随着人工智能技术的不断进步,目标检测技术得到迅猛发展,行人检测技术作为目标检测的重要研究之一也得到飞速发展。自从深度学习进入人们的视野,目标检测研究迎来了突破性进展,一系列采用卷积神经网络的目标检测算法应运而生。其中SSD(Single Shot MultiBox Detector)算法在实时高精度目标检测领域有较高的可行性。而在实际的行人检测系统中,检测性能容易受到遮挡、光照、复杂背景等因素的影响。对于交通摄像头下行人检测准确率较差,小目标行人的漏检率较高的问题,对原SSD算法进行改进得到融合上下文信息的SSD-T行人检测算法,可有效提高行人检测的速度和准确率。论文的主要研究内容包括以下几个方面:(1)对传统的SSD算法进行改进,具体研究了卷积神经网络的基本结构与特性,在原SSD网络基础上将浅层特征信息与深层语义信息相融合,使SSD模型能够弥补浅层特征信息的表达能力不足的问题,根据行人尺寸特征选取三种行人预选框尺度,提升行人特征提取能力,提高检测性能。(2)针对网络训练过程中出现的过拟合现象,通过引入L2正则化方法,反复实验选取最优正则化系数,对模型泛化能力进行增强,在网络迭代训练过程中达到降噪的目的,避免模型出现过拟合,有效提高检测率。(3)为了增加数据集中样本的多样性,通过网络爬虫爬取复杂场景获得合适的行人样本数据,然后与公开的数据集一起统一标记后组成更有效的行人数据集用于模型的训练与验证。本文改进的SSD行人检测方法在INRIA数据集上取得93.1%的精确度与90.6%的召回率,在Caltech数据集上取得91.7%的精确度与89.8%的召回率,结果表明,与主流算法相比,SSD-T模型在保证实时的前提下具有更高的检测率。