行人检测作为目标检测领域的热点之一,在无人驾驶汽车辅助系统、智能监控系统和服务型智能机器人等应用领域具有非常高的价值。本文研究的行人遮挡可以被划分为人对人的自遮挡与物体对人的遮挡的两种遮挡类型。人对人的遮挡主要是因为多个行人间有重叠区域导致预测框容易产生偏移至周围其他行人而产生漏检;物体对人的遮挡主要是因为行人被建筑物、树木和汽车等非行人物体遮挡导致无法获得完整的行人信息而产生误检或漏检。为了提高行人检测的性能,文中主要对这两种遮挡情况进行处理。针对人对人的遮挡问题,本文设计了基于全卷积神经网络的行人类内遮挡模型,该模型由VGG16、特征金字塔和两个全卷积子任务组成。该模型通过引入排斥损失函数,使得候选框远离邻近的非目标标注框,即最小化预测框和其他目标标注框的重叠区域,避免预测框偏移到其他标注框的区域,从而有效地降低人与人遮挡的误检率。针对物体对人的遮挡问题,本文提出基于语义注意力模型的行人遮挡检测模型,该模型是在行人类内遮挡模型的基础上进行优化。其主要包括语义分割模块和检测模块。语义分割模块利用行人的可见边界框作为标签来进行语义分割,目的是获得被物体、背景遮挡的行人的注意力热点图。检测模块是利用检测器从语义注意力热点图中获得更丰富的行人特征。当检测到行人和物体时,检测器将更集中于检测行人的身体部分,对行人进行更精确的定位。本文主要在公共数据集Citypersons上进行实验,将本文方法与其他主流的行人检测方法进行比较,同时可视化两种遮挡模型的检测效果和语义分割网络得到的注意力热点图。实验结果表明了本文模型对行人遮挡检测问题的有效性,且结果有明显的可竞争性。