随着计算机视觉的蓬勃发展,视觉任务已经深入到我们生活的方方面面。人体目标检测任务作为目标检测的重要分支,愈发受到人们的关注,在智能视频监控、人机交互和无人驾驶等方面都有极高的应用价值。本文以基于深度学习的人体目标检测方法为研究课题,主要就以下三方面进行详细的分析与实验:1.基于多尺度特征融合的人体目标检测方法。多尺度特征融合结合了不同尺度的特征信息,一方面改善了在单一尺度的特征图上进行检测而导致的感受野与目标尺寸不匹配的问题,另一方面减弱了不同尺度的特征图之间的语义信息差异性问题。然后重新设计了锚框的形状,利用K-Means对人体目标数据集标注信息进行聚类分析,使其更加适合于人体目标的形状。本文在SSD的基础上利用多尺度融合构建整体的网络结构,并通过改进的先验框形状来匹配目标信息,稳步提升模型的检测精度。2.基于负样本挖掘的人体目标检测方法。一阶段检测算法在特征图上通过密集采样产生人体目标的候选位置,这种方式会导致产生大量的简单负样本,造成类别不均衡问题,影响了检测精度。本文首先在锚框生成过程中,利用图像特征自适应地生成一组稀疏且形状任意的锚框,改变了传统的锚框生成方式,大大减少了背景区域锚框的数量。然后,引入Focal Loss损失函数,其有效减弱了简单负样本对整体损失的贡献程度,从而进一步改善了一阶段检测算法的类别不均衡问题,提高了算法的检测性能和算法的鲁棒性。3.基于注意力机制的遮挡人体目标检测方法。遮挡问题会导致预测边界框偏移,增加定位难度。注意力机制通过模仿人类视觉系统的工作机制,自动获取需要重点关注的目标区域,从纷杂的特征信息中获取到关键信息。针对人群遮挡问题,本文在网络构建过程中嵌入注意力模块,获取特征图不同位置的特征权重,促使网络可以学习到更强有力的特征。此外改进损失函数,利用Repulsion Loss来解决遮挡造成的检测框偏移的问题,进一步增强整体模型对于遮挡人体目标的适应能力,综合提高算法的检测精度。