行人检测技术是众多领域的基础技术之一。例如无人驾驶汽车、智能视频监控和人体行为分析等领域。在智能视频监控领域中,行人检测对系统的实时性和准确性都有较高的要求,然而两者往往不能兼得,在计算能力一定的硬件环境下,高实时性意味着准确性会有所降低,高准确性往往需要降低实时性来获取。如何同时保证系统的实时性和准确性成为智能视频监控系统的一个难题。近年来,随着深度学习技术的不断突破,该问题得到了一定程度的解决。深度学习技术作为人工智能的一个子领域,在计算机视觉中取得了很好的效果,基于深度学习的行人检测系统就是智能视频监控系统的一种。它是针对油井环境下的行人检测而设计和实现的系统。该系统将Dark Net框架作为训练时所使用的框架,将Yolo v2作为训练时所使用的网络模型。对客户提供的真实场景下的视频或图像数据进行标注和训练,将训练好的模型嵌入到四路智能分析设备TX1中,通过网络摄像头获取现场实时监控画面的视频数据,或者直接读取本地的视频数据,经过模型的处理得到视频画面中行人的位置信息,之后将视频信息以及检测结果传输到Web服务器,在网页端进行监控画面以及检测结果的显示。服务器以及深度学习框架都是在Linux系统下运行的,用户只需打开一个浏览器输入系统IP地址,登录系统即可进行相应的操作。基于深度学习的行人检测系统能够对获取到的实时监控数据和本地视频数据进行检测,并且能够达到一定的实时性和准确性。用户操作方便,只需通过浏览器就可以整个系统进行操作。该系统可以在网页端实时显示视频和检测结果,可以控制系统是否进行检测,可以设置检测结果所发送的目的IP地址等。