不同光照和距离条件下录制 11920 张图像（9013 正样本，2907 负样本），正样本包含单个人物的头部-肩部区域。\n 2. 数据标注：生成 PASCAL 格式的标注文件，手动框出头部-肩部边界框，开发专用标注工具以提高效率，并将数据划分为独立的训练集和测试集。\n 3. 模型训练：利用 DPM 框架（Felzenszwalb et al. 2010）训练头部-肩部模型，同时训练全身模型进行对比。训练中使用 Latent SVM（隐变量 SVM）作为分类器，模型包含根滤波器、部分滤波器和空间模型。\n- **检测阶段**：\n 1. 构建图像金字塔：对输入图像进行多尺度下采样，生成多个尺度。\n 2. 计算 HOG 特征：在每个尺度上提取 HOG（方向梯度直方图）特征。\n 3. 应用滤波器：将根滤波器和部分滤波器分别与 HOG 特征进行卷积，得到每个部分的响应图。\n 4. 结合部分模型：在单个尺度上，将各部分的响应按照空间模型进行组合，得到该尺度的得分。\n 5. 融合多尺度结果：将不同尺度的得分进行融合，获得最终的人物位置得分，根据阈值判定检测结果。\n\n### 3. 关键公式或模块作用\n\n- **DPM 模型构成**：\n - 低分辨率根滤波器：描述整体的头部-肩部外观。\n - 高分辨率部分滤波器：描述头部、肩部等子区域的外观，具有空间灵活性。\n - 空间模型：定义了各部分相对于根的位置偏移（锚点位置）以及形变代价。\n- **检测得分函数**（隐式给出）：得分 = 根滤波器得分 + Σ(部分滤波器得分 - 形变代价)，形变代价由空间模型中的二次函数计算。\n- **Latent SVM**：训练时，部分位置是隐变量，通过迭代优化（如坐标下降）同时学习滤波器权重和形变参数。\n- **特征金字塔与 HOG**：在每个尺度提取 HOG 特征，利用滑动窗口方式对每个位置进行打分。\n\n### 4. 处理流程图（方法导向）\n\n```mermaid\nflowchart TD\n A[输入图像] --> B[构建图像金字塔]\n B --> C[在每个尺度计算HOG特征]\n C --> D[应用根滤波器和多个部分滤波器]\n D --> E[按空间模型组合部分得分，得到该尺度得分]\n E --> F[融合多尺度得分，得到根位置最终得分]\n F --> G[阈值判定，输出检测框]\n```\n\n（注：流程图基于 DPM 标准流程，论文中描述类似步骤。）\n\n\n## 模块 C4：实验数据集与实现设置（数据集/场景、为何选择、验证哪些关键特性） / Module C4: Datasets and implementation settings (what datasets/scenarios, why chosen, what they validate)\n\n### 数据集与基准\n\n论文使用了自建数据集与公开数据集GER'HOME作为评估基准。自建数据集包含11920张图像（9013张正样本，2907张负样本），由13名不同年龄、性别的参与者穿着不同衣物，在多种姿态（坐、站、躺）下采集。公开数据集GER'HOME（Zouba et al., 2007）用于跨场景泛化测试（第4.1节、第5.6节）。\n\n### 预处理与划分\n\n自建数据集中每张正样本图像仅包含一个人，且头肩部分用人工标注的边界框（PASCAL风格）标注；负样本随机来自互联网（无人物）。标注工具为自研，以提升效率。数据被划分为训练集和测试集，二者相互独立（第4.2节）。实验4中根据距离（近、中、远）与光照（暗、亮）组合为6种配置，图像数量接近均匀分布（表3）。\n\n### 训练与评估环境\n\n训练和测试均在Matlab中完成，使用Piotr's Image and Video Matlab Toolbox（Dollár, 2013）和DPM的voc-release5实现（Girshick et al., 2012）。评估指标为精度-召回曲线、TPR和FPR，判定标准为检测框与标注框的重叠比率阈值（第5节）。实验设计：实验1对比全身体DPM与ACF（DPM用PASCAL训练，ACF用INRIA训练）；实验2用自建数据训练头肩DPM与ACF；实验3对比DPM全身体与头肩模型；实验4分析距离和光照影响；实验5分析训练样本数量影响；实验6在GER'HOME上测试头肩模型（表1）。\n\n### 选择的意义\n\n自建数据集针对AAL场景中天花板俯视、部分遮挡、距离和光照变化等条件设计，弥补了现有公开数据集（INRIA、PASCAL等）均基于平视视角、全身可见的不足（第2节）。通过对比实验验证头肩模型在AAL场景中的鲁棒性优于全身体模型，并验证DPM优于ACF检测器。选择公开数据集GER'HOME验证跨场景泛化能力，确保模型有效性。这些选择确保了评估的全面性，涵盖姿态、距离、光照、训练数据量等因素，为结论提供了可靠依据。\n\n\n## 模块 C5：指标与结果（指标、结果、各指标对应的创新点） / Module C5: Metrics and results (metrics, results, which innovations each metric reflects)\n\n### 模块C5：指标与结果\n\n#### 1. 评估指标\n\n论文主要使用**真阳性率（TPR）**和**假阳性率（FPR）**作为性能指标，并辅以**精确率-召回率（PR）曲线**和**平均精确率（AP）**进行对比分析（见第5节）。指标定义如下：\n\n- **真阳性率（TPR）**：检测到的真阳性样本数与实际阳性样本总数之比，即召回率。\n- **假阳性率（FPR）**：检测到的假阳性样本数与实际阴性样本总数之比。\n- **重叠率判定**：当检测框与标注框的重叠比例超过某一阈值时计为真阳性，否则为假阳性（第5节）。不同实验采用不同的重叠阈值（如>10%或>50%）。\n\n#### 2. 主要结果\n\n论文通过多个实验对比了不同模型和场景下的性能，关键结果如下：\n\n- **头肩模型 vs 全身体模型（DPM）**（实验3）：在自建数据集上，头肩模型TPR为93%，FPR为2%；全身体模型TPR仅48%，FPR为1%（表2）。头肩模型TPR提升近一倍，且FPR仅增加1个百分点。\n- **公共数据集GER'HOME验证**（实验6）：头肩模型TPR为93%，FPR为2%；全身体模型TPR为76%，FPR为12%（表4）。头肩模型在公共场景下同样显著优于全身体模型，TPR高出17个百分点，FPR降低10个百分点。\n- **DPM vs ACF检测器**（实验1和2）：无论对于全身体还是头肩模型，DPM的PR曲线均优于ACF检测器（图4/5与图6/7对比）。ACF在明亮远距离场景下性能明显下降（图5、7）。\n\n#### 3. 与基线或代表性先前工作的对比\n\n- 与**全身体DPM**（基于PASCAL/INRIA训练）相比，头肩DPM在AAL场景（部分遮挡、俯视视角）下TPR大幅提升（93% vs 48%），证明头肩模型的针对性和鲁棒性更强（表2、表4）。\n- 与**ACF检测器**（基于INRIA训练）相比，头肩DPM在相同自建数据集上展现了更高的精确率和召回率（图6 vs 图7），表明DPM的零件模型结构更适合处理AAL场景中的变形和遮挡。\n- 与相关工作（如Li et al.、Tu et al.等）相比，论文指出这些方法未在AAL场景中验证，本文首次系统评估了头肩检测在AAL环境下的性能（第2节、第6节）。\n\n#### 4. 消融/敏感性分析\n\n- **距离影响**（实验4）：头肩模型对距离（近、中、远）不敏感，因为头肩部分在所有距离下均可见且形变小（图6/9）。全身体模型在距离近时召回率明显下降（第6.3节）。\n- **光照影响**（实验4）：头肩模型在明亮条件下性能更好（图6/9），但作者指出性能依赖于训练数据的分布，若增加低对比度训练样本，结果可能反转（第6.4节）。\n- **训练样本数量影响**（实验5）：用9000张正样本训练的头肩模型相比用1000张训练的模型，召回率更高但精确率略低，即更多训练样本增强了泛化能力，同时带来更多误检（图6 vs 图9）。\n\n**总结**：头肩DPM模型在AAL场景中显著优于全身体模型和ACF检测器，具备更强的鲁棒性，且在距离、光照和训练数据规模等方面表现出合理的敏感性特征。\n\n\n## 模块 C6：有什么可以进一步探索的点？（理论/工程/数据/评测） / Module C6: What can be further explored? (theory/engineering/data/evaluation)\n\n### 模块C6：后续可探索方向\n\n基于论文的当前工作，从理论、工程和数据/评估三个维度提出以下可探索的下一步方向：\n\n#### 理论方向\n\n- **扩展模型以处理更多视角和姿态**：论文（第7节）提到未来需增加“lying in the bed”等更多视角的训练样本。理论上可探索多视角、多姿态的DPM模型结构，例如引入视角感知的部件布局或使用姿态估计作为中间表示，提升模型在非标准视角下的泛化能力。\n- **改进遮挡建模**：论文强调头肩模型对部分遮挡的鲁棒性，但DPM本身对严重遮挡的建模能力有限。