行人检测,广泛应用于智能视频监控、自动驾驶和智能机器人等领域,其目标是识别并定位出输入图像中每个行人实例,一直是计算机视觉的重要研究领域。针对行人检测,本文基于卷积神经网络,围绕行人的尺度变化、遮挡以及算法的实时性三个方向进行研究并提出了改进的行人检测算法。本文的主要研究内容如下:首先,对训练所用的数据集进行预处理。由于数据集的多样性能提升模型的泛化性能,因此在每次训练之前,本文对数据集进行翻转、裁剪、旋转、伸缩以及颜色调整等数据增广预处理操作,来丰富样本的多样性。实验表明,本文采用的数据预处理操作能提升模型的泛化性能。然后,针对行人的尺度变化,基于anchor-free方式一阶段目标检测框架Center Net,提出了多尺度行人检测算法。本文基于Res Net-50结构,设计了多尺度特征提取网络Ped Net来提取图像中不同尺度行人的特征P。为增强处理P的能力,在检测头中基于膨胀卷积设计了具有不同视觉离心率的特征解析模块,该模块输出的预测信息进行处理后获得最终的行人检测结果。实验表明,本文提出的多尺度行人检测算法在多个行人数据集上都具有优越的性能。接着,为了进一步解决遮挡问题,基于前文提出的多尺度行人检测算法,提出了基于上下文信息的特征融合遮挡处理算法。由于图像中丰富的上下文信息可以增强算法的遮挡处理能力,本文提出了局部上下文特征融合算法和全局上下文特征融合算法,即先在Ped Net网络中引入混合膨胀卷积结构来融合更大范围的局部上下文,再针对Ped Net输出的多尺度特征,建立全局上下文特征。实验表明,在行人数据集Caltech和City Persons的Heavy子集上遮挡处理能力有明显提升。最后,为使得前文提出的行人检测算法具有较高的推理速度,分别从构建轻量化网络结构和裁剪网络参数两个方面行对算法模型进行优化。本文先基于梯度截流思想构建了一个轻量化的网络结构CSPPed Net来降低网络结构Ped Net的复杂度,为进一步提升算法的实时性,通过裁剪网络权重参数来优化整个算法模型。实验表明,本文提出的行人检测算法经过加速优化后能更好地应用于不同计算资源平台。