李朋原
随着汽车电子化和高级辅助驾驶技术的快速发展，自动驾驶作为辅助驾驶技术的高级阶段，俨然成为未来解决交通出行的重要方式，已成为全球范围内一个新的技术研究热点和重点。汽车行业是一个特殊行业，涉及乘客及行人安全，任何事故都是不可接受的，所以对于安全性、可靠性有着近乎苛刻的要求。
在自动驾驶领域，无人驾驶车辆必须具备通过车载传感器检测行人是否存在及其位置的能力，以实现进一步的决策。一旦检测错误则会造成伤亡，后果严重，所以对于行人检测的准确性要求极高。而行人检测这一核心技术受到很多因素的影响，如行人姿态变化、衣着打扮各异、遮挡问题、运动随机、室外天气光线因素变化等，这些因素都会影响到行人检测技术的准确性乃至可行性。使用高精度的传感器有利于算法结果准确，但高精度的传感器非常昂贵（如激光雷达）。成本和精度无法兼得，这种矛盾在过去一直很难解决。使用廉价的摄像机获取图像，通过处理图像来检测到行人的位置以及运动趋势，从而取代雷达，压缩成本，该过程就是行人检测技术。
自动驾驶中的行人检测使用搭载在车辆中的摄像设备来获得行车的图像数据，进而从图像或者序列当中测算出是否存在行人，同时给出精确的定位。行人检测面临的是一个开放的环境，要考虑不同的路况、天气和光线变化，对算法的鲁棒性提出了很高的要求，而实时性是系统必须满足的要求，因此系统的鲁棒性和实时性构成了一个矛盾。为了解决这种矛盾，现有的行人检测系统一般包括两个模块：图像分割和目标识别。图像分割的目的是从图像中提取可能包含行人的窗口区域作进一步验证，以避免穷尽搜索，提高系统的速度。目标识别是行人检测系统的核心，它对得到的分割区域进行验证，以判断其中是否包含行人，其性能决定了整个系统可以达到的精度和鲁棒性①贾慧星，章毓晋. 车辆辅助驾驶系统中基于计算机视觉的行人检测研究综述[J]. 自动化学报，2007，33（1）：7.。
传统的行人检测技术主要依赖于图像处理技术。近些年来，深度学习技术兴起，典型的如卷积神经网络目前广泛应用于各类图像处理中，非常适用于行人检测。深度学习技术带来的高准确性促进了无人驾驶车辆系统在行人检测等多个核心领域的发展。
本文对自动驾驶中的行人检测相关专利技术文献进行了统计分析，并梳理了行人检测技术的主要发展脉络。
本文在专利检索与服务系统（Patent Search and Service System，简称“S 系统”）中进行检索，以中国专利文摘数据库（CNABS）和外文虚拟文摘数据库（VEN）中的专利申请为基础进行数据筛选和数据分析。鉴于本文主要研究自动驾驶中行人检测技术的发展，主要采用关键词的方式检索得到，其中在CNABS 库中主要采用“自动驾驶”“智能驾驶”“无人驾驶”“行人检测”“行人识别”等关键词进行检索，在VEN 数据库主要采用“person+or pedestrian+or human or people or individ+”等表示行人，采用“detect+or predict+or identif+”等表示检测含义，采用“automatic driving or autonomous driving” 等 表 示自动驾驶，检索截至2021 年12 月31 日公开的专利申请，仅保留发明专利申请，并进行了专利去重、去噪。
（一）申请趋势
图1 展示了近几年行人检测领域专利申请的趋势。从图中可以看到，在2015 年之前，国内外的申请量均没有大幅增加，一直保持平稳的少量申请状态，2016 年开始申请量有了较大的增幅，2018 年开始国内的申请量实现了对国外申请的反超。在2016年以前，行人检测技术主要依赖于提取图像的底层特征，并且自动驾驶领域其他相关技术也不够成熟，发展速度较慢，申请量维持在一个较为平稳的低量状态。2016 年以后，随着自动驾驶相关技术的不断完善，深度学习的方法也成功应用于行人检测等领域，带来了一股新的技术风潮，专利申请量逐渐攀升。
图1 国内外申请趋势图
（二）技术来源国/地区
图2 展示了自动驾驶行人检测领域申请人在全球范围内的地域分布情况。可以看到，申请量最高的区域是中、美、日，总共占据约85%的申请量，其中，我国的申请量超过了全球的一半。这得益于我国众多车企、新兴车企在自动驾驶方面的积极投入，以及我国对高新产业的支持。美国拥有众多老牌车企，对自动驾驶的研究起步较早，也拥有接近全球四分之一的申请量。除此之外，专利五大国中的日、韩申请量也名列前茅。
图2 全球申请人所属国家/地区分布图
（三）主要申请人