可探索显式的遮挡推理机制，例如基于部件可见性的潜在变量，或结合深度学习端到端学习遮挡模式，以进一步降低FPR。\n- **融合时序上下文**：论文未利用视频帧间的时序信息。理论上可研究在DPM或后续检测器中加入时序平滑或跟踪-检测耦合，利用运动信息提升检测稳定性，减少单帧误检。\n\n#### 工程方向\n\n- **实时性能优化**：论文未给出推理时间。可探索模型压缩、剪枝或级联快速拒绝策略，使得头肩DPM在嵌入式或低功耗设备上实时运行，满足AAL场景的部署需求。\n- **多传感器融合**：论文使用单摄像头，可扩展至双目或多摄像头设置，结合深度信息（如Kinect）辅助头肩检测，提高在复杂光照和遮挡下的鲁棒性。工程上需设计数据同步和融合框架。\n- **自动标注与主动学习**：论文手工标注耗时（第4.2节），可开发基于半监督或主动学习的标注工具，利用预训练模型自动生成候选框，人工仅修正，从而低成本扩充训练数据。\n\n#### 数据/评估方向\n\n- **构建公开的头肩检测基准**：论文指出无公开头肩数据库，可整理并公开一个涵盖多种AAL场景（不同距离、光照、遮挡、视角）的头肩检测数据集，包含统一的评价协议（如TPR-FPR曲线、AP），便于领域内公平对比。\n- **跨数据集泛化评估**：论文测试了GER'HOME（第5.6节），但可进一步在更多公开数据集（如PASCAL、INRIA中裁剪头肩区域）上进行评估，并分析领域偏移影响，验证模型的可迁移性。\n- **消融研究与参数敏感性分析**：论文实验了训练样本数量（第5.5节），但未系统分析PCA维度、部件数量、重叠阈值等超参数影响。可设计正交实验，给出各参数的敏感度曲线，为实际应用提供调参指导。\n\n以上方向分别对应理论深化（模型能力）、工程化落地（效率与集成）以及数据保障（基准与评估），共同推动头肩检测在AAL及更广场景中的实用性和可靠性。\n\n\n## 模块 C7：现实场景如何体现/实现？（部署约束、算力、延迟、鲁棒性） / Module C7: How would this work in real-world scenarios? (deployment constraints, compute, latency, robustness)\n\n### 模块C7：真实世界应用中的展现形式\n\n**部署约束**：\n\n- 硬件要求：论文使用CCD相机（Allied GC1350，130万像素）及广角镜头，部署时需在天花板安装相机，倾斜角约20°，高度约2m（第4.1节）。嵌入系统需具备一定的计算能力以运行Matlab实现的目标检测算法（第5节）。\n- 环境限制：系统面向AAL（环境辅助生活）场景，需覆盖整个房间，因此相机视野和安装位置需精心设计。光照条件（明亮/黑暗）对检测性能有影响（图6、图9，第6.4节），部署时需考虑照明稳定性或补充光源。\n- 数据依赖：模型依赖大量训练数据（约9000张正样本），部署前需在类似场景中采集并标注数据（第4节），训练成本较高。\n\n**计算/延迟影响**：\n\n- 算法复杂度：DPM（可变形部件模型）涉及多尺度特征金字塔、HOG特征计算、多个部件滤波器响应及组合（第3节），计算量较大，在嵌入式设备上可能难以达到实时。论文未给出具体推理时间，但未强调实时性，更侧重于检测精度。\n- 预处理：需要构建图像金字塔及计算HOG特征，这些步骤在每帧图像上重复执行，延迟与图像分辨率和模型部件数相关。对于AAL应用（如人员计数、驻留时间测量），可能需要秒级或更高响应，但论文未明确实时需求。\n- 硬件加速：未提及GPU或嵌入式优化，若部署到低成本设备需简化模型或使用专用硬件。\n\n**鲁棒性/安全问题**：\n\n- 鲁棒性优势：头肩模型在部分遮挡、距离变化、视角扭曲（贴近相机）下表现优于全身模型（表2、表4，第5.3节），且在公开数据集上验证有效（第5.6节）。\n- 光照敏感：明亮条件下性能更好（第6.4节），低对比度图像召回率显著下降（图4，暗光下召回率仅0.2），部署时需确保光照均匀或使用红外补光。\n- 安全风险：检测错误（假阳性/假阴性）可能导致监控误报或漏报，在老人护理场景中，漏检可能造成安全隐患。系统需结合其他传感器或人工复核。\n- 视角风险：模型基于天花板俯视视角训练，若相机位置或角度改变，性能可能下降；训练数据中未包含躺卧等姿态（第7节），泛化性受限。\n\n**可维护性**：\n\n- 数据维护：需持续更新训练数据以适应新场景（如新家具、新服装），标注过程耗时（第4.2节），维护成本高。\n- 模型更新：DPM模型重训练需要重新标注和训练，周期长；参数（如PCA维度）调整需专门实验（第5.5节）。\n- 软件依赖：依赖Matlab工具箱（Piotr's Toolbox、voc-release5）（第5节），版本兼容性和许可管理需考虑。\n- 系统集成：检测算法需与AAL系统的其他组件（如人员跟踪、行为分析）集成，接口文档和模块化设计是维护的关键。\n\n综上，该系统适用于对实时性要求不高的AAL场景，但需注意光照、相机安装、数据更新及计算资源等部署与维护问题。\n\n\n## 模块 C8：总结主要内容（一段摘要 + 5 条要点 + 1 个核心公式/机制） / Module C8: Summarize the main content (one paragraph + 5 bullets + one core formula/mechanism).\n\n### 1. 总结段落（6-8句）\n\n本文针对环境辅助生活（AAL）场景中常规全身（full-body）人物检测在部分遮挡、天花板俯视视角等条件下鲁棒性不足的问题，提出了一种基于可变形部件模型（DPM）的头肩（head-shoulder）检测器。作者使用自建的11920张图像（9013正样本、2907负样本）进行训练，采用Latent SVM框架学习头肩模型，并与ACF检测器及全身模型进行了系统对比。实验表明，头肩DPM模型在自建数据集上TPR达到93%（FPR 2%），而全身模型仅48%（FPR 1%）；在公开的GER'HOME数据集上，头肩模型也取得93%的TPR和2%的FPR，显著优于全身模型的76%和12%。此外，论文分析了距离、光照和训练样本数量对性能的影响，发现距离因素对头肩模型影响不大，而光照条件较好时性能更优；增加训练样本量可提升泛化能力。总体而言，头肩DPM模型在AAL场景中比全身模型更具鲁棒性，且优于ACF检测器，为后续实际应用提供了有效方案。\n\n### 2. 五大要点\n\n- **问题驱动**：AAL环境中常用的全身检测模型在遮挡、俯视、近距离等场景下失效，而头肩区域几乎始终可见，因此训练头肩模型是更合理的选择（见Section 1、Fig. 1）。\n- **方法核心**：采用可变形部件模型（DPM）与Latent SVM，结合低分辨率根滤波器、高分辨率部分滤波器及空间模型，有效应对形变与遮挡（见Section 3、Fig. 2）。\n- **实验对比**：头肩DPM在自建数据集和公开数据集上均显著优于全身模型，TPR提高近一倍，FPR仅略增（Table 2、Table 4）。\n- **参数影响**：距离对头肩模型性能几乎无影响，但光照条件影响显著；训练样本数量增加可提高泛化能力，但同时会略增误检（见Section 6.3-6.5）。\n- **算法优势**：DPM在相同训练数据下优于ACF检测器，尤其在明亮场景中ACF失败率更高（见Section 6.1、Fig. 4-7）。\n\n### 3. 核心公式或机制\n\n检测得分计算：对于每个根位置，最终得分由根滤波器响应与各部分滤波器响应之和减去形变惩罚项构成，即：\n\\[\n\\text{score}(x_0,y_0) = \\max_{\\{p_i\\}} \\left[ F_0 \\cdot \\phi(x_0,y_0) + \\sum_{i=1}^{n} F_i \\cdot \\phi(x_i,y_i) - \\sum_{i=1}^{n} d_i \\cdot (\\Delta x_i^2, \\Delta y_i, \\Delta x_i, \\Delta y_i) \\right]\n\\]\n其中，\\(F_0\\)为根滤波器，\\(F_i\\)为第\\(i\\)个部件滤波器，\\(\\phi\\)为HOG特征向量，\\(d_i\\)为形变参数，\\((\\Delta x_i,\\Delta y_i)\\)为部件与根位置的偏移。该机制通过联合优化滤波器权重和潜变量（部件位置）实现鲁棒的头肩检测（参见Felzenszwalb et al., 2010）。\n\n\n## 模块 D：第二遍内容理解（方法结构/关键图表/实验） / Module D: Second Pass (method structure, key figures, experiments)\n\n### 1. 结构树\n\n论文结构按章节划分如下：\n\n- **摘要**：概述问题（传统人物检测在部分遮挡下鲁棒性不足）、提出的解决思路（基于可变形部件模型（DPM）的头肩检测器）、应用场景（AAL）以及主要实验结果（所提方法优于相关工作）。