摘要
特征的判别性和简洁性对于有效且高效的行人检测至关重要。然而，大多数最先进的方法在准确性和效率之间难以取得良好的平衡。受行人的一些简单固有属性（如外观恒定性和形状对称性）的启发，我们提出了两种新的非邻域特征（Non-Neighboring Features, NNF）：侧内差异特征（Side-Inner Difference Features, SIDF）和对称相似性特征（Symmetrical Similarity Features, SSF）。SIDF 能够描述背景与行人之间的差异以及行人轮廓与其内部部分之间的差异。SSF 则可以捕捉行人的形状对称相似性。然而，邻域特征很难具备上述表征能力。最后，我们提出将非邻域特征与邻域特征结合用于行人检测。研究发现，非邻域特征可进一步降低平均漏检率 4.44%。在 INRIA 和 Caltech 行人数据集上的实验结果证明了所提方法的有效性和高效性。与不使用卷积神经网络（CNN）的现有方法相比，我们的方法在 Caltech 数据集上实现了最佳的检测性能，优于排名第二的方法（即 Checkboards）1.63%。