随着社会经济的快速发展,道路上的汽车尤其是大型卡车越来越多,由于大车自身具有“长、宽、高”的结构特点,且驾驶位置在车辆左侧,驾驶员无法通过右侧后视镜及时观察到车辆右侧路况,同时大车在右转弯时,内前轮半径大于内后乱半径即存在内轮差,内轮差的存在也是造成车辆盲区的重要原因,车辆轴数、轴距越大,内轮差也就越大,右转盲区也就越大。盲区的存在是造成交通事故的主要原因,故而对大车盲区行人检测的研究具有重要的应用价值。在实际场景中,行人检测具有背景复杂、行人尺度多样等特点,导致检测难度相对于一般的目标检测要更高,算法即要保证足够的准确率又要满足实时性要求。经比较当前优秀的深度学习目标检测算法,SSD算法在速度以及精度方面具有双重优势,但是网络也存在浅层特征纹理细节信息丰富,而语义信息不足,深层特征语义信息丰富,而纹理细节信息缺乏的问题,导致算法在复杂场景下的目标检测效果不是很理想,尤其小目标容易漏检,所以本文以SSD目标检测算法为基础进行改进,以期进一步提高算法检测精度和速度,使其更好的实例化到大车盲区检测中。具体改进如下:(1)借鉴FPN网络思想通过特征融合的方式,从高层特征图向低层特征图通过反卷积的方式依次做特征融合得到超特征图,在其基础上重新构建一个全新的多尺度特征图模型结构。通过多尺度融合将特征图高层丰富的语义信息和低层详细细节特征信息进行结合,显著提高了模型的准确率。(2)通过分析实际场景中的行人比例特征和卷积神经网络的卷积核的感受野,结合Inception结构的特点,提出了改进的Inception Block,通过并行多尺度非对称卷积核的形式提取不同尺度的特征,设计符合行人比例的卷积核,减少参数量和噪声的引入,提高了算法检测率和推理速度。(3)通过分析本场景数据集中行人宽高比例分布,设计针对本场景行人检测的default box,减少default box数量的同时使其能够更加容易的匹配到行人,减少无用框的提取,提高行人检测的准确率和推理速度。(4)通过使用尺寸为1×1、3×3、1×1的小尺寸卷积核堆叠的方法替代3×3卷积核来降低参数量和计算量,达到模型压缩的目的。