计算机视觉应用于行人检测方面有什么技术

目前主要的行人检测技术包括：

1. Haar特征 + Adaboost算法：通过提取人脸特有的Haar特征结构，再通过Adaboost算法进行分类，实现人脸检测。

2. HOG特征 + SVM分类器：在图像中划分大小不同的小块，提取每个小块的梯度方向直方图，再通过支持向量机分类器进行分类，实现行人检测。

3. Faster R-CNN：利用深度学习将特征提取和分类分别在两个阶段完成，首先通过卷积神经网络提取图像特征，再通过区域提议网络生成候选区域，最后使用RoI pooling层将每个区域映射为固定大小的特征向量，通过分类器进行分类，实现目标检测。

相关问题

基于计算机视觉的行人检测方法研究进展

近年来，基于计算机视觉技术的行人检测研究得到了广泛关注和迅速发展。以下是一些进展的研究方向和方法：

1. 深度学习方法：利用卷积神经网络（CNN）等深度学习方法，对图像进行特征提取和目标检测。

2. 目标检测算法：如RCNN、Fast R-CNN、Faster R-CNN等，这些算法可以实现高精度的行人检测。

3. 多尺度检测：通过对图像进行多尺度检测，可以提高行人检测的鲁棒性和准确性。

4. 行人姿态估计：考虑到行人的不同姿态，一些研究者将行人姿态估计和行人检测结合起来，以提高检测准确率。

5. 行人属性识别：在行人检测的基础上，通过识别行人的属性，如性别、年龄和穿着等，可以更加准确地识别行人。

6. 行人重识别：在多个镜头或场景下，通过行人重识别技术，可以实现对同一个行人的跨场景跟踪。

这些方法的发展使得行人检测在视频监控、智能交通、智能安防等领域得到了广泛的应用。