行人检测旨在从图片或者视频中自动定位行人。在研究领域,行人检测是行人分析任务如行人跟踪、行人重识别等的前置环节。在应用领域,行人检测是自动驾驶、智能安防等系统的重要组成部分。相比人类发达的视觉能力,行人检测算法的错误率还需要进一步降低。行人检测存在两个问题,一是夜间场景下行人置信度低而背景置信度高。二是大规模场景下行人的外观差异性巨大。现有的行人检测算法简单地一对一学习正负样本,缺乏对前景背景的深度区分。针对夜间场景下行人置信度低和背景置信度高的问题,提出了基于置信度回正的行人检测算法。该算法利用行人区别于背景的特征如人体轮廓或者腿部特征来解决行人置信度低而背景区域置信度高的问题。具体地,引入了人体轮廓评估和腿部评估分支来预估建议区域存在人体轮廓或者腿部特征的比例,每次训练以检测框架生成的正负样本为分支的输入,在推断时将该评估比例与原有检测输出的置信度进行加权求和来回正置信度。针对大规模场景下行人巨大的外观差异性的问题,提出了基于特征转换的行人检测算法。该算法主要引入特征空间转换的思想。原始的特征空间没有显式地适应不同外观行人之间的差异,行人外观多样性影响了模型决策边界逼近能力。对比学习能够通过在特征空间中最小化正样本对的距离和最大化负样本对的之间距离来指导特征学习,因此通过对比学习构建一个新的特征空间。在新的特征空间中行人外观差异被消除同时行人与背景的差异被扩大,从而达到前景背景深度区分。具体地,通过对大规模行人数据集的行人特征进行聚类,得到了能够表征大规模行人多样性的标本字典。新的特征空间的训练以标本字典为导向,通过把标本字典与检测网络在训练过程中产生的正负样本进行配对,产生训练对比学习的正负样本对。为了提高对比学习的训练效能,引入了离线在线对比学习训练策略。最后,在推断时还利用标本字典与建议区域的语义距离参与修正建议区域的置信分数。实验结果表明,基于置信度回正的行人检测算法在更有难度的夜间场景下的错误率低于现有的行人检测算法;基于特征转换的的行人检测算法在全天候场景下的错误率低于现有的行人检测算法。