《Journal of Imaging》：Pedestrian Detection Techniques for Advanced Driver Assistance Systems: A Comprehensive Review
行人检测是高级驾驶辅助系统(ADAS)的基础组成部分，在碰撞避免和弱势道路使用者安全中发挥关键作用。本文对2000年至2025年间开发的行人检测方法进行了结构化综述，涵盖了经典视觉技术和现代深度学习架构。研究人员将综述分为两个阶段。首先，研究人员考察了经典方法，包括方向梯度直方图(HOG)+支持向量机(SVM)、Viola–Jones、可变形部件模型(Deformable Part Model, DPM)和积分通道特征(Integral Channel Features, ICF)，这些方法奠定了该领域的概念基础。然后，研究人员分析了最先进的深度学习架构，按照检测器阶段（单阶段与两阶段）、定位策略（基于锚点与无锚点）、特征提取范式（基于卷积神经网络(CNN)与基于Transformer）、输出表示（边界框与实例分割）以及计算特征（轻量与重量）进行分类。经典方法引入的若干设计原则在现代架构中仍然可见，表明它们并未被完全取代。该综述还考察了公开可用的基准数据集，并比较了基于摄像头、光探测和测距(LiDAR)、雷达以及多传感器融合的系统在ADAS部署中的优势和局限性。研究人员最后确定了该领域的六个开放问题：对抗鲁棒性、嵌入式约束下的实时推理、恶劣天气下的检测、数据集偏差和人口统计学公平性、鸟瞰视图(BEV)和统一感知在汽车硬件上的部署，以及安全关键用途的可解释性。
**1. Introduction**
引言指出，行人检测是ADAS的关键组成部分，行人死亡是重大公共卫生问题。综述追溯了从基于手工特征的经典计算机视觉方法到基于深度学习的现代架构的演变。强调了经典方法与现代架构之间的设计原则延续性，并提出了研究问题：经典技术是否已被完全取代？主要贡献包括纵向分析、按架构、计算复杂度和传感模态的分类、CNN与Transformer检测器的比较、数据集评估，以及新兴研究方向（如多传感器融合、3D检测、BEV感知）。
**2. Review Methodology and Structure**
本节描述了遵循PRISMA协议的综述方法。文献来源包括IEEE Xplore、Scopus、Web of Science和Google Scholar，时间跨度为2000-2025年。关键词包括行人检测、弱势道路使用者检测、ADAS感知系统等。纳入标准针对智能交通系统或ADAS环境中的行人检测研究。方法按照检测器架构（两阶段、一阶段、Transformer）、定位机制（基于锚点与无锚点）、计算特性（轻重型）和传感模态（纯视觉与多传感器融合）进行分类。
**3. Pedestrian Detection Techniques**
**3.1. Early Pedestrian Detection Techniques**
早期方法采用手工特征与经典机器学习分类器，典型流程为滑动窗口生成候选区域、特征提取（如HOG、LBP、SIFT、Haar-like）和分类（SVM或Boosting）。HOG+SVM成为主导方法，Viola–Jones引入积分图像和级联AdaBoost。DPM通过根滤波器和可变形部件建模人体结构，处理姿态变化和遮挡。这些方法在有限硬件上实现实时性，但泛化能力有限。不过，其设计原则（如梯度特征提取、多尺度分析）影响现代检测器。
**3.2. Deep Learning-Based Techniques**
深度学习通过自动学习分层特征表示大幅提升了检测精度。现代检测器按五个设计轴分类：检测器阶段、定位策略、特征提取、输出表示和计算特性。表1提供了分类总结，表2和表3分别对比了RGB-only和多光谱方法的性能。关键趋势包括：从经典到深度学习的显著进步（如HOG+SVM在Caltech上的误报率68.0%降至Adapted Faster R-CNN的约5.0%）；两阶段与一阶段检测器的精度-速度权衡；轻量级变体（如Tiny-YOLOv3）在嵌入式平台上的实时性。然而，基准性能掩盖了严重遮挡和拥挤场景下的失败，部分方法在CityPersons重度遮挡子集上误报率高达50.5%。部分模型（如Ouyang和Wang的遮挡处理检测器）重新引入基于部件的推理思路。
**3.2.1. Two-Stage Detectors vs. One-Stage**
两阶段检测器（如R-CNN、Faster R-CNN）先生成区域提议，再分类和细化，源于经典方法中的级联拒绝和DPM框架。它们精度高但计算开销大。一阶段检测器（如YOLO、SSD）在单次前向传播中直接预测，速度快但小目标或密集目标精度较低。在ADAS中，适用性取决于操作场景：高速公路低密度场景可容忍两阶段，而城市密集交通需要一阶段。
**3.2.2. Anchor-Based vs. Anchor-Free Detectors**
基于锚点的检测器依赖预定义锚框匹配真实边界框，常用Faster R-CNN、SSD等，但需精心设计锚点尺寸，小或遮挡行人可能匹配不佳。无锚点检测器（如CenterNet、FCOS）直接预测中心点或关键点，简化流程，更好处理尺度变化和拥挤场景。混合策略（如ATSS、YOLOX）结合两者优点。关键区别在于定位方式：基于锚点作为匹配和回归问题，无锚点作为空间预测任务。