\n- **1 引言**：介绍AAL场景中人物检测的挑战（光照变化、距离远、天花板俯视摄像头导致下半身被遮挡），提出训练头肩模型的必要性，并说明已自建数据集进行训练和评估。\n- **2 相关工作**：回顾人物检测的发展历程，包括滑动窗口、特征（HOG、Haar）、多特征融合、ACF检测器、DPM，以及已有的头肩检测方法（如Li等、Tu等、Wang等），指出这些方法未在AAL场景中验证，且公开数据集无适合的头肩训练数据。\n- **3 方法**：介绍DPM原理（低分辨率根滤波器、高分辨率部件滤波器、空间模型），说明如何利用Latent SVM训练头肩模型，并给出模型图示（图2）和检测示例（图3）。\n- **4 数据处理链**：描述数据采集（相机设置、12000余张图像）、标注（PASCAL风格，手动框选头肩区域并开发标注工具）、数据库划分（训练/测试独立）、训练（DPM和ACF）。\n- **5 实验设置与结果**：包含6个实验（实验1：DPM vs. ACF全身体；实验2：DPM vs. ACF头肩；实验3：头肩 vs. 全身（DPM）在部分遮挡下的比较；实验4：距离和光照影响；实验5：训练样本数量影响；实验6：公开数据集测试），并提供PR曲线、TPR/FPR表。\n- **6 讨论**：分析DPM优于ACF、头肩模型优于全身体、距离因素对头肩不显著、光照的影响、训练样本数量的影响。\n- **7 结论**：总结头肩模型在AAL场景中的优越性，提出未来工作（增加训练样本、扩展到其他应用）。\n- **致谢**：资金由欧洲区域发展基金（EFRE）资助。\n- **参考文献**：列出相关文献。\n\n### 2. 方法/系统分解\n\n**输入**：单张2D图像（可能来自天花板俯视摄像头，宽视角，部分遮挡）。\n\n**输出**：图像中人物的头肩位置（边界框）及分数。\n\n**核心模块**：\n\n- **特征提取**：在每个尺度上计算HOG特征，构建特征金字塔。\n- **根滤波器**：低分辨率下对整个头肩区域的整体外形建模。\n- **部件滤波器**：高分辨率下对头肩的局部区域（如头部、左右肩）进行精细建模，允许一定形变。\n- **空间模型**：定义各部件相对于根的位置偏移，采用Latent SVM训练获得各滤波器的权重和形变代价。\n- **检测流程**：\n 1. 输入图像，构建多尺度特征金字塔。\n 2. 在每个尺度上滑动窗口，计算根滤波器和部件滤波器的响应，并加入形变惩罚。\n 3. 将各尺度的响应融合，得到最终得分，通过阈值判断是否为目标。\n 4. 使用非极大值抑制去除重复检测。\n\n**训练流程**：\n\n- 准备正样本（标注头肩的边界框）和负样本（不含人物图像）。\n- 采用PASCAL VOC格式数据。\n- 使用voc-release5（DPM实现）进行训练，通过Latent SVM迭代优化模型参数（包括根滤波器、部件滤波器、空间模型）。\n- 训练时设置级联PCA（实验中cascade PCA 5）。\n\n**损失函数**：Latent SVM的优化目标是最大化正样本得分和负样本得分的间隔，同时将部件位置视为隐变量，通过坐标上升和SVM交替优化。\n\n### 3. 重要图表解释\n\n**图2（模型示意图）**：展示了训练得到的头肩DPM模型。左图为低分辨率根滤波器，中图为高分辨率部件滤波器（多个部件），右图为空间模型（部件相对根的位置分布）。该图直观说明了模型的组成部分，有助于理解DPM如何表示头肩外形及形变。\n\n**图6（头肩DPM模型性能）**：显示了在自建测试集上（不同距离和光照条件下的图像）的精确率-召回率曲线，并给出平均精度（AP）。该图用于评估头肩DPM在不同条件下的性能，表明距离对检测影响不大，而光照较亮时性能更优。\n\n**表2（全身与头肩模型对比）**：在部分遮挡场景（站立/坐着、部分遮挡）中，全身体模型的TPR为48%，FPR为1%，而头肩模型的TPR为93%，FPR为2%。该表突出头肩模型在AAL场景中的优势。\n\n### 4. 实验或评估细节\n\n**数据集**：\n\n- 自建数据集：11920张图像（9013正样本，2907负样本），包含13人（不同年龄、性别、衣着），场景包括坐、站、躺，设置不同光照和距离。正样本每张只含一个人，手动标注头肩边界框。\n- 公开数据集：GER'HOME实验室数据集（Zouba等，2007）。\n\n**测试集划分**：训练和测试独立，测试集具体数量在各实验中：\n\n- 实验1和2使用测试数据（见表3涉及的配置？）表3给出了不同配置的图像数量（例如暗近309等），但实验1和2可能使用这些测试数据。\n- 实验3使用1601张图像，3个人，穿着不同衣物，进行坐（椅子、扶手椅、床）、站、走动作，部分遮挡。\n- 实验4使用表3中的6种配置，共约1919张图像。\n- 实验5使用表3中的测试数据。\n- 实验6使用GER'HOME数据集。\n\n**指标**：\n\n- 精确率-召回率曲线（PR曲线）和平均精度（AP）。\n- 真阳性率（TPR）和假阳性率（FPR），通过重叠率（IoU）阈值判断。实验中重叠率阈值：全身体模型使用>10%，头肩模型使用>50%（从图4、6、7、9的说明中）。\n\n**对比目标**：\n\n- DPM vs. ACF检测器（全身体和头肩）。\n- 头肩 vs. 全身体（DPM）。\n\n**公平性**：\n\n- 实验1中，DPM模型使用PASCAL数据集训练，ACF使用INRIA数据集训练（不同训练集，导致对比不公平，作者在讨论中提及ACF表现差可能因训练数据差异）。\n- 实验2中，DPM和ACF均使用自建数据集训练头肩模型（保证公平）。\n\n**消融研究**：\n\n- 实验5比较了使用约9000正样本和1000正样本训练的头肩DPM，评估训练数据量影响。\n- 实验4评估距离和光照的影响。\n\n**超参数**：\n\n- DPM使用cascade PCA 5。\n- ACF使用了不同参数值训练多个模型（未详述）。\n\n### 5. 图示（适合论文archetype：方法型）\n\n```mermaid\ngraph TD\n A[输入图像] --> B[构建特征金字塔 HOG]\n B --> C[滑动窗口 多尺度]\n C --> D[根滤波器响应]\n C --> E[部件滤波器响应 + 形变惩罚]\n D --> F[融合得分]\n E --> F\n F --> G[阈值判定 + NMS]\n G --> H[输出头肩边界框]\n\n subgraph 训练阶段\n I[正负样本] --> J[Latent SVM 训练]\n J --> K[模型参数: 根/部件/空间模型]\n K --> D\n K --> E\n end\n```\n\n（注：Mermaid图用于说明检测流程，训练与推断相结合。）\n\n\n## 模块 E：第三遍深度审视（重建/假设/失败模式/审稿意见） / Module E: Third Pass (reconstruction, assumptions, failure modes, review)\n\n### 模块E：第三遍深度审阅（基于中文输出）\n\n#### 1. 可重建性（Reconstructability）\n\n论文提出了一种基于可变形部件模型（DPM）的头肩检测器，用于环境辅助生活（AAL）场景。基于文本描述，可总结出以下重建步骤，以便复现其核心流程：\n\n- **数据采集**：使用顶置倾斜约20°、高度约2m的广角CCD相机（Allied GC1350，1.3MP），拍摄不同光照（通过调整曝光时间和增益）和距离下的图像。共收集11920幅图像（9013正样本、2907负样本），13位不同年龄的男女参与者，姿态包括坐、站、躺，衣服各异。\n- **数据标注**：采用PASCAL格式（Everingham et al., 2010）标注头肩部位，使用自研标注工具绘制边界框，每张正样本图像仅含一个目标。将数据分为独立的训练集和测试集。\n- **模型训练**：使用DPM（Felzenszwalb et al., 2010）的latent SVM（voc-release5, Girshick et al., 2012）训练头肩模型，模型由低分辨率根过滤器、多个高分辨率部件过滤器和空间模型组成（图2）。训练时使用约9000张正样本（实验5中另用1000张对比）。A CF检测器（Dollár et al.）也用于对比，其训练数据为约9000张正样本。\n- **检测流程**：对于输入图像，构建特征金字塔（降采样），计算HOG特征，应用过滤器得到每个部件的响应，然后在同一尺度组合部件模型，融合各尺度结果得到根位置得分（第3节）。\n- **评估**：使用精度-召回曲线、TPR（真阳性率）、FPR（假阳性率）和平均精度（AP）。重叠率超过阈值（如10%或50%）判定为真阳性。实验设置见Table 1，对比了DPM vs ACF（全身体和头肩）、头肩 vs 全身体、距离和光照影响、训练样本数量影响、公开数据集测试等。\n\n**重建注意点**：论文未提供代码链接或公开数据集，训练细节（如PCA维度、具体参数）部分缺失，可能影响精确复现，但核心流程可以依据DPM标准实现重现。\n\n#### 2. 