BMVC2009 Integral Channel Features

这篇文章看主页应该是$巨苣在Detection领域发的第一篇论文。主要讲的就是在积分图的基础上可以衍生出一大堆的特征，而他们经过对比实验发现LUV+Grad+Hist组成的ChnFtrs特征，结合适当的boosting算法，在当时来说性能是state-of-the-art的。这篇文章是后续10年BMVC那篇”The Fastest Pedestrain Detector in the West”的前期铺垫，思路比较简单。

$当时觉得学术环境太偏向于设计更强的学习算法，而忽略了对特征本身的分析和优化，于是他就基于积分图产生的各种特征进行分析组合，去设计了一种对行人检测友好的特征。

图一说的是，图像的特征通道其实可以理解为，对原图像的按不同方式进行变换所求得的不同特征图，例如局部求和、直方图和harr小波等，而这些特征计算方式又特别容易用积分图的方式计算出来，所以可称作积分通道特征。

下面的图二展示了积分通道的一些例子。注意图一说的是图像可以有这么多特征，图二特指图像的积分通道特征。

关于平移不变特征（色彩，线性滤波，非线性变换，像素变换，积分直方图，梯度直方图等）的具体细节在原文第二节。
关于积分通道特征（尺度，参数，优化，计算时间，特征生成，Boosting训练，非极大抑制等）的实现方式在原文第三节。

文中特别提了一下pre和post的区别：
Pre-smoothing：平滑的是原图像。抑制了图像噪声，但失去了细微的尺度结构特征；
Post-smoothing：平滑的是产生的特征通道。一定程度上决定并集成了尺度信息，但集成尺度常受到局部累积和的影响，使得post的作用变小。

图三示意了作者选用LUV+Grad+Hist通道组合的图像特征图，图中指出了某些通道对行人的肩部、头部具有显著性响应。

图四图五显示了作者实验的结果。图四探究的是特征中的各参数、学习算法对性能（漏检率mr和误报率fppi）的影响，总结了一套有效的参数，并得出boosting算法选择对结果影响不大；图五说明的是市面上各种算法在INRIA和Caltech数据集上的表现，除了在Full Image上比LatSvm-v2差以外，其他都state-of-the-art。