行人检测是目标检测领域的一个热点,它是行人跟踪、行人重识别,人体行人分析的重要基础,一直引发着人们的广泛关注。近年来随着无人驾驶汽车、智能安防监控、人机交互的日趋火热,在实时性和精确度方面对行人检测提出了更高的要求,基于深度学习的目标检测方法应运而生,但是目前行人检测仍存在一些难点:小目标行人检测时容易出现漏检的现象、行人较多时容易出现遮挡现象、行人与周围环境、背景极其相似时难以检测,容易出现行人的误检现象。针对以上行人检测存在的问题,本文主要做了以下四个方面的工作:(1)本文深入分析了目前主流的基于深度学习的目标检测算法,选用了实时性及精确度较高的YOLOv2算法作为本文行人检测的算法,YOLOv2算法是一个端到端的目标检测模型,可以用一个神经网络直接预测目标的类别及其概率,检测速度快,适合检测视频图像中的行人。(2)本文制作了符合YOLOv2算法训练用的视频图像行人数据集。数据集主要采用了TUD-Crossing和TUD-Stadtmitte两个视频行人数据集,按25帧每秒将视频截取成视频帧图像,然后通过LabelImage软件对图像中的行人进行标注,标注完成后会得到一个训练用的.xml格式的文档,里面包含了行人的位置坐标信息。由于同一个视频片段中背景单一,相邻多帧的图像差异较小,可能存在大量数据冗余,并且数据多样性较差,又对其进行了扩充,扩充的数据集选取了INRIA行人数据集。(3)现实生活中的行人基本都是身体的高度大于身体的宽度,反应在行人数据集中就是呈现一种竖条状的矩形分布,为了分析数据集中行人宽高的特点,同时也是为了选取YOLOv2算法的初始候选框,YOLOv2算法通过初始候选框来预测目标边界框的位置信息。本文使用了K-Means++算法对制作好的视频图像行人数据集进行了重新聚类,KMeans++算法相比于原YOLOv2算法使用的K-Means算法,在初始候选框的选取上更加精确。重新聚类可以得到最符合数据集中行人宽高比的初始候选框,加速网络收敛,提高行人检测的位置精度。(4)针对YOLOv2算法网络浅层行人特征图传入深层后,会产生部分行人特征丢失的现象(浅层的行人目标有的较小,分辨率低,经过多层网络之后基本提取不到有效的行人特征以及视频图像中行人出现在视频边界处时,只能采集到部分行人,卷积神经网络只能提取到部分行人特征),检测时会出现行人的漏检、误检、遮挡等现象。本文以YOLOv2算法的网络结构原型,在原YOLOv2网络的基础上添加了3个Passthrough层,将网络浅层(第11层)的行人特图与网络深层(第21层、第25层、第30层)的行人特征图做连接,把高低分辨率的行人特征图做特征融合,增加了更多的细粒度特征,改善了视频图像行人检测过程中出现的漏检、误检、遮挡等现象,提高视频图像行人检测的准确度,同时也满足实时性的需求。