假设（Assumptions）\n\n- **假设1**：在AAL场景中，人的头肩部分始终可见，即使下半身被遮挡、视角特殊（俯视或侧面）或背对相机，头肩仍是稳定的检测线索（第1、3节，图1）。\n- **假设2**：DPM的潜在SVM能够有效学习头肩部件的变形，且其泛化能力优于传统的全身体模型（第2、3节，实验3表2）。\n- **假设3**：自建数据集（包含不同光照、距离、姿态）足以代表典型的AAL场景，且训练数据与测试数据独立（第4.2节）。\n- **假设4**：使用公开数据集（GER'HOME）测试时，模型在不同环境下的表现依然有效，表明模型具有跨场景泛化能力（第5.6节）。\n- **假设5**：HOG特征和滑动窗口框架对于头肩检测足够有区分度，无需额外的特征工程（第2、3节）。\n- **假设6**：训练样本数量足够时（约9000张），模型性能会稳定并具有良好泛化性（实验5，图6、9）。\n\n#### 3. 失效模式或盲点（Failure Modes or Blind Spots）\n\n- **失效模式1**：在光照较差（低对比度）的图像中，头肩检测性能下降。实验4表明暗光场景下精度-召回率较低（图6、9），而作者认为这源于训练数据的分布（第6.4节）。\n- **失效模式2**：模型对训练样本选择敏感。使用较少正样本（1000张）训练时，虽然精度较高但召回率下降（图9），说明模型对数据量有依赖，过少样本可能导致过拟合或欠拟合。\n- **失效模式3**：论文未明确处理人物极度变形（如躺下）或复杂遮挡（如多个头肩重叠）的情况。结论提到未来需补充躺姿等视角，说明现有模型对这类场景可能失效。\n- **盲点**：实验未详细报告不同距离和光照组合下的单独曲线，仅给出整体曲线，可能掩盖某些组合下的性能差异；此外未讨论检测速度（实时性）问题，对于AAL系统部署是重要因素。\n\n#### 4. 优点与缺点（Strengths and Weaknesses）\n\n**优点**：\n\n- 针对AAL特殊视角提出了头肩检测，有效解决了全身体模型在部分遮挡和俯视场景下的低检测率（表2：头肩TPR 93% vs 全身体48%）。\n- 系统比较了DPM和ACF两种算法，并验证了头肩模型在公开数据集（GER'HOME）上的有效性（表4：头肩TPR 93%、FPR 2%）。\n- 分析了距离、光照和训练样本数对性能的影响，提供了有价值的实验洞察（第6节）。\n- 构建了自建的、专门用于AAL头肩检测的训练和测试数据集，弥补了公开数据集缺失的问题（第4.2节）。\n\n**缺点**：\n\n- 数据集未公开，无法直接复现或对比；标注过程人工耗时，但不影响可重复性。\n- 未提供代码或详细参数（如PCA降维维度、部件数量等），降低了可复现性。\n- 实验仅针对单一场景（实验室），未覆盖真实家庭环境的多样性和复杂性（如不同家具、多人场景）。\n- 论文未报告检测的时间性能（FPS），对实时应用而言可能不充分。\n- 实验对比中，DPM和ACF的训练数据来源不同（全身体模型分别用PASCAL和INRIA），可能导致性能差异不完全由算法本身引起，存在混淆因素。\n\n#### 5. 后续研究方向（Next-Step Research Directions）\n\n- **方向1**：扩展训练数据，加入更多视角（如躺卧、侧卧）和多样化的真实家庭场景，提升模型的泛化能力，并考虑多传感器融合（RGB-D）以增强鲁棒性。\n- **方向2**：探索轻量化头肩检测器（如基于深度学习的检测器），在保证高精度的同时满足实时性要求，并集成到端到端的人体活动识别系统中。\n- **方向3**：设计更严格的自适应阈值策略，以减少FPR，并针对不同距离和光照自动调整模型参数，或采用在线学习以适应环境变化。\n- **方向4**：将头肩检测与人体姿态估计或跟踪结合，用于行为分析（如跌倒检测），进一步提高AAL的实用性。\n\n\n## 模块 F：术语表与概念依赖图 / Module F: Glossary and Concept Map\n\n### Module F: 术语表（Glossary）\n\n以下为论文中关键术语的对照表，包括定义、直觉、在论文中的作用以及前置知识。\n\n1. **Deformable Part-based Models (DPM)** / 可变形部件模型\n - **定义**：一种目标检测模型，由低分辨率根滤波器、若干高分辨率部件滤波器以及描述部件相对于根位置的空间模型组成，通过隐变量SVM训练。\n - **直觉**：将目标拆分成可变形部件，允许部件位置有微小偏移，从而对姿态变化和部分遮挡更鲁棒。\n - **在论文中的作用**：论文的主要检测框架，用于训练头肩模型。\n - **前置知识**：HOG特征、支持向量机（SVM）、图结构模型。\n\n2. **Latent SVM** / 隐变量支持向量机\n - **定义**：一种SVM变体，目标函数中包含隐变量（如部件位置），训练时通过坐标下降交替优化隐变量和模型参数。\n - **直觉**：在训练中不显式提供部件标注，而是让模型自动学习最优的部件配置。\n - **在论文中的作用**：DPM的训练方法，用于学习根滤波器和部件滤波器。\n - **前置知识**：SVM、凸优化、EM思想。\n\n3. **Histogram of Oriented Gradients (HOG)** / 方向梯度直方图\n - **定义**：一种图像特征描述子，统计局部区域内梯度方向的分布，形成直方图。\n - **直觉**：关注边缘和形状信息，对光照变化有一定不变性。\n - **在论文中的作用**：DPM和ACF检测器的基础特征，用于描述人物外观。\n - **前置知识**：图像梯度、直方图。\n\n4. **Aggregate Channel Features (ACF)** / 聚合通道特征\n - **定义**：Dollár等人提出的检测方法，将图像分解为多个通道（如LUV颜色、梯度幅度、梯度方向等），并提取Haar-like特征进行AdaBoost分类。\n - **直觉**：利用多通道信息增强特征表达，配合级联结构加速检测。\n - **在论文中的作用**：与DPM对比的另一种检测算法，用于实验比较。\n - **前置知识**：Haar特征、AdaBoost、级联分类器。\n\n5. **Root Filter** / 根滤波器\n - **定义**：DPM中覆盖整个目标的低分辨率滤波器，用于捕捉整体外观。\n - **直觉**：相当于一个模板，在图像上滑动产生响应。\n - **在论文中的作用**：头肩模型的根滤波器用于定位整个头肩区域。\n - **前置知识**：滤波器、卷积。\n\n6. **Part Filter** / 部件滤波器\n - **定义**：DPM中覆盖目标局部的高分辨率滤波器，用于捕捉细节特征。\n - **直觉**：关注局部区域，如头部、肩部等。\n - **在论文中的作用**：头肩模型中的部件滤波器，分别对应头部和肩部。\n - **前置知识**：滤波器、图像金字塔。\n\n7. **Spatial Model** / 空间模型\n - **定义**：描述各部件相对于根位置的允许偏移量和代价的模型，通常使用弹簧形变代价。\n - **直觉**：允许部件在一定范围内移动，但偏移越大惩罚越大。\n - **在论文中的作用**：约束头肩各部件的相对位置，适应姿态变化。\n - **前置知识**：图模型、弹簧模型。\n\n8. **Feature Pyramid** / 特征金字塔\n - **定义**：将输入图像缩放到多个尺度，在每个尺度上提取特征，形成金字塔结构。\n - **直觉**：检测不同大小的目标。\n - **在论文中的作用**：DPM在多个尺度上检测头肩，提高尺度不变性。\n - **前置知识**：图像缩放、多分辨率分析。\n\n9. **Precision-Recall Curve** / 精确率-召回率曲线\n - **定义**：以召回率为横轴、精确率为纵轴绘制的曲线，反映检测器在不同阈值下的性能。\n - **直觉**：权衡检测的查全率和查准率。\n - **在论文中的作用**：评估模型性能的主要工具，报告中包含平均精度（AP）。\n - **前置知识**：精确率、召回率、阈值。\n\n10. **True Positive Rate (TPR)** / 真正例率\n - **定义**：正确检测为正样本的比例，即召回率。\n - **直觉**：衡量检测器找到所有目标的能力。\n - **在论文中的作用**：作为主要评价指标，表2和表4中用于比较模型。\n - **前置知识**：混淆矩阵。\n\n11. **False Positive Rate (FPR)** / 假正例率\n - **定义**：错误地将负样本检测为正样本的比例。\n - **直觉**：衡量误检的程度。\n - **在论文中的作用**：与TPR一起评估检测器的可靠性。\n - **前置知识**：混淆矩阵。\n\n12. **Overlap Ratio** / 重叠率\n - **定义**：检测框与标注框的交并比（IoU）或类似度量。\n - **直觉**：衡量检测框与真实框的重叠程度。\n - **在论文中的作用**：决定一个检测是否为正样本（阈值设定）。\n - **前置知识**：交并比（IoU）。