图3 展示了自动驾驶行人检测领域排名前10 的重要申请人，我国占据三位。其中百度〔合并了旗下子公司和分公司，由百度在线网络技术（北京）有限公司、百度（美国）有限责任公司、北京百度网讯科技有限公司、阿波罗智能技术（北京）有限公司、阿波罗智联（北京）科技有限公司合并而成〕位列榜首。排名靠前的企业单位依次为百度、伟摩〔Waymo LLC，为Alphabet（Google 母公司）旗下的子公司，美国〕、福特全球技术公司（美国）、新石器慧通（北京）科技有限公司、御眼视觉（MobileEye，以色列自动驾驶创业公司）、罗伯特·博世有限公司（Bosch，德国）、皇家飞利浦股份有限公司（英国）、起亚自动车株式会社（韩国）、现代自动车株式会社（韩国）、UATC LLC（Uber，美国）、华为技术有限公司、重庆长安汽车股份有限公司、宝马股份公司（德国）、丰田自动车株式会社（日本）。可以看出，全球前10 位的重要申请人除吉林大学外，均属于头部车企（5 家）和近些年入局自动驾驶的新型车企和创业企业（4 家）。而吉林大学与百度等自动驾驶公司联系密切，也拥有多个自动驾驶测试实验室，是在自动驾驶投入众多科研力量的国内高校。在前10 位之外，还有许多企业例如宝马、丰田、长安等紧随其后。总的来说，各国企业在行人检测领域的专利布局竞争非常激烈，呈现多元发展的态势。
图3 全球部分重要申请人
行人检测的技术构成主要可以分为两个部分，即图像分割和目标识别。图像分割技术的目的是分割出整体图像中的感兴趣区（Regions of Interest），从而避免对整个图像进行识别，提高系统的检测速度。图像分割技术可以分为阈值分割法、边缘检测法以及语义分割三种分割方法。阈值分割法是使用图像灰度特征进行灰度计算，进而与阈值进行对比来完成分割。边缘检测则是寻找出图像的灰度、颜色、肌理等图像特点忽然改变的地方，从而将其作为图像边缘进行分割。语义分割则是利用卷积神经网络对复杂环境进行分割，分割的依据是有效的上下文 消息。
目标识别是行人检测中的核心技术，可以分为特征提取和分类器构造两大步骤。通过先验知识建立的底层特征提取配合分类器进行行人检测是传统的主流方案。特征提取的目的是降低数据的维数，得到能反映模式本质属性的特征，方便后面的分类；
分类器设计的目的是得到一个计算复杂度较低，并且推广性较好的分类器。按照目标识别中提取的特征类型，可以将其分为两大类：一类是提取的特征为传统图像底层特征，例如颜色、纹理和梯度等基本的图像特征；
另一类是由深度学习提取的特征②张新钰，高洪波，赵建辉，等. 基于深度学习的自动驾驶技术综述[J]. 清华大学学报（自然科学版），2018，058（004）：438-444.，指的是通过机器学习的方法，从大量的行人样本中获取的行人特征表示。主流分类器的构造方法是基于统计分类的，主要可以分为两类，分别是基于支持向量机（Support Vector Machine，SVM）的方法和基于Boosting 技术的方法。各个分类器都有其优缺点，在目前的行人检测技术中，没有一种绝对优秀的分类工具。使用线性函数的SVM 模型的训练和预测时间较快，而 Boosting技术和训练时间则很长，准确性高。目前尚无统一的平台来验证到底哪个分类器性能最优。
（一）基于底层特征提取的自动驾驶中的行人检测技术
本小节主要讨论基于底层特征提取的行人检测。在众多应用于行人检测的底层特征中，最成功且主流的特征为2005 年提出的方向梯度直方图（Histogram of Oriented Gradient，HOG）特征③Dalal N，Triggs B. Histograms of riented gradients for human detection[C]// Proceeding of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition. IEEE，2005.1：886-893.，其通过检测人的图形，得出人的水平和竖直的梯度幅值及像素点的梯度角。使用梯度幅值来对梯度角展开加权，勾勒出图像的局部梯度幅值以及相应的方向，再基于梯度特征对特征向量归一化。HOG 特征建立在密集的网络计算中，可以让不同的块相互重叠，所以对光照的偏移和位置的移动有很大的容差性，让行人检测中的鲁棒性得到很好的满足，可以很好地表现出人体的特征。
