随着社会经济的发展和生活水平的提高,我国机动车保有量呈现快速增长之势。机动车在给人们带来巨大便利的同时,由机动车引发的交通事故也随之增多,造成了大量的人身财产损失。据统计我国交通事故中交通弱者占了四分之三的死亡人数,而且对于交通弱者的保护措施不到位更加剧了这一情况的发生。因此针对交通弱者的保护,避免交通事故的发生一直是研究人员重点关注的领域。通过观测判断道路上的行人与骑车者动作,为后续的决策规划等步骤提供依据,实时预警以降低交通事故发生的概率是目前研究的一个方向。本文在视觉的基础上,从视频流提取单帧图像对行人行为检测识别进行研究,本文的主要工作分为以下三个部分:样本采集清洗与行为标注、图像预处理及行人行为的检测和识别。首先采集不同环境条件下的行人行为数据,如强弱光照、逆光、雨雾和遮挡情况等,不选用单张照片而是从视频中跳帧抽取图像作为训练样本,以达到摄像头实时成像时单帧图像的动态模糊效果,尽量符合现实场景中的行人动作。对于部分相对少见的动作,采用数据增强的方法增加样本量防止过拟合的发生。然后针对光照和图像模糊的问题,主要通过滤波的方法,首先使用限制对比自适应直方图均衡化方法缓解光照明暗或雨雾环境下目标不明显的情况,增强抗光照变化干扰的能力;其次再通过平滑滤波中的中值滤波法对弱光条件下的图像噪声进行削弱,提高图像质量;最后采用梯度滤波中的拉普拉斯滤波的方法对图像加以锐化,增强物体边缘信息,对于分辨率不高成像模糊的图像有一定的改进作用。在完成上述步骤后将所有行为样本标注为七个类别。最后基于^YOLOv3深度学习检测算法的思想,选用^darknet作为基础神经网络结构搭建检测模型,选取不同的超参数对模型加以训练,并使用迁移学习的方法对比训练完成的模型效果,选择最优的训练模型进行实时检测。