\n\n13. **Cascade PCA** / 级联主成分分析\n - **定义**：在DPM的级联检测流程中使用PCA降维特征，加速计算。\n - **直觉**：减少特征维度，提高检测速度。\n - **在论文中的作用**：实验设置中提及（cascade PCA 5），用于训练模型。\n - **前置知识**：主成分分析（PCA）、级联检测。\n\n14. **Ambient Assisted Living (AAL)** / 环境辅助生活\n - **定义**：利用智能技术辅助老年人日常生活的领域。\n - **直觉**：通过传感器和智能系统提供监测、提醒等功能。\n - **在论文中的作用**：应用场景，论文的检测器服务于AAL系统。\n - **前置知识**：物联网、智能家居。\n\n15. **Head-shoulder Detection** / 头肩检测\n - **定义**：检测图像中人体的头肩区域，而非全身。\n - **直觉**：在遮挡严重或视角特殊时头肩往往可见。\n - **在论文中的作用**：论文的核心任务，训练专门的头肩模型。\n - **前置知识**：目标检测。\n\n16. **Full Body Model** / 全身模型\n - **定义**：检测整个人体的模型，通常基于全身样本训练。\n - **直觉**：适用于标准视角，但在遮挡或俯视下失效。\n - **在论文中的作用**：作为对比基线。\n - **前置知识**：目标检测。\n\n17. **Sliding Window** / 滑动窗口\n - **定义**：在图像上以固定步长滑动窗口，对每个窗口进行分类的方法。\n - **直觉**：穷举搜索目标位置。\n - **在论文中的作用**：DPM和ACF检测器的基本搜索策略。\n - **前置知识**：图像处理、分类。\n\n18. **AdaBoost** / 自适应增强\n - **定义**：一种集成学习算法，通过迭代训练弱分类器并加权组合。\n - **直觉**：将多个弱分类器组合成强分类器。\n - **在论文中的作用**：ACF检测器的训练方法，以及一些相关工作使用。\n - **前置知识**：集成学习、决策树。\n\n19. **Haar-like Features** / 哈尔特征\n - **定义**：基于矩形区域和差分的特征，常用于快速目标检测。\n - **直觉**：捕捉边缘和纹理信息。\n - **在论文中的作用**：在相关工作和ACF检测器中作为特征。\n - **前置知识**：图像积分图。\n\n20. **Integral Image** / 积分图\n - **定义**：每像素值为左上角矩形区域像素和，可快速计算任意矩形区域和。\n - **直觉**：将矩形求和在O(1)时间内完成。\n - **在论文中的作用**：在Viola-Jones方法和ACF中用于加速特征计算。\n - **前置知识**：动态规划。\n\n21. **LUV Color Space** / LUV颜色空间\n - **定义**：一种颜色空间，将RGB转换为人眼感知均匀的颜色表示。\n - **直觉**：对颜色差异的感知更线性。\n - **在论文中的作用**：ACF检测器的通道之一。\n - **前置知识**：颜色空间转换。\n\n22. **SIFT** / 尺度不变特征变换\n - **定义**：一种局部特征描述子，对尺度、旋转和光照变化具有不变性。\n - **直觉**：在关键点周围提取梯度统计。\n - **在论文中的作用**：在相关工作综述中提及。\n - **前置知识**：图像金字塔、梯度直方图。\n\n23. **PASCAL Dataset** / PASCAL数据集\n - **定义**：用于目标检测和分类的公开数据集，包含标注的物体边界框。\n - **直觉**：标准基准测试集。\n - **在论文中的作用**：用于训练全身DPM模型，以及标注格式参考。\n - **前置知识**：目标检测评估。\n\n24. **INRIA Dataset** / INRIA数据集\n - **定义**：行人检测的公开数据集，包含正负样本。\n - **直觉**：经典的行人检测基准。\n - **在论文中的作用**：用于训练ACF全身模型。\n - **前置知识**：目标检测评估。\n\n25. **GER'HOME Dataset** / GER'HOME数据集\n - **定义**：用于AAL场景的公开数据集，包含多传感器数据。\n - **直觉**：用于评估在真实AAL环境中的性能。\n - **在论文中的作用**：实验6中测试头肩模型的泛化性。\n - **前置知识**：AAL、多传感器分析。\n\n26. **Precision** / 精确率\n - **定义**：检测为正的样本中真正正样本的比例。\n - **直觉**：检测结果中正确比例。\n - **在论文中的作用**：评估指标。\n - **前置知识**：混淆矩阵。\n\n27. **Recall** / 召回率\n - **定义**：所有正样本中被正确检测的比例。\n - **直觉**：找到所有目标的能力。\n - **在论文中的作用**：评估指标。\n - **前置知识**：混淆矩阵。\n\n28. **Average Precision (AP)** / 平均精度\n - **定义**：精确率-召回率曲线下的面积。\n - **直觉**：综合衡量检测性能。\n - **在论文中的作用**：在曲线图中标示，用于比较。\n - **前置知识**：积分、曲线下面积。\n\n29. **Matlab Toolbox** / Matlab工具箱\n - **定义**：用于实验的Matlab代码库，包括Piotr's Toolbox和voc-release5。\n - **直觉**：提供现成的检测工具。\n - **在论文中的作用**：实现DPM和ACF检测器的运行环境。\n - **前置知识**：Matlab编程。\n\n30. **voc-release5** / voc-release5\n - **定义**：Felzenszwalb等发布的DPM实现，包含Latent SVM训练和检测代码。\n - **直觉**：DPM的官方参考实现。\n - **在论文中的作用**：用于训练和测试DPM模型。\n - **前置知识**：DPM原理、C++/Matlab。\n\n31. **Boundary Box** / 边界框\n - **定义**：用矩形框标注目标位置。\n - **直觉**：目标的最小外接矩形。\n - **在论文中的作用**：用于标注头肩区域，是评估重叠率的基础。\n - **前置知识**：图像标注。\n\n32. **Overlap Criterion** / 重叠准则\n - **定义**：判断检测框与标注框是否匹配的规则，通常基于IoU阈值。\n - **直觉**：若重叠度超过阈值则视为正确检测。\n - **在论文中的作用**：计算TPR和FPR时使用。\n - **前置知识**：IoU。\n\n33. **Perspective Distortion** / 透视畸变\n - **定义**：由于相机角度造成的物体形状变形，尤其在俯视时。\n - **直觉**：近处物体显得更大且形状失真。\n - **在论文中的作用**：分析全身模型失效的原因之一。\n - **前置知识**：相机投影。\n\n34. **Occlusion** / 遮挡\n - **定义**：目标部分被其他物体覆盖。\n - **直觉**：导致部分信息缺失。\n - **在论文中的作用**：研究的核心问题，头肩模型应对遮挡。\n - **前置知识**：计算机视觉基础。\n\n35. **CCD Camera** / CCD相机\n - **定义**：使用电荷耦合器件感光的相机。\n - **直觉**：图像采集设备。\n - **在论文中的作用**：用于采集训练和测试数据。\n - **前置知识**：摄影原理。\n\n36. **Exposure Time** / 曝光时间\n - **定义**：相机感光元件接受光线的时间。\n - **直觉**：影响图像亮度。\n - **在论文中的作用**：变化曝光以模拟不同光照条件。\n - **前置知识**：摄影。\n\n37. **Gain** / 增益\n - **定义**：相机信号放大倍数。\n - **直觉**：调节图像亮度。\n - **在论文中的作用**：用于调整光照条件。\n - **前置知识**：摄影。\n\n38. **PASCAL Style Annotation** / PASCAL风格标注\n - **定义**：遵循PASCAL VOC格式的标注文件，包含图片、对象类别、边界框等。\n - **直觉**：标准化的标注格式。\n - **在论文中的作用**：标注数据时使用。\n - **前置知识**：XML格式。\n\n39. **Edgelet** / 边角特征\n - **定义**：一种基于形状的局部特征，用于部分遮挡检测。\n - **直觉**：描述局部轮廓片段。\n - **在论文中的作用**：在相关工作中提及。\n - **前置知识**：形状特征。