《小超教你寫論文》系列第三篇-Caltech PedestrianBenchmark介紹（小弟認為，目前最好用的資料庫）

這裡是《小超教你寫論文》系列第三篇。眾所周知，做ComputerVision研究最重要的是資料庫。由於CV主要處理圖片和視訊，所以資料容量會非常大，又由於CV研究多是目的依賴型，所以不同場景同一演算法的performance可能會差很多，因此一個內容豐富且國際通用的資料庫就很重要。

如果你真在做有關行人檢測的研究，無論你現在是用的INRIA資料庫還是PASCAL資料庫，我都建議你使用Caltech PedestrianBenchmark資料庫，它是由Caltech（加州理工，夢想中的學校，泰晤士報排名世界第一，高於牛津，斯坦福，哈佛）的一個視覺小組整理的，有著豐富的標註，也極具挑戰性。

下面對Caltech Pedestrian Benchmark做個簡單介紹，更詳細內容可以參照2012年的PAMI。

為了形成資料庫，作者收集了僅10小時的30Hz視訊（約百萬幀），視訊在市區場景下行駛的汽車上的相機拍攝。而後從10小時的視訊中，作者選取了137分鐘，約250000幀影象，裡面約含2300個單獨行人，作者標註了350000個BBs（bounding box）。完成整個工作耗費了作者400小時時間，外國研究人員的努力令人膽顫啊，小弟已跪拜。

通過上面，我們可以看到此資料庫資料量還是可以的（目前最大），那麼型別是否足夠豐富呢，作者在文章中有著詳細介紹，這裡轉述一下。

1.尺寸方面

  一般的資料庫中行人大小在100pixel左右，如INRIA平均279，ETH平均90，而真正在實際應用中，根據圖1的scene geometry，以時速55Km/h計算，我們可以算的pedestrian在30到80pixel之間才能給司機提供足夠預警時間。而30到80畫素的行人正是Caltech的最主要行人資料，在其中佔到69%，且benchmark的平均行人高度為48，符合實際情況。

2.遮擋方面

一般資料庫中，只給出正當後的標註，而Caltech他們不但標出了遮擋的行人，還標出了可見部分和整體部分。這樣，我們就可以將資料庫根據遮擋情況分為不同的型別，如沒遮擋，部分遮擋，嚴重遮擋等進行研究。

3位置方面

這個方面的統計資料，對於演算法研究沒有很重要意義，但是對於實際應用是種啟示。因為如果實際application中真的裝在車上，那麼行人在27度視場角情況下，一般分佈在視場中部。

之所以推薦這個資料庫，除了資料庫本身特點外，還因為作者用此資料庫測試了幾乎全部主流行人檢測演算法，且測試結果放在了網站上，非常方便我們進行對比。

另外，既然是將寫文章的系列，最終還是要回到寫文章上。寫文章最重要的不是確定演算法，或是提出模型，最重要的是尋找問題和切入點。那麼，行人檢測，或是此資料上的研究有哪些問題和切入點呢？作者為了促進研究，也給我們總結了7點，小弟竊取出來，大家一起研究啊。

1.小尺寸 換句話說，就是低解析度。由以上可知，在實際應用中，低解析度是很重要且必須解決的問題，但由於以前資料庫的原因，大多研究集中在較高解析度的行人部分，有了Caltech資料庫，希望大家能看重並解決這個問題。

2.遮擋     遮擋問題由來已久，研究也不少。但以前沒有資料庫將遮擋問題做出這麼詳細的分類，因此，Caltech資料庫的出現更方便了大家的研究。

3運動     自古，檢測和跟蹤不分家，兩者還可以互相促進。還記得有大神在HOG之後直接提出HOF，利用能表示運動的光流場來作為特徵。行人，Pedestrian，不是Human，特徵之一就是motion。能利用motion最為特徵，是很好的創新點。

4短時整體 與3中思想一樣，雖然檢測不同於跟蹤，但若能結合兩者特徵，從幾幀，即從短時整體的角度去看待問題，一定會有不小的收穫哦。

5上下文    馬克思主義哲學說，萬事萬物都是有聯絡的。找到其中的聯絡，我們就能有更強的能力，整體和部分，內部和外界，過去和現在和未來，找到聯絡，找到上下文，就能取得更好的效果。

6新型特徵   特徵是一種模型，愛因斯坦說所有模型都是錯誤的。所以，小弟敢說，所有特徵都是不完美的，一定有更好的特徵存在。當然，大家都知道這有多難，但你想想，一個新穎的特徵，能直接將你送到學術頂尖位置，想想都爽。。。。這個創新點，很好很強大，你們努力吧，小弟自認資質愚鈍，這個方面就不想了

7資料     現在，大部分研究都是基於INRIA資料庫的，作者希望大家能使用Caltech資料庫。將你的演算法在新的資料庫上試試，思考一下結果的問題和原因，說不定能發現演算法缺陷，或迸發出新的想法呢。

好了，《小超教你寫論文》系列第三篇就寫到這了，總之，強烈向所有做行人檢測的人推薦Caltech資料庫。第四篇本來準備寫第一篇文章對應的程式碼實現及解析呢，但現在想想沒有時間了，還是趕緊想想自己文章的創新點和演算法吧。所以，下一篇，應該是新文章的創新點探索分析講解。

忘了說了，資料庫在作者網站上有，網址在文中連結的PAMI文章中有。