2011 年的专利申请CN102096803A 采用ROI 阈值法进行图像分割，选择HOG 特征作为底层特征。利用SVM 分类器判断每一个区域的HOG 特征是否可以匹配为行人样本HOG 特征，是非常典型且主流的传统行人检测方式。2012 年的专利申请CN1026096 86A 在HOG、SVM 的基础上，对图像分割方法进行改进，提出了一种基于运动信息和形状先验的图割方法，降低了误检率。2014 年的专利申请CN1038863 08A 则是聚焦于对分类器进行改进，使用聚合通道特征和软级联分类器获得了更好的分类效果。2019 年的专利申请CN109886086A 是在选用HOG 特征的基础上对分类器进行了改进，使用Adaboost 算法集成三个SVM 弱分类器获得了强分类器。
除了采用主流的HOG 特征外，很多专利申请也选取了其他的底层特征：
1.CSS 特征：2014 年的专利申请CN104537647A除了HOG 特征外，还选取了颜色自相似特征（Color Self-Similarity，CSS），将深度学习模型和分类器联合起来，将待检测图像的特征向量作为将深度学习模型的输入数据，进而得到深度学习模型的隐层节点的状态值，最后将最后一层隐层节点的状态值作为分类器的输入，得到分类结果。
2.LBP 特征：2014 年的专利申请CN104091157A，提出了一种HOG 与纹理特征局部二值模式（Local Binary Patterns，LBP）融合的行人检测方法，采用多特征融合的方法，融合LBP 纹理特征，与SVM 分类器相结合，在提高HOG-LBP 识别率的同时，降低了训练和检测的时间，且能很好地处理行人遮挡问题。2016 年的专利申请CN105741324A 使用光流法检测出所有移动目标后，提取HSV 颜色特征和LBP 纹理特征，使用SVM 作为分类器进行特征分类，并且在完成行人检测的基础上还进一步追踪了行人的运动。
3.ICF 特征：2016 年的专利申请CN105975921A使用积分通道特征（Integral Channel Features，ICF）。ICF 计算出包含LUV（色度和色差）、梯度幅值、HOG 特征，并将其顺次连接构成积分通道特征，并且引入了一种利用偏最小二乘法的评分机制用于特征选择。2018 年的专利申请CN108694356A 在ICF 的基础上引入了粒子群算法，通过粒子群优化（Particle Swarm Optimization，PSO）算法在搜索图像中能快速收敛到概率得分较高的区域，提升了检测的效率。2019 年的专利申请WO2019203921A1 则是采用了ICF 特征配合卷积神经网络分类器的架构方式进行行人检测。该申请在分类时使用了两个卷积神经网络，添加了第二个卷积神经网络对候选目标区域进行分类以试图获得更好的分类精度和效果。
4.ACF 特 征：2016 年 的 专 利 申 请CN1057608 58A，在ICF 特征的基础之上又提出了更为高效的聚合通道特征（Aggregated Channel Features，ACF）作为底层特征，利用Haar-like 模板对其进行滤波提取Haar-like 中间层特征作为目标特征，结合Adaboost 分类器，利用级联分类的思想进行行人检测。同为2016 年的专利申请CN105975929A 除采用了以ACF 特征为底层特征外，还使用卷积神经元网络分类器对前期标定的每个位置做进一步筛选，最后使用卷积神经网络作为分类器进行了 分类。
5.CENTRIST 特征：2015 年的专利申请CN1073 16320A 使用中心变换直方图特征（Census Transform Histogram，CENTRIST）配合SVM 作为分类型完成了行人检测。2017 年的专利申请CN104835182A 采用了CENTRIST 特征，为了使CENTRIST 特征更好地描述行人，将训练正样本做了针对性的处理，使用多个SVM 分类器组成非线性SVM 进行行人检测，并结合CT 变换加载了GPU 加速检测算法，提高了检测速度。2020 年的专利申请CN111332288A 除了采用CENTRIST 之外，还应用扩展卡尔曼滤波器（Extended Kalman Filter，EKF）对行人位置进行了预测，检测行人具有的实时性，提高了事故预警准确率。
虽然基于底层特征的传统手动特征提取方法在早些年间得到了广泛应用，并在原有基础上取得了一些改进，但在近年来的行人检测发展中难以取得令人满意的提升。
（二）基于深度学习的行人检测
