近年来随着计算机处理器计算能力的提升,计算机视觉技术得以长足快速的发展。行人检测是机器视觉领域的研究热点,在智能监控,无人驾驶等系统中有着广泛的应用。草地上行人的精确识别是割草机器人最为关键的技术之一。草地环境具有复杂的自然环境、障碍物形状的不规则性、光照多变等特殊条件,使行人检测的过程处理更具有挑战性。本设计为割草机的行人检测模块,主要工作为识别草地上的行人并加以标记,机器人根据识别信息进行相应的回应动作。以计算机视觉为基础,改进传统行人检测算法。主要工作如下:设计了一种机器学习行人检测特征提取方法,使用混合特征提取的方式使提取的特征具有多样性,提升召回率。使用多例学习支持向量机进行分类,引入“袋”模型的概念,提升分类的准确率。针对传统算法在特征提取中消耗大量时间的问题,引入了Cascade级联分类器,使用层数较低的Cascade分类器提取出大量的行人框,保证了行人在行人框中,且行人框的数量远小于历遍过程取得的框数量,提升了检测速度。设计了一种改进单步多框检测器模型,利用深度学习神经网络模型高准确率检测的优势,引入轻量化网络代替SSD网络中的基础网络,用低参数量的深度可分离卷积代替原模型中高参数量的普通卷积,减少大量网络参数,前项传导公式使用BP算法减少计算量和初始参数设置难度,最终达到加速行人检测的效果。搭建了割草机视觉系统,机器学习部分采用混合特征增强鲁棒性,针对草地环境特殊性,使用多例学习支持向量机分类,深度学习部分采用改进单步多框检测器。利用双目相机模型,通过视差计算获取行人同割草机的距离。在实际工作场地进行实时测试,通过实验测试,改进的机器学习行人检测算法较传统的hog+svm算法速度提升近20%左右,深度学习算法速度压缩到每秒10.6帧左右,达到实时性要求。