行人检测是指通过算法对图片或视频中的行人做出准确识别,属于目标检测的一个分支。由于其广泛的应用和巨大的商业价值,使得无论是国家、高校还是企业,都投入了大量的人力物力。然而由于行人非刚性的特点以及出现场景的复杂多样,拍摄角度的变化多端等因素,导致了行人检测存在一系列急需解决的问题。传统行人检测一直致力于寻找更好的特征表达方式,但是取得的成果始终有限。而随着深度学习的火热,行人检测的解决方案也从传统的手工设计特征向深度学习转变。本文的研究工作都是基于目前性能较好的目标检测算法SSD开展的,针对遮挡场景下的行人检测提出了两种基于深度学习的算法。主要成果如下:1、提出了基于密集框选取策略和Repulsion Loss的遮挡行人检测算法。该方法由两部分组成,一部分是改进的Repulsion Loss损失函数,另一部分是密集框选取策略。通过分析针对遮挡行人检测场景设计的Repulsion Loss的实现细节,发现其在SSD上实现时存在缺陷。通过采取不同的周围真实目标框选取方式以及设定重叠阈值,使得改进后的Repulsion Loss在SSD算法框架上取得了较好的性能。然后通过分析SSD的默认框选取策略和默认框匹配策略,发现其在检测遮挡行人时候的局限性,针对性地设计了一种密集框选取策略,有效地提升了SSD在检测遮挡行人时的效果。2、通过分析行人的比例特征以及卷积特征的感受野计算,结合Inception-ResNet的特点,提出了基于多尺度感受野和Inception-ResNet的遮挡行人检测算法。本方法在SSD的基础上,通过所设计的多尺度感受野Inception-ResNet模块生成特征图,减少了噪声的引入。并针对SSD的网络框架做了一些优化,使其适用于行人检测,有效地提升了SSD在检测遮挡行人时的效果。