行人检测作为计算机视觉领域的重要课题,既有重要的学术研究价值,在工业界如视频监控和自动驾驶等应用中也意义重大。但是目前行人检测尤其是遮挡场景下仍存在众多挑战,行人的头肩特征比身体的其他区域更稳定并且被遮挡可能性低,可以用作行人全身部位的辅助特征以提高行人检测精度。在本文工作中,我们在研究行人头肩与全身特征的基础上,提出了一种名为PedJointNet的双分支行人检测网络,通过同时回归两个边界框定位行人头肩和全身区域。我们为行人检测设计了一种新颖的骨干网络,使用单阶检测器的候选框生成方式,并结合有效的多阶段特征融合模块,用金字塔特征思想及空洞卷积扩大特征图感受野,有针对性的提取行人特征,而不是使用如R-CNN系列,SSD或YOLO等流行的通用目标检测骨干网络。此外,与人工调整每个分支的权重策略不同的是,我们设计了一种内置机制,在训练阶段动态调整每个分支的权重,通过自适应加权损失融合调整头肩和全身预测的关系,减小漏检率,以实现在遮挡场景下更准确的行人定位。我们在CUHK-SYSU,TownCentre和CityPersons三个行人检测基准数据集上验证了本文提出的行人检测方法的有效性。在CityPersons数据集的Reasonable子集和Heavy子集上,我们分别实现了漏检率13.45%和52.17%;在CUHK-SYSU和TownCentre数据集上,我们分别实现了准确率78%和88%;在检测速度方面,我们的PedJointNet同样表现出色,在CityPersons,CUHK-SYSU,TownCentre行人数据集上的单张图像检测速度相比其他方法表现最佳,分别为0.42s,0.29s,0.34s。总体而言,与目前学术界最佳的行人检测方法相比,我们的PedJointNet对不同尺度的行人检测取得了优异的性能,特别是在涉及不同程度遮挡的场景下。