行人检测是计算机视觉的热点和难点之一,广泛应用于智能视频监控、无人车及辅助驾驶等应用中。近几年,深度学习飞速发展,带动了计算机视觉领域的发展和进步,行人检测技术也得到了很大的提升,基于深度学习的行人检测算法能够弥补传统手工设计特征加分类器的方法的局限性,提高检测性能。由于目前多数的行人检测算法基于普通RGB图像设计的,而RGB图像获取的目标信息不全面,在弱光照、小目标等特殊条件下不能较好地体现行人特征,随着多种传感器的普及,多信息融合的行人检测算法兴起。本文基于深度学习的方法,通过不同的传感器获取到行人其他信息,比如深度信息、红外信息,将不同的信息进行融合,提高行人检测算法的精度和鲁棒性。本文主要研究内容如下:(1)通过对传统检测算法的研究发现,传统检测算法由于人工设计特征以及分类器的局限性,在复杂的场景中检测精度低。而深度学习方法可以通过多层网络的训练去挖掘图像中的更深层次的语义信息,从而获得更有区分度的特征来帮助检测,所以本文基于深度学习目标检测算法进行行人检测技术的研究。(2)针对户外空间大,行人目标大小不一的问题,提出一种融合图像深度、边缘和先验高度信息的检测方法,提高生成的候选区域的质量。由于图像深度信息可以获取行人目标的三维立体特征,有助于区分目标与背景;边缘信息可以得到目标的形状轮廓;而先验高度信息是基于“行人目标多出现在距离地面较近的区域”这一先验信息,对图像中行人出现的位置进行约束。通过三种信息训练候选区域生成网络。实验表明通过将三种信息进行融合训练出来的深度神经网络模型可以得到更高质量的候选框,提高行人检测性能。(3)针对低光照、阴暗背景下普通RGB图像中行人目标模糊的问题,提出一种融合RGB图像信息和红外图像信息的检测方法。利用红外图像对温度敏感、对光照不敏感的特性,可以将有体温的行人和环境区分开,降低在弱光照环境下仅用RGB信息检测出现的误检和漏检情况;而RGB图像在强光照下可以获取更多行人目标的细节,将两种信息进行融合,可以得到普适性较好的检测模型。本文基于Faster R-CNN框架,分别在网络的数据层、卷积层和全连接层对红外信息和RGB信息进行融合,研究分析各种模型下的检测性能结果。实验表明,在网络的卷积层进行融合可以获得更具有区分度的行人特征,检测性能较好。