基于底层特征的传统手动特征提取方法已经有了很好的表现，能够应用到很多商业领域。但是深度学习在行人检测领域的表现和潜力，显然要远远好于传统方法，因为其能对原始图像数据进行学习，通过算法提取出更好的特征。基于深度学习的行人检测方法具备极高的准确率和鲁棒性。主流的深度学习的行人检测方法可以分为两类：一类是以区域卷积神经网络（R-CNN）、快速区域卷积神经网络（Fast R-CNN）、高速区域卷积神经网络（Faster R-CNN）为代表的基于候选框的方法。其中，R-CNN 模型曾达到最高准确率，引领了后期分类网络与卷积神经网络框架的发展④Girshick R，Donahue J，Darrell T，et al. Rich feature hierarchies for accurate object detection and semantic segmentation. [C] // Proceeding of the IEEE Conference on Computer Vision and Pattern Recognition. Piscataway: IEEE，2014：580-587.，具体的实现步骤如图4 所示。
图4 R-CNN模型实现检测的主要步骤
另一类是以YOLO（You Only Look Once）、轻量级目标检测（Single Shot MultiBox Detector，SSD）为代表的基于回归的方法。SSD 开启了利用深度学习也可以实现实时检测的先河，将目标检测作为回归问题，核心思想是在多尺度特征图上直接进行分类和回归，避免了Faster R-CNN 等方法中提取多个目标候选框特征的过程，因而大大提升了检测速度。YOLO的全称You Only Look Once，指只需要浏览一次就可以识别出图中物体的类别和位置。YOLO 将物体检测作为一个回归问题进行求解，输入图像经过一次计算，便能得到图像中所有物体的位置和其所属类别及相应的置信概率。因为只需要看一次，YOLO 被称为Region-free 方法，其不需要提前找到可能存在目标的Region，即不需要进行图像分割，而前文所提到的需要图像分割的方法也被称为Region-based 方法。
在卷积神经网络兴起后，就陆续有相关申请人将其应用到行人检测中。2016 年的专利申请CN1065 99773A、US20170206426A1、US20170270374A1 等多个专利都利用多个卷积神经网络完成了行人检测。其中，专利申请CN106599773A 将共享性深度学习网络作为一种提取特征的手段，该手段在处理多任务学习时，比传统的卷积神经网络具有更小更精的优势，不仅继承了原有网络中的权值共享，同时还共享了部分网络结构和模型，不仅保留了单层网络的准确率，还大大减少了计算成本，在多任务学习上具有明显的速度优势。
还有许多专利，在卷积神经网络模型的基础上，从不同的角度进行了改良，试图获得更好的检测效果。
例如从卷积神经网络的结构进行改良。2018 年的专利申请CN108960074A，融合了卷积神经网络中的多重卷积特征，在网络结构加入了反卷积层并使用了新的损失函数，增强了对小尺寸行人目标的检测效果。同年，专利申请CN108805070A 使用了18 层卷积神经网络进行行人特征学习，得到了较快的检测速度，还提出了面向嵌入式终端的优化策略，进一步缩小了网络规模和算法复杂度，适用于高级辅助驾驶（ADAS）的功能应用。2019 年的专利申请CN110020 688A，在卷积神经网络的基础上，构建了判别网络和掩码网络，可以选择出对于遮挡下的行人目标更为有效的卷积特征，提高了对遮挡行人的检测效果。2020年的专利申请CN111626198A，在卷积神经网络中加入长短期记忆网络关联时空上下文信息预测行人运动轨迹，并且加入了对抗网络来预测行人轨迹。2021年的专利申请CN112435503A，在卷积神经网络组合长短期记忆网络的基础上，利用动态贝叶斯网络，以人车距离、车辆行驶速度、行人身体朝向等作为观测变量，并融合行人注意力状态特征，实现多时序下行人穿行或避让意图的预测。
例如从训练数据的角度对方案进行修改。2018年的专利申请CN108376235A 使用数据扩增方法扩增图像数据并训练卷积神经网络模型，使用其检测得到所述待检测图像的车辆和行人信息。2020 年的专利申请CN112446436A，通过生成对抗网络对模糊的输入图像进行处理，然后使用卷积神经网络完成行人检测，解决了因车体抖动使相机采集到的图像模糊导致判断结果不准确的问题。2021 年的专利申请CN1141 20439A 除了使用图像外，还使用了非图像特征，通过神经网络模型融合视觉特征信息和非视觉特征信息，来识别出行人的行为意图和轨迹。
