摘要

当前最先进的行人检测器在非遮挡行人检测任务上表现优异，但在面对严重遮挡时仍面临挑战。尽管此前已有诸多研究尝试缓解行人遮挡问题，但大多数方法集中于静态图像，未能充分利用视频序列中的时序信息。本文提出一种基于视频中行人局部时序上下文的管状特征聚合网络（Tube Feature Aggregation Network, TFAN），旨在提升行人检测器在严重遮挡场景下的性能。具体而言，针对当前帧中被遮挡的行人，我们沿时间轴迭代搜索其在前后帧中的对应实例，构建一个时空管状结构（tube）。随后，通过自适应加权策略对管状区域内提取的特征进行聚合，以增强被遮挡行人的特征表示能力。此外，本文还设计了时序判别嵌入模块（Temporally Discriminative Embedding Module, TDEM）与基于部件的关系模块（Part-based Relation Module, PRM），分别用于缓解管状结构的漂移问题，并进一步提升模型在复杂遮挡条件下的鲁棒性。在Caltech、NightOwls和KAIST三个公开数据集上进行了大量实验，结果表明，所提方法在严重遮挡行人检测任务中具有显著有效性。同时，本方法在Caltech与NightOwls数据集上均取得了当前最优（state-of-the-art）的检测性能。