\n\n40. **En-Contour** / 边缘轮廓特征\n - **定义**：Wang等人提出的新型边缘特征，用于头肩检测。\n - **直觉**：利用轮廓信息检测头肩。\n - **在论文中的作用**：作为相关工作对比。\n - **前置知识**：边缘检测。\n\n### 概念依赖图\n\n```text\n目标检测 (Object Detection)\n├── 滑动窗口 (Sliding Window)\n│ └── 特征提取\n│ ├── HOG\n│ ├── Haar-like特征 (通过积分图加速)\n│ └── ACF (聚合特征通道: LUV颜色、梯度等)\n├── 分类器\n│ ├── SVM (用于HOG/DPM)\n│ ├── AdaBoost (用于ACF)\n│ └── Latent SVM (用于DPM)\n├── 模型类型\n│ ├── 整体模型 (如全身模型)\n│ └── 部件模型 (如DPM)\n│ ├── 根滤波器\n│ ├── 部件滤波器\n│ └── 空间模型\n│ └── 特征金字塔\n└── 评估方法\n ├── 精确率/召回率 (Precision/Recall)\n ├── TPR/FPR\n ├── 重叠率 (IoU)\n └── 平均精度 (AP)\n\n应用场景:\n├── AAL (环境辅助生活)\n│ ├── 人员计数\n│ ├── 驻留时间测量\n│ └── 老人监测\n└── 特殊条件: 遮挡、俯视、光照变化\n └── 头肩检测 (Head-shoulder Detection)\n```\n\n依赖关系说明：\n\n- **DPM** 依赖于 **HOG特征**、**Latent SVM**、**特征金字塔** 和 **空间模型**。\n- **Latent SVM** 依赖于 **SVM** 和隐变量优化。\n- **ACF** 依赖于 **积分图**、**Haar-like特征** 和 **AdaBoost**。\n- **评估** 依赖 **重叠率** 和混淆矩阵概念。\n- 论文的 **头肩检测** 是针对AAL场景的 **目标检测** 特化。\n\n\n\n\n## 模块 G：联网核验与引用校对 / Module G: Verification and Citation Check\n\n### 1. 关键事实声明（每个声明至少两个来源）\n\n- **声明1：头肩模型比全身模型在部分遮挡场景下表现更好。**\n - 来源1（论文内部）：论文第3节（METHODS）指出“In many cases in AAL scenarios the described effects reach such a degree that persons cannot be detected any more when applying the commonly used full body models.”（图1示例）\n - 来源2（实验数据）：表2（Experiment 3）中，头肩模型TPR=93%、FPR=2%，全身模型TPR=48%、FPR=1%。表4（Experiment 6）在公共数据集GER'HOME上，头肩模型TPR=93%、FPR=2%，全身模型TPR=76%、FPR=12%。\n\n- **声明2：DPM算法优于ACF检测器。**\n - 来源1（实验对比）：第6.1节“DPM vs. ACF Detector”指出“the results show that the DPM models are better than ACF detector for both full body and head-shoulder models.”，依据图4、5（全身模型）和图6、7（头肩模型）的PR曲线。\n - 来源2（讨论）：第6.1节还提到“With regard to the experiments comparing the results of dark far views with bright far views in Fig. 5 and Fig. 7, one can say that the ACF detector fails to detect a person in bright images.”\n\n- **声明3：头肩模型对距离变化不敏感。**\n - 来源1（实验设置）：第5.4节Experiment 4设计了三个距离等级（near, mid, far）。\n - 来源2（结论）：第6.3节“Distance”指出“In Fig. 6 and Fig. 9, the results show that the distance factor has no influence on the head-shoulder model.”\n\n- **声明4：光照条件影响检测性能，良好光照下性能更优。**\n - 来源1（实验设置）：第5.4节考虑了暗/亮两种照明条件（dark/bright）。\n - 来源2（讨论）：第6.4节“Lighting”指出“The DPM head-shoulder model performs better under brighter light conditions...generally, good illumination conditions yield a better result without depending on the distance.”\n\n- **声明5：使用更多正样本训练会提高泛化能力，但可能降低精确率。**\n - 来源1（实验设置）：第5.5节Experiment 5使用9000和1000正样本分别训练。\n - 来源2（讨论）：第6.5节“Number of Training Samples”指出“The model with a lower number of positive images (see Fig. 9) has higher precision rates but less recall compared to the model trained with more number of positive images (see Fig. 6). Thus, training a model with more positive images generalizes the parameters.”\n\n### 2. 冲突或不确定性说明\n\n- **可能的不一致**：第6.4节提到“In Fig. 4, the recall value reaches 0.8 when the images have a high contrast and the person is far from the camera. However, this value reaches can only 6.2 in the low contrast images.” 这里的“6.2”疑似笔误（应为0.6或0.2），原文表述不清晰，存在数值混乱。\n- **实验条件细节缺失**：论文未明确说明数据集的划分比例、评估阈值的选择依据（如重叠比阈值）、以及ACF检测器的具体参数配置（仅提及“different parameters' values”），导致复现困难。\n- **公共数据集GER'HOME的引用**：论文使用GER'HOME测试集，但该数据集的具体内容、标注标准未在文中详细描述，可能影响结果的可比性。\n- **作者所属机构**：根据文档开头，作者均来自“Faculty of Electrical Engineering and Information Technology, Technische Universität Chemnitz”，但部分模块（如module_a）可能提取不完整。\n\n### 3. 参考文献列表（按正文引用顺序）\n\n1. Dollár, P., Wojek, C., Schiele, B., and Perona, P. (2012). Pedestrian detection: An evaluation of the state of the art. PAMI, 34.\n2. Papageorgiou, C. and Poggio, T. (2000). A trainable system for object detection. International Journal of Computer Vision, 38(1):15–33.\n3. Viola, P. and Jones, M. (2001). Robust real-time object detection. In International Journal of Computer Vision.\n4. Lowe, D. G. (2004). Distinctive image features from scale-invariant keypoints. International Journal of Computer Vision, 60:91–110.\n5. Dalal, N. and Triggs, B. (2005). Histograms of oriented gradients for human detection. In CVPR 2005, volume 1, pages 886–893.