{
  "paper_id": "d42a76ebc05219fe001e34adbb244bed",
  "paper_title": "顶视图人物检测综述",
  "paper_authors": [
    "Misbah Ahmad",
    "Imran Ahmed",
    "Kaleem Ullah",
    "Iqbal khan",
    "Ayesha Khattak",
    "Awais Adnan"
  ],
  "publication_date": "",
  "publication_venue": "unknown",
  "abstract": "近年来，顶视图（俯视）人物检测由于能更好地处理遮挡问题并提供更广的场景覆盖范围，相比正面视图变得更加重要。在计算机视觉中，基于顶视图的人物检测在许多人机交互应用中具有重要意义，包括人物检测、人物计数、人物跟踪、行为分析和无遮挡监控系统等。本文旨在对顶视图人物检测的最新发展和挑战进行全面综述。据我们所知，这是首次对不同顶视人物检测技术的综述。本文概述了最先进的顶视人物检测方法，并为实际应用中选择合适方法提供了指导。这些技术分为两大类：基于斑点（blob）的技术和基于特征的技术。还研究了各种检测因素，如视野、感兴趣区域、颜色空间、图像分辨率，以及各种顶视数据集。",
  "keywords": [
    "人物检测",
    "背景减除",
    "分割",
    "基于斑点技术",
    "基于特征技术"
  ],
  "paper_institutions": [
    "Center of Excellence in Information Technology, Institute of Management Sciences (IMSciences) Hayatabad, Peshawar, Pakistan"
  ],
  "output_language": "zh",
  "provider": "doubao",
  "model": "ark-code-latest",
  "prompt_template": "simple",
  "extracted_at": "2026-08-16T19:46:18.824701Z",
  "template_tag": "simple",
  "summary": "### 摘要\n顶视图人物检测因能有效处理遮挡并扩大场景覆盖范围而日益受到重视，广泛应用于监控、人数统计、跟踪和行为分析等场景。现有方法可分为基于斑点（blob）和基于特征两大类，前者多依赖背景减除、分割及形状/颜色/边缘/纹理等线索，后者常采用HOG、SIFT等特征结合SVM等分类器。综述分析了不同方法中视野、感兴趣区域（头/头肩/全身）、颜色空间（RGB、Depth、HSV、YCbCr）及数据集设置的影响。多数研究使用自建数据集，导致方法间无法直接比较，且普遍受光照变化、复杂背景、自遮挡等约束。论文指出当前技术尚有提升空间，建议未来在统一基准数据集上评估，并引入深度学习等更鲁棒的分类方法。核心机制在于通过前景提取和特征建模将顶视人体结构（如头部、头肩）与背景分离，形成可计数的区域。\n### 关键要点\n- 顶视图相比正面视图能更好地处理遮挡并提供更广的覆盖范围，这使其在监控系统中更具优势。\n- 本文首次系统综述了顶视人物检测技术，将方法分为基于斑点和基于特征两大类。\n- 基于斑点的方法常用背景减除、分割和形态学操作，并利用形状、颜色、边缘和纹理等特征识别目标。\n- 不同研究选择的感兴趣区域包括头部、头肩以及整个顶视身体，这影响检测的准确性。\n- 颜色空间使用上，Depth和RGB最为常见，也有使用HSV和YCbCr的案例。\n- 跟踪方面，研究者采用Kalman滤波、粒子滤波、均值漂移、匈牙利算法等实现人物跟踪。\n- 特征型方法中，HOG及其变体（如CoHOG、旋转HOG）被广泛使用，常与SVM分类器结合。\n- SIFT特征被用于头部和身体方向估计，而局部三元模式（LTP）等也用于头部肩部检测。\n- 多数数据集由研究者自建，且在约束室内环境下采集，导致不同方法间难以进行公平比较。\n- 背景减除方法易受光照突变、背景几何变化、相机抖动和阴影等因素影响。\n- 特征型方法虽更具鲁棒性，但计算成本高，特征向量可能过大。\n- 未来研究应使用统一基准数据集，并探索基于深度学习的检测方法以提升效率和鲁棒性。"
}