外文翻译完Dynamic Arrival Rate Estimation for Campus Mobility on Demand Network Graphs，并结合自己理解进行总结。
因为毕设内容主要是关于行人检测和追踪内容，将关注的重点放在行人检测追踪部分，关于该文的行人网络部分简略带过。
应用背景
这篇文章主要涉及自动驾驶技术的实际应用：按需移动（MOD）系统通过改善车辆的使用率和减少停车拥堵使城市交通设施实现改革。移动需求系统成功的重要因素是对于行人实时到达率的测量和回应。传统上由于在移动需求网络中需要安装固定的传感器因此实时交通到达率数据很难获取。同时目前的行人交通自动监测方法依靠固定的传感器，这可能造成成本过高。移动观测器方法已经被提出用于使用移动传感器的交通监控。
行人检测跟踪
1s100fps行人检测的论文中行人检测只是用到单一的计算机视觉方法。该文介绍了使用安装在行驶在大学校园车辆上的传感器将雷达和摄相机传感器数据融合到行人轨迹数据中的框架。
这里有三个模块用于行人追踪：雷达模块提供地图框架中物体的轨迹，视觉模块检测图像框架中的行人，融合模块通过融合雷达和视觉模块的输出将追踪的物体分类为行人。系统构架的概述在图2中展现。
雷达模块
使用车辆定位技术，首先将安装的雷达激光雷达扫描转换成地图框架。扫描中与预建的占用网格图中静态占用的单元重叠的点被过滤掉。然后，使用Dynamic Means将过滤后的激光扫描的连续测量结果聚类在一起，这是一种快速的通用聚类算法，旨在捕获聚类的时间和空间演变。每个簇的动态均值位置估计的序列被用来在地图帧中，它直接提供群轨迹数据而不需要额外的处理。
视觉模块
来自车辆上的三个摄像头的图像数据全部通过VeryFast行人检测器进行流动，该行人检测器产生表示行人在图像中的位置的边界框。行人边界框的左边，中间和右边边界被转换成一组边界框矢量，使用外部校准数据将其投影到地图框架中。基于SVM的VeryFast检测器能够以90 fps的速度实现高帧率检测，使其非常适合实时应用。
融合模块
通过外部校准数据，视觉模块中的边界框矢量与雷达框架中的簇位置对齐。典型最大值似然融合（MLF）方法，与边界框向量最为一致的集群接收到一个“命中”计数，而另一些则没有。然而，内部和外部校准的微小误差会导致检测性能的显著下降。但是，提出的一种新的分布式融合（DF）方法，其中部分命中被分配到边界框向量范围内的多个聚类。（就不上公式了）
行人到达率估计
简单来说，行人到达率估计可以被理解为每个路段的人流量估计（arrival rate不知道翻译成什么，当看到单位为ped/min,感觉应该和人流量差不多）。根据大量行人轨迹可以绘制出一个区域网络图。
该网络图由27个节点和74个有向链路组成。观测方法不详细介绍了。