\n6. Zhu, Q., Yeh, M.-C., Cheng, K.-T., and Avidan, S. (2006). Fast human detection using a cascade of histograms of oriented gradients. In CVPR 2006, volume 2, pages 1491–1498.\n7. Shashua, A., Gdalyahu, Y., and Hayun, G. (2004). Pedestrian detection for driving assistance systems: single-frame classification and system level performance. In Intelligent Vehicles Symposium, pages 1–6.\n8. Gavrila, D. (2007). A bayesian, exemplar-based approach to hierarchical shape matching. PAMI, 29(8):1408–1421.\n9. Sabzmeydani, P. and Mori, G. (2007). Detecting pedestrians by learning shapelet features. In CVPR '07, pages 1–8.\n10. Viola, P., Jones, M., and Snow, D. (2003). Detecting pedestrians using patterns of motion and appearance. In ICCV 2003, pages 734–741.\n11. Wojek, C., Walk, S., and Schiele, B. (2009). Multi-cue on-board pedestrian detection. In CVPR 2009, pages 794–801.\n12. Wojek, C. and Schiele, B. (2008). A performance evaluation of single and multi-feature people detection. In Pattern Recognition, volume 5096, pages 82–91.\n13. Walk, S., Majer, N., Schindler, K., and Schiele, B. (2010). New features and insights for pedestrian detection. In CVPR 2010, pages 1030–1037.\n14. Dollár, P., Tu, Z., Perona, P., and Belongie, S. (2009a). Integral channel features. In BMVC.\n15. Dollár, P., Belongie, S., and Perona, P. (2010). The fastest pedestrian detector in the west. In BMVC.\n16. Felzenszwalb, P., Girshick, R., McAllester, D., and Ramanan, D. (2010). Object detection with discriminatively trained part-based models. PAMI, 32(9):1627–1645.\n17. Felzenszwalb, P., McAllester, D., and Ramanan, D. (2008). A discriminatively trained, multiscale, deformable part model. In CVPR 2008, pages 1–8.\n18. Park, D., Ramanan, D., and Fowlkes, C. (2010). Multiresolution models for object detection. In ECCV 2010, volume 6314, pages 241–254.\n19. Wu, B. and Nevatia, R. (2005). Detection of multiple, partially occluded humans in a single image by bayesian combination of edgelet part detectors. In ICCV 2005, volume 1, pages 90–97.\n20. Kirchner, N., Alempijevic, A., and Virgona, A. (2012). Head-to-shoulder signature for person recognition. In ICRA 2012, pages 1226–1231.\n21. Richter, J., Findeisen, M., and Hirtz, G. (2014). Assessment and Care System Based on People Detection for Elderly Suffering From Dementia. In ICCE-Berlin 2014, pages 59–63.\n22. Tu, J., Zhang, C., and Hao, P. (2013). Robust real-time attention-based head-shoulder detection for video surveillance. In ICIP 2013, pages 3340–3344.\n23. Li, M., Zhang, Z., Huang, K., and Tan, T. (2009). Rapid and robust human detection and tracking based on omega-shape features. In ICIP 2009, pages 2545–2548.\n24. Wang, S., Zhang, J., and Miao, Z. (2013). A new edge feature for head-shoulder detection. In ICIP 2013, pages 2822–2826.\n25. Everingham, M., Van Gool, L., Williams, C., Winn, J., and Zisserman, A. (2010). Pascal. IJCV, 88(2).\n26. Dollár, P., Wojek, C., Schiele, B., and Perona, P. (2009b). Pedestrian detection: A benchmark. In CVPR.\n27. Ess, A., Leibe, B., and Van Gool, L. (2007). Depth and appearance for mobile scene analysis. In ICCV 2007, pages 1–8.\n28. Enzweiler, M. and Gavrila, D. (2009). Monocular pedestrian detection: Survey and experiments. PAMI, 31(12):2179–2195.\n29. Girshick, R. B., Felzenszwalb, P. F., and McAllester, D. (2012). Discriminatively trained deformable part models, release 5. .\n30. Dollár, P. (2013). Piotr's Image and Video Matlab Toolbox (PMT). .\n31. Zouba, N., Bremond, F., Thonnat, M., and Vu, V. T. (2007). Multi-sensors analysis for everyday activity monitoring. Proc. of SETIT, pages 25–29.\n\n\n\n## 模块 H：图表与表格抽取（索引/打分/深读） / Module H: Figure/Table Mining (index, scoring, top deep dive)\n\n### 模块H：图表提取\n\n#### 1. 