**3.2.3. CNN-Based vs. Transformer-Based**
CNN擅长局部空间特征提取，适合实时嵌入式部署。Transformer通过自注意力捕获全局上下文，有利于遮挡和拥挤场景，但计算成本高（二次复杂度）。混合架构（如RT-DETR）结合两者。Transformer效率优化包括局部注意力、层次处理、稀疏注意力、可变形注意力和线性化注意力。尽管Transformer在意图预测中显示出优势，但CNN仍是ADAS实时检测的首选，混合架构是平衡精度的方向。
**3.2.4. Bounding Box Detection vs. Instance Segmentation**
边界框检测（如Faster R-CNN、YOLO）提供粗定位，在复杂场景下不足。实例分割（如Mask R-CNN、YOLACT、SOLOv2）生成像素级掩膜，改善遮挡处理和轨迹推断，但计算代价高。多模态融合可增强分割鲁棒性。边界框检测是实时默认选择，实例分割在安全关键场景中提供更高精度。
**3.2.5. Lightweight vs. Heavyweight Models**
轻量模型（如Tiny-YOLO、MobileNet-SSD）针对嵌入式平台优化，优先快速推理和低内存；重量模型（如全尺寸YOLO变体、Transformer）精度更高但资源需求大。选择需平衡精度、速度和硬件能力。
**3.3. Camera-Based Systems**
摄像头系统捕获颜色、纹理和形状，但受光照、天气和遮挡影响。它们提供高空间分辨率但依赖间接深度估计，夜间和恶劣天气性能下降。多曝光成像等技术被用于改善。
**3.4. LiDAR-Based Systems**
LiDAR提供精确3D信息，不易受光照变化影响，但成本高、雨雾下性能下降，且点云处理需要大量计算。其角度分辨率（0.1°-0.4°）限制了对小或远距离行人的细节捕捉。
**3.5. Radar-Based Systems**
雷达对恶劣天气鲁棒，可测量径向速度，但空间分辨率低，难以区分个体行人。通常与摄像头融合，利用雷达的天气鲁棒性和速度信息以及摄像头的空间细节。
**3.6. Fusion-Based Systems**
多传感器融合结合摄像头、LiDAR和雷达的优势，克服单一模态的失效模式。融合策略分为早期融合、晚期融合和特征级融合。早期融合对空间未对准敏感；晚期融合鲁棒但限制交叉模态交互；特征级融合是折中。关键挑战是异构数据的对齐（坐标系统和分辨率）。示例包括PointPainting（早期融合）、CenterFusion、TransFuser（特征级）和BEVFusion（统一BEV网格）。融合的有效性依赖于校准精度和评估设置（如道路侧固定传感器与车载系统的差异）。
**4. Datasets and Evaluation Metrics**
多传感器行人检测需要多样化数据集，覆盖不同光照、天气和行人行为。常用基准数据集包括Caltech Pedestrian Dataset、CityPersons、KITTI、EuroCity Persons、WiderPerson（拥挤场景）以及多光谱数据集（KAIST、CVC-14）。大规模自动驾驶数据集（nuScenes、AIODrive、Oxford Radar RobotCar）提供多模态数据。事件相机数据集尚不成熟。评估指标包括精度、召回率、F1-score、平均精度(mAP)和对数平均漏检率(MR
?2)，后者在Caltech和CityPersons上常用。此外，实时性指标（帧率、功耗）和公平性评估（按年龄、性别、肤色分层）也重要。当前缺乏标准化基准协议，导致方法间难以直接比较。
**5. Challenges and Future Directions**
本节识别出六个开放问题：
**5.1. Adversarial Attacks and Robustness**
深度学习模型易受对抗攻击，需开发鲁棒检测器和综合测试方法，并解决数据集偏差（如年龄、性别）带来的公平性问题。
**5.2. Real-Time Processing and Efficiency**
嵌入式平台上的实时推理需平衡精度与计算，轻量模型和事件驱动系统是方向。多传感器融合和新型AI模型（如Vision Transformer、大语言模型）被研究用于复杂交通场景。
**5.3. Detection in Adverse Weather Conditions**
恶劣天气（雨、雪、雾）降低视觉检测效果，需结合传感器融合和图像增强。多光谱融合（RGB+红外）和事件相机有助于解决低对比度和噪声问题。
**5.4. Ethical Considerations and Bias**
数据集偏差（如儿童、老年人代表不足）导致检测不均匀。传感器融合虽提升性能，但增加成本和复杂性，可能限制公平部署。需同时解决技术局限和伦理问题。
**5.5. BEV-Based and Unified Perception Frameworks**
BEV通过将多传感器输入投影到俯视图网格，简化融合和下游规划。统一感知框架将检测、分割、跟踪和预测集成，利用任务依赖。但BEV推理成本高，联合训练需谨慎平衡任务损失，且依赖精确校准和单目深度估计。
**5.6. XAI in Pedestrian Detection**
随着模型复杂度增加，可解释性对信任和合规至关重要。神经符号方法结合感知与符号推理（如行人注视、身体朝向、位置）提供可审计的预测。时间特征提取（如运动历史）增强可检查性。
**6. Conclusions**
综述总结了从手工特征到深度学习和多模态感知的演变，强调实际部署中的系统级挑战（鲁棒性、效率、融合）。未来工作应聚焦高效架构、自适应传感器融合、标准化评估协议，并结合实时行为预测。必须解决遮挡、恶劣天气、标定漂移、延迟约束和安全关键决策中的验证问题。神经符号方法为可解释的行人意图预测提供方向。