例如针对特定情况下的行人检测构建针对性的模型。2019 年的专利申请CN110781744A，将多个卷积层得到的卷积特征图进行特征融合，这种策略同时兼顾了浅层特征丰富的细节信息和深层特征抽象的语义信息，丰富了小尺度行人的特征，有助于提高对于小尺度行人的分类。
CNN 区域卷积神经网络模型掀起了在行人检测领域应用深度学习的热潮。2016 年的专利申请US20 17124415A1，提出了一种通过使用R-CNN 来检测室外场景中的汽车、行人和骑行者的实现方法。该方法包括通过利用子类别信息的区域提议网络（Region Proposal Networks，RPN）从图像生成对象区域提议，以及通过同时执行对象类别分类、子类别分类和边界框回归的对象检测网络（Object Detection Network，ODN）对对象区域提议进行分类和细化。2018 年的专利申请CN109492576A 使用R-CNN 模型完成了自动驾驶中的行人检测，通过对人像和人像中的指定部位检测，框出人像及人像的指定部位，形成成对的标注框，从而更好地标识一个对象，实现了有效地对多目标的检测，解决了行人遮挡时导致不能识别到部分被遮挡的行人问题，也提高了行人检测的精度。
2017 年的专利申请CN107944390A、2018 年的专利申请CN107463892A，均将目标检测深度模型Faster R-CNN 应用到行人检测领域中。其中，CN107 944390A 通过机动车顶部的相机获取两幅鱼眼图像，对两幅鱼眼图像进行误差矫正，其次将两幅图像合成为一幅球面图像，再将球面图像上的点投影到全景图像上得到全景图像，最后将全景图像采用Faster R-CNN 网络，在全景图像上提出车辆周围的车辆、人、图标信息，进一步根据图像块像素大小计算车距、离人的距离，同时能检测路标等，能标定出车和人的方位信息。CN107463892A 则是结合行人周围的上下文信息输入特征分类器，结合Faster R-CNN 中深度特征提取模型VGG16 的多级特征，将高层粗糙的特征与低层精细的特征组合到一起，使得特征包含更加丰富的信息，能够更好地检测小尺寸行人。2020年的专利申请CN111832515A 也使用了Faster R-CNN模型，有效消除人群中未被遮挡人对被遮挡人的检测识别干扰，大幅提升密集人群中行人检测的召回率和平均精度，从而精确识别视线范围内行人的位置及数量。2021 年的专利申请CN113361491A，则是在Faster R-CNN 的基础上进行了改进，采用SE Net 结构改进神经网络卷积模块，增强无人驾驶汽车对道路行人动作的预测能力。2021 年的专利申请CN1142 02743A 同样是对Faster R-CNN 模型作出了改进，对Faster R-CNN 模型中的主干特征提取网络ResNet-50进行了改进，用可变形卷积V2 代替ResNet-50 最后两层中的传统卷积，同时在最后两层中添加空间注意力机制，提升了模型的鲁棒性和准确性。
根据前文所述，除了基于卷积神经网络以及其延伸模型R-CNN，Faster R-CNN 等以外，基于回归的YOLO、SSD 模型也是常见的行人检测模型。
2018 年的专利申请DE102018104270A1、2019年的专利申请CN110674687A 均使用SSD 模型完成了行人检测。2018 年的专利申请CN109670405A 则是在SSD 特征提取网络上进行相应修改，增加SSD 特征提取网络的复杂度，提高其特征提取能力，在提高模型特征提取能力的同时不会导致模型检测速度的大幅度下降。2021 年的专利申请CN111488795A 采用一种融合光流的Deep SORT 行人跟踪算法，在卡尔曼滤波的线性预测部分融合基于光流的目标运动信息，使得预测的边界框能够更加贴近行人的外观，并且利用基于Track-by-Detection 策略改进了SSD 算法，提高了检测的实时性。
