行人检测在监控、自主机器人导航、汽车安全等领域有着广泛的应用。然而，在现实生活中存在许多遮挡问题。原文章综述了遮挡行人检测技术的研究进展。首先，根据遮挡的不同，将其分为两类：类间遮挡和类内遮挡。其次，总结了传统的遮挡处理方法和深度学习方法。并对每种方法模型的主要思想和核心问题进行了分析和讨论。该研究综述以“Survey of pedestrian detection with occlusion”为题于2020年10月在《Complex & Intelligent Systems》杂志上发布。

行人检测技术是一种计算机为给定的视频和图像，确定它是行人，并标记行人的位置。人工智能技术的飞速发展，也使行人检测在计算机视觉领域掀起了一股新的热潮。

近十年来，行人检测技术不断进步。然而，目前仍有一个很大的问题需要解决。根据最近的一项调查，在一段由街头拍摄的视频中，至少有70%在银行、商店、火车站和机场等场景，行人行为都很有限制。复杂背景或其他目标的干扰会增加行人检测的难度。同时，对商业行人检测系统提出了很高的要求，以克服挑战。

    检测动机  

遮挡下的行人检测在智能城市领域得到了广泛的应用。例如，车辆辅助驾驶系统、智能视频监控、机器人、人机交互系统和安全工作都得益于闭塞的行人检测。在智能交通领域，辅助驾驶和自动驾驶是两个重要的发展方向。遮挡下的行人检测是上述方向的重要基础之一。

在实际应用中，遮挡现象在拥挤的街道、火车站和工厂中普遍存在，行人图像被遮挡的形状和形式也是多种多样的。当处理变形和遮挡时，行人检测算法的精度会降低。行人的移动和环境的变化给检测算法带来了很大的挑战。

行人遮挡可分为两类，一类是背景对象造成的遮挡，另一类是检测对象造成的遮挡，如图所示，前者是目标与背景的区别，往往导致目标信息的缺乏。此外，它还会导致物体的丢失。后者是行人之间的重叠，这往往会带来大量的干扰信息。这导致了更多的虚拟检查。根据行人之间的遮挡程度将行人遮挡分为四个层次：0，1-35%，35-80%，80%以上.研究表明，当遮挡度在0~10%之间时，一般的行人检测算法具有较好的检测精度。检测失效率随遮挡程度的增加而增加。当遮挡度超过50%时，行人很难被检测到。

    检测方法  

这个检测里使用了7种检测方法，分别是：传统算法、一种基于分量检测器的算法、基于特殊遮挡分类器的算法、深度学习算法、基于深度置信网络的算法、基于卷积神经网络的算法、基于递归神经网络的算法。

再通过对比多个数据库里面的信息，来得出结论。

    结论  

虽然遮挡下的行人检测取得了良好的识别效果，但在人流大的复杂交通情况或场景中仍有许多问题有待解决，主要包括：

1.训练数据问题：在数据量很小的情况下，现有的算法不能取得很好的检测效果。目前，大多数算法都是在大数据集中进行训练，对训练后的模型进行微调.

2.鲁棒性和速度问题。在行人检测技术中，检测精度和检测速度一直是一个具有挑战性的问题。在保证检测精度的前提下，需要深入了解行人的特征，增加计算量，存储更多的数据，不可避免地导致检测速度慢，不能满足实时性要求。为了保证检测速度，通常减少计算量会导致训练不足。因此，设计一种既具有检测精度又具有检测速度的高效算法具有重要意义。

3.长期遮挡或重度遮挡问题：从本文算法的比较结果来看，行人遮挡检测算法在轻度或部分遮挡情况下具有良好的性能。然而，在重度闭塞或长期闭塞的情况下，其准确性会迅速下降.因此，需要努力解决长期严重咬合的问题.

文章链接：https://link.springer.com/article/10.1007/s40747-020-00206-8