完整索引（表格：编号 / 标题 / 类型 / 位置 / 支撑论断 / 评分）\n\n| 编号 | 标题（英文原文） | 类型 | 位置 | 支撑论断 | 评分（1-5） |\n|------|------------------|------|------|----------|-------------|\n| 图1 | Figure 1: Person detection when using the full body model: Persons standing very close or almost below the camera, occluded by objects such as a table, or with the back turned to the camera cannot be reliably detected. There often occur false positives or false negatives in such cases. | 图像示例 | 第3节（Methods） | 全身体模型在AAL场景中失效，头肩部分始终可见 | 4 |\n| 图2 | Figure 2: Illustration of a head-shoulder model. The left image shows the lower-resolution root filter, the image in the middle demonstrates higher-resolution part filters and the right image the spatial model. | 模型示意图 | 第3节（Methods） | DPM头肩模型结构：根滤波器、部分滤波器、空间模型 | 5 |\n| 图3 | Figure 3: Exemplary detection of the DPM algorithm using the proposed head-shoulder model. When using the head-shoulder model, the person sitting at the table can be detected. | 检测结果示例 | 第3节（Methods） | 头肩模型能检测全身体模型无法检测的坐姿人物 | 4 |\n| 图4 | Figure 4: The performance of the full body DPM model (trained using the Pascal dataset, cascade PCA 5, the overlap area > 10%). | 性能曲线（PR曲线） | 第5.1节（Experiment 1） | 全身体DPM在自建数据集上检测性能差（低召回） | 4 |\n| 图5 | Figure 5: The performance of the full body ACF detector (trained using the Inria dataset, the overlap area > 10%). | 性能曲线（PR曲线） | 第5.1节（Experiment 1） | 全身体ACF在自建数据集上表现不良，尤其在亮光远距离 | 4 |\n| 图6 | Figure 6: The performance of head-shoulder DPM model (trained using around 9000 positive images, cascade PCA 5, the overlap area > 50%). | 性能曲线（PR曲线） | 第5.2节（Experiment 2） | 头肩DPM相比全身体模型和ACF明显更优，距离影响小，亮光更好 | 5 |\n| 图7 | Figure 7: The performance of head-shoulder ACF detector (trained using around 9000 positive images, the overlap area > 50%). | 性能曲线（PR曲线） | 第5.2节（Experiment 2） | 头肩ACF性能不如头肩DPM，亮光远距离检测失败 | 4 |\n| 图8 | Figure 8: The left and right images are the samples in the test group of dark-mid and bright-near respectively. | 样本示例 | 第5.4节（Experiment 4） | 距离和光照条件示例（暗-中距、亮-近距） | 3 |\n| 图9 | Figure 9: The performance of head-shoulder DPM model (trained using around 1000 positive images, cascade PCA 5, the overlap area > 50%). | 性能曲线（PR曲线） | 第5.5节（Experiment 5） | 训练样本数少时精度更高但召回更低，样本多泛化好但误报多 | 4 |\n| 表1 | Table 1: Experimental overview. | 表格（实验概览） | 第4.2节末尾 | 六个实验的内容和目的 | 3 |\n| 表2 | Table 2: Comparison of the full body and the head-shoulder model. | 表格（数值结果） | 第5.3节（Experiment 3） | 头肩模型TPR 93% vs 全身体48%，FPR 2% vs 1%，头肩明显优越 | 5 |\n| 表3 | Table 3: Number of images for the different configurations. | 表格（数据集统计） | 第5.4节（Experiment 4） | 六个光照-距离组合的图像数量（约300-360张） | 3 |\n| 表4 | Table 4: Test on public data set. | 表格（数值结果） | 第5.6节（Experiment 6） | GER'HOME数据集上头肩模型TPR 93% vs 全身体76%，FPR 2% vs 12%，证明泛化性 | 5 |\n\n#### 2. 优先深度阅读（3-5项）\n\n1. **图2（模型结构）**：该图展示DPM头肩模型的三部分：根滤波器（低分辨率）、部分滤波器（高分辨率）、空间模型。是理解方法核心的关键图，必须细读。\n2. **表2（头肩 vs 全身体）**：直接给出两个模型在相同测试集（1601张）上的TPR/FPR对比，是“头肩优于全身体”最直接证据，也是全文最重要的定量结论之一。\n3. **图6（头肩DPM性能曲线）**：头肩DPM在自建数据集上的PR曲线，同时支撑距离、光照、训练样本数等分析，是多个实验的核心对照。\n4. **表4（公开数据集测试）**：在GER'HOME公开数据集上的结果，验证模型跨场景泛化能力，是论文最后一项关键实验。\n5. **图9（少样本头肩DPM）**：训练样本1000时与图6（9000样本）对比，用以分析训练数据数量对模型的影响，是训练样本实验的直接证据。\n\n#### 3. 图表关系/实验设置图\n\n（注：原论文没有明确的实验设置流程图，这里根据文本重建关系示意，用Markdown文本表示）\n\n```mermaid\ngraph TD\n A[数据采集: 11920张图像 (9013正+2907负)] --> B[标注: PASCAL风格边框]\n B --> C[训练/测试划分]\n C --> D[训练DPM和ACF检测器: 全身体和头肩]\n D --> E[实验1: 全身体DPM vs ACF (图4,5)]\n D --> F[实验2: 头肩DPM vs ACF (图6,7)]\n D --> G[实验3: 头肩 vs 全身体 (表2)]\n D --> H[实验4: 距离-光照影响 (图6,8)]\n D --> I[实验5: 训练样本数影响 (图6,9)]\n D --> J[实验6: 公开数据集GER'HOME (表4)]\n```\n\n**实验设置要点**（来自文本）：摄像头为CCD Allied GC1350（1.3MP），天花板上倾斜约20°，高度2m，部分场景手持。光照包含明暗变化，距离分为近/中/远。TPR和FPR由检测框与标注框重叠率定义（>50%或>10%）。\n\n#### 4. 图表到结论的映射\n\n| 结论 | 依据图表 | 位置（章节） |\n|------|----------|--------------|\n| 全身体模型在AAL场景下检测不佳（低召回、误检） | 图4、图5 | 第5.1节、第6.1节 |\n| DPM头肩模型优于ACF头肩模型 | 图6 vs 图7 | 第6.1节 |\n| 头肩模型明显优于全身体模型（TPR 93% vs 48%） | 表2 | 第5.3节、第6.2节 |\n| 距离因素对头肩模型影响很小 | 图6中的不同距离曲线（未单独列出）与图8 | 第6.3节 |\n| 光照影响：亮光下性能更好 | 图6、图9、图4中的低对比度说明 | 第6.4节 |\n| 训练样本数影响：样本多泛化好但误报多，样本少精度高但召回低 | 图6 vs 图9 | 第6.5节 |\n| 头肩DPM模型在公开数据集上依然有效（TPR 93%, FPR 2%） | 表4 | 第5.6节、第6.2节 |"
}