行人检测技术十年演进：从HOG到多模态融合

1. 行人检测技术十年演进全景图（2015-2025）

十年前，当工程师们还在用HOG特征和滑动窗口检测街角模糊的人影时，恐怕没人能想到今天的智能系统已经能预判行人下一秒的走位意图。这十年间，行人检测技术经历了三次范式革命：从手工特征到深度学习，从单任务检测到多模态理解，从静态识别到动态意图预测。作为计算机视觉领域最具挑战性的任务之一，行人检测的进化史堪称AI技术发展的缩影。

中国科技企业在这轮竞赛中实现了从跟随到领跑的跨越。2015年国内安防系统还在适配HOG特征时，华为ADS 4.0系统在2025年已经实现亚毫秒级的量子鲁棒检测。更关键的是技术价值的转变——检测框的坐标精度不再是最重要的指标，系统开始关注"这个人想干什么"的语义理解。这种转变推动着自动驾驶、安防监控和服务机器人进入认知智能的新阶段。

2. 技术演进三阶段详解

2.1 2015-2018：手工特征与CNN的交接期

这个阶段的检测流程像流水线作业：先用HOG（方向梯度直方图）提取行人轮廓特征，再用SVM分类器判断是否为人。HOG特征的物理意义明确——通过计算图像局部区域的梯度方向分布来描述人体轮廓。在Caltech数据集上，这种方法的mAP（平均精度）约50-60%，相当于每检测两个人就可能漏检一个。

注：HOG特征对遮挡极其敏感，当行人被遮挡30%以上时，检测性能会断崖式下降

2016年Faster R-CNN的出现带来第一次飞跃。其创新点在于：

1. 区域建议网络（RPN）自动生成候选框，替代了耗时的滑动窗口
2. 特征金字塔（FPN）解决了多尺度问题
3. 端到端训练使特征提取与分类器优化协同进行

中国团队在这一时期的贡献主要集中在工程优化：

• 旷视科技提出基于ResNet的改进FPN结构，将小目标检测精度提升12%
• 商汤科技开发了针对监控摄像头的多视角融合方案，解决了俯视视角下的形变问题

但两阶段检测器存在固有缺陷：FPS（帧率）很难超过10，且对密集人群的检测会出现大量漏检。这为单阶段检测器的爆发埋下伏笔。

2.2 2019-2022：实时化与Transformer革命

CSPNet和RetinaNet的诞生标志着单阶段检测器成熟。CSPNet通过跨阶段局部连接保留浅层细节特征，使小目标检测mAP提升8.3%；RetinaNet设