2016 年的专利申请US9760806B1B1 利用了YOLO 进行行人检测，其将YOLO 的卷积层连接到一循环神经网络（Recurrent Neural Network,RUN）的长短期记忆（Long Short-Term Memory,LSTM），实现实时目标检测和跟踪的目的，并且提出了一种可以改进卡尔曼滤波器性能的跟踪方法，公开了基于有效距离测量的验证步骤，特别提高了在ADAS 系统中的目标检测的性能。2018 年的专利申请CN109241814A，使用人工划分的行人检测场景图片对YOLO 神经网络进行学习，从而使YOLO 神经网络能够进行行人检测。2018 年专利申请 CN108985186A 使用了改进的YOLO模型YOLO V2，针对行人检测调整YOLO V2 网络结构，并通过初始候选框的选择、OHEM 方法这些训练策略以及标定框先验的筛选策略，提高了算法的精度和检测的速度。2020 年的专利申请CN111739053A，基于YOLO V3 检测出的行人后，采用在Re-id 上训练的浅层深度学习网络提取行人的表观特征，以及采用卡尔曼滤波进行行人运动的预测，最后结合表观相似度和运动相似度来联合度量行人轨迹与行人检测之间的亲和度，通过KM 匹配算法实现检测的行人与已有轨迹的一个关联，进而更新轨迹信息，得到每个行人在新的一帧中的相应位置。2021 年的专利申请CN 113158766A，利用YOLO V3 和人体3D 姿态重构模型，实现交通环境下人体动作的识别，用于捕获行人意图，可有效识别复杂交通场景下行人的动作。
基于底层特征提取的自动驾驶中的行人检测技术由于其提取的底层特征为单一特征，故而检测速度快，但是只从梯度或纹理等某单一方面来描述特征，判别力较差。而在基于深度学习的行人检测中，深度神经网络在特征的提取上不需要人工标注底层特征，它能够自动提取特征，无需人工操作，有以往的技术不可比拟的优势，但是，若样本集不具代表性，则无法选择出好的特征。从现有技术目前的问题出发，可以推测出技术的发展趋势：
1.数据库和测试方法的标准化。深度学习模型的效果很大程度上取决于训练样本的质量，许多研究使用的数据集无法很好地代表实际场景，实际场景获取的视频或图像往往会存在低分辨率、光照严重不足等问题，行人检测目前没有一个统一的测试数据和测试标准，研究还处于探索阶段，建立一个公共的数据库和标准的测试方法是该领域的一个重要任务。
2.更加完善的深度学习模型。从卷积神经网络，到区域神经网络，再到区域神经网络的改进型，从YOLO 到YOLO V2、YOLO V3，深度学习的模型呈现一个不断完善的过程，在将来一定也会涌现出很多优秀的检测模型可以应用到行人检测中。
3.底层特征的改进。随着图像处理技术的发展，应用到行人检测的特征从HOG 特征发展到融合了HOG 特征的ICF、ACF 特征等，底层特征的代表性越好，检测的准确率也就越高。因此，选取更为合适的底层特征，是行人检测改进的方向之一。
4.分类器的改进。当前常用的分类设备有SVM、基于Boosting 方法的AdaBoost 和神经网络等等。但是用单一的分类工具检测的误报率很高，精确度低，速度偏慢，适应性不足，现有的一些串联或并联组合现有分类器的分类工具都仅能够解决部分问题，依旧存在缺陷。因此，研究出较为全面的分类器，是行人检测发展方向之一。
5.提高训练速度。在神经网络的发展中，行人检测工具获得了高速的发展，检测的精准度获得了大幅度提高，而训练所需时间也随深度学习参数变多的同时增加。如何在不降低检测精度的同时，提高训练速度成为未来的研究重点。
专家点评
该篇文章围绕“自动驾驶”这一新领域，针对自动驾驶中行人检测领域的专利申请和保护现状进行了较为全面的分析，梳理了行人检测的主要分类，着重分析了上述领域相关专利在全球的申请态势、地域分布、主要申请人等，向读者呈现了自动驾驶过程中行人检测的技术发展脉络和关键技术等，并对行人检测领域未来的研究热点进行了合理预期和阐述。
审核人：邹斌
国家知识产权局专利局电学发明审查部商业方法处处长
猜你喜欢专利申请分类器行人公民作为专利申请人的创造性自我初评公民与法治(2022年3期)2022-07-29毒舌出没，行人避让意林(2021年5期)2021-04-18唑啉草酯中国专利申请分析农药科学与管理(2019年9期)2019-11-23路不为寻找者而设扬子江(2019年1期)2019-03-08基于差异性测度的遥感自适应分类器选择电子技术与软件工程(2017年14期)2017-09-08基于实例的强分类器快速集成方法计算机应用(2017年4期)2017-06-27我是行人小天使·一年级语数英综合(2017年6期)2017-06-07曝光闯红灯行人值得借鉴汽车与安全(2016年5期)2016-12-01专利申请三步曲发明与创新(2016年5期)2016-08-21药品专利申请和保护策略简介中国医药生物技术(2015年4期)2015-12-26