人体检测广泛应用于安防领域,具备很大的市场价值。但是安防场景常常比较复杂,人群的密集性和场景本身的复杂性导致人体目标很可能被遮挡,所以选择了人头这一遮挡可能性相对较小的人体特征作为检测目标。针对在目标密集、遮挡情况下检测性能下降的问题,设计了一种结合卷积神经网络和特定循环神经网络的人头检测算法YOLO-OFLSTM。人头检测算法YOLO-OFLSTM基于YOLO系列算法核心思想进行改进,首先利用Darknet19、MobileNet等卷积神经网络提取高层语义特征;然后利用一种只有遗忘门的变体长短期记忆单元OFLSTM来进行特征解码,以回归得到预测边界框信息;最后采用一种改进的非极大值抑制算法Union-NMS来去除冗余边界框,获得最终的人头检测结果。针对人头这一单一检测类别,Union-NMS算法同时考虑边界框置信度以及这些边界框之间的交叠率,这一改进有效提高了检测的准确性。针对YOLO-OFLSTM检测模型对于小尺度目标漏检率高的情况,设计出了特征提取骨干网络Darknet-PPM,该网络基于YOLO-v2的特征提取网络Darknet19,通过结合使用金字塔池化模块引入了多尺度特征,从而提高对小目标的检测效果。人头检测算法YOLO-OFLSTM基于Caffe深度学习框架及其扩展进行研究实现,对该算法的训练测试分别基于开放数据集Brainwash和自己建立的数据集Walkingstreet。Brainwash数据集人头目标遮挡情况较复杂,Walkingstreet数据集人头目标较为密集,分别在这两个数据集上进行实验充分验证了该算法在人群密集、遮挡情况下的有效性。