要約
歩行者検出において、特徴の判別性と簡易性は効果的かつ効率的な検出に非常に重要です。しかし、最先端の手法の多くは精度と効率性の良いバランスを達成できていません。歩行者のいくつかの単純な内在属性（すなわち、外観の一貫性と形状の対称性）に着想を得て、我々は非隣接特徴量（Non-Neighboring Features: NNF）の2つの新しいタイプを提案します：側面内部差分特徴量（Side-Inner Difference Features: SIDF）と対称類似度特徴量（Symmetrical Similarity Features: SSF）。SIDFは背景と歩行者との差異、および歩行者の輪郭とその内部部分との差異を表現することができます。SSFは歩行者の形状の対称類似性を捉えることができます。しかし、隣接特徴量にはこのような表現能力を持つことが困難です。最後に、我々は非隣接特徴量と隣接特徴量を組み合わせた歩行者検出手法を提案します。非隣接特徴量を使用することで、平均ミスレートがさらに4.44%低下することが確認されました。INRIAおよびCaltech歩行者データセットでの実験結果は、提案手法の有効性と効率性を示しています。CNNを使用しない最先端手法と比較して、我々の手法はCaltechデータセット上で最高の検出性能を達成しており、2番目に優れた手法（Checkboards）よりも1.63%上回っています。