行人检测在车路协同的辅助驾驶系统中有着广泛的应用。传统的行人检测算法在晴朗天气的场景下能够达到较高的精确度,获得可靠的交通数据。然而当车辆在雨天场景下行驶时,由于雨在采集摄像头近处呈现多条雨线遮挡视野中的物体,在远处呈现雾化效果遮挡视线,导致检测精度大幅降低。针对雨天行人检测的特殊性,本文提出了一种雨天场景下的行人检测算法,包含去雨模块和行人检测模块,以提高不同雨天场景下的行人检测精度。去雨模块重新设计,使用高斯噪声比和动感模糊对降雨强度进行分级,分成小雨、中雨和大雨,针对不同雨量下的图像,将图像看作背景层、雨痕层的线性叠加,通过循环网络找到输入图像中需要聚焦的区域,主要是雨痕及其周围结构的区域,使用生成式对抗网络着重处理这些区域并生成背景层,得到去雨图像。与经典的去雨算法在定性和定量方面进行比较,实验结果表明,去雨模块虽然在小雨雨量情况下去雨效果略有不足,但在中雨和大雨雨量情况下均具有良好的去雨效果,平均峰值信噪比PSNR和结构相似性SSIM分别达到了28.31和0.838,整体去雨效果优于多个经典的单幅图像去雨算法。行人检测模块针对雨天行人的特殊性,借鉴Corner Net-Lite算法,将行人的位置简化为一对关键点进行检测。使用沙漏网络作为主干网络,提取去雨图像的特征并进行角池化处理,获得角点位置的特征信息,改进算法的损失函数,通过两组热力层预测行人的角点位置,优化嵌入层的损耗,使同一行人的两个角点之间距离更小,同时计算偏置层的损耗,调整角点的位置,生成一个更紧凑的行人预测框,精准得到行人的位置。提出的雨天行人检测算法和经典的行人检测算法进行定量和定性的比较,实验结果表明,针对小雨、中雨、大雨场景,该算法的平均检测精度较YOLOv4算法分别提高了21.1%、48.1%和60.9%,对雨天的行人检测精度明显优于YOLOv4算法。此外,本文提出的雨天行人检测算法在真实数据集上表现良好,可以显著提高雨天场景下行人检测的准确性,具有较好的鲁棒性。