{
  "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": "simple",
  "summary": "### 摘要\n本文针对传统全身行人检测在部分遮挡、视角变化等复杂环境下鲁棒性不足的问题，提出了一种基于可变形部件模型（DPM）的稳健头肩部检测器。该检测器利用头肩部在大多数场景下可见的特性，通过低分辨率根滤波器、高分辨率部件滤波器及空间模型构建头肩模型，并采用隐式SVM进行训练。由于缺乏公开的头肩数据集，作者自行采集了11920张图像（9013正样本、2907负样本），涵盖不同光照与距离条件，并进行了PASCAL风格标注。实验中，作者将DPM与ACF检测器在全身体和头肩模型下进行了对比，并分析了距离、光照、训练样本数量等因素的影响。在自建数据集上，头肩DPM模型的TPR达到93%，FPR为2%，显著优于全身体模型的48% TPR和1% FPR；在公开的GER'HOME数据集上，头肩模型也取得93% TPR和2% FPR，优于全身体的76% TPR和12% FPR。结果表明，头肩检测在AAL场景中比全身体检测更稳健，且DPM优于ACF检测器。核心机制是使用可变形部件模型，通过动态分配部件模型和空间约束来应对形变与遮挡。未来将扩展更多视角的训练样本，并应用于安全、消费市场等领域。\n\n### 关键要点\n- 传统的全身人体检测在部分遮挡、俯视视角等情况下鲁棒性不足，尤其在环境辅助生活（AAL）应用中，当人靠近倾斜安装的摄像头或坐姿时，下肢不可见。\n- 头肩部在大多数场景下始终可见，因此以头肩作为检测区域比全身检测更可靠。\n- 提出基于可变形部件模型（DPM）的头肩检测器，模型由低分辨率根滤波器、多个高分辨率部件滤波器和空间模型组成。\n- DPM采用隐式SVM（Latent SVM）进行判别式训练，能够动态调整部件位置作为潜在变量。\n- 由于没有合适的公开头肩数据集，作者自行录制了11920帧图像（9013正样本、2907负样本），涵盖13名不同年龄、性别、衣物的人员，在坐、站、躺等姿势下拍摄。\n- 数据标注采用PASCAL风格边界框，并开发了辅助标注工具以提高效率。\n- 实验对比了DPM和ACF检测器在全身体和头肩模型上的表现，结果显示DPM优于ACF，无论全身体还是头肩模型。\n- 在相同测试集上，头肩DPM的TPR为93%，FPR为2%，而全身体DPM的TPR仅为48%，FPR为1%。\n- 距离因素对头肩检测无显著影响，因为头肩形状受透视畸变影响较小；而全身体检测在近距离时召回率很低。\n- 照明条件影响检测性能，较亮的光照下检测精度和召回率更高，但性能依赖训练数据中低对比度样本的分布。\n- 训练样本数量影响模型泛化：使用更多正样本训练的头肩模型召回率更高，但精确率略低；较少样本则相反。\n- 在公开数据集GER'HOME上，头肩DPM的TPR为93%，FPR为2%，优于全身体的76% TPR和12% FPR，验证了模型的跨场景有效性。"
}