基于转移学习和显着性检测的场景特定行人检测，用于视频监控

行人检测是视频监控中的一个基本问题，近年来已经取得了长足的进步。 然而，由于源训练样本和目标场景中行人样本之间的差异，在某些公共数据集上训练的通用行人检测器的性能在应用于某些特定场景时会明显下降。 另外，在目标场景中手动标记样本也是一项昂贵且费时的工作。 我们提出了一种新颖的转移学习框架，该框架可以自动将通用检测器转移到特定于场景的行人检测器，而无需手动标记目标场景中的训练样本。 在我们的方法中，我们通过对目标场景使用通用检测器来获得初始检测结果，我们将该结果称为目标样本。 我们使用了几种线索来过滤目标模板，从最初的检测结果中我们可以确定它们的标签。 高斯混合模型（GMM）用于获取每个视频帧中的运动区域和一些其他目标样本，这些目标样本无法被通用检测器检测到，因为这些目标样本距离摄像机较远。 目标样本和目标模板之间的相关性以及源样本和目标模板之间的相关性通过稀疏编码进行估算，然后用于计算源样本和目标样本的权重。 显着性检测是在源样本和目标模板之间进行相关性计算以消除非显着区域干扰之前的一项必不可少的工作。 所有这些考虑都是在单个目标函数下制定的，通过对所有这些样本添加基于稀疏编码的权重来