1、目標(biāo)檢測是計(jì)算機(jī)視覺領(lǐng)域中最熱門的研究方向之一，其目的是為了授予計(jì)算機(jī)能夠在圖像中找到物體位置并確定其類別的能力。行人檢測作為目標(biāo)檢測的重要分支，在安防、智能駕駛、智能機(jī)器人、無人機(jī)等領(lǐng)域均有廣泛的應(yīng)用。近年來，深度學(xué)習(xí)在計(jì)算機(jī)視覺掀起一陣熱潮，大大促進(jìn)了諸如識(shí)別、檢測和分割等技術(shù)的研究發(fā)展，從而解決諸如行人姿勢、場景背景、行人密度、行人尺度、光照情況等問題。深度學(xué)習(xí)有效地提高了檢測精度，降低了漏檢率，基于此背景，在總結(jié)前人研究成果的基

2、礎(chǔ)之上，本文對(duì)行人檢測技術(shù)進(jìn)行了深入研究，主要完成了以下工作:
　　首先，F(xiàn)aster R-CNN是目前最為流行的基于深度學(xué)習(xí)的通用目標(biāo)檢測算法之一，但是，直接將其應(yīng)用于行人檢測，性能無法滿足實(shí)際應(yīng)用需求。為了將該算法融入行人檢測，本文提出了一種基于深度學(xué)習(xí)和逐步遷移策略的行人檢測算法:PDA-DLGT。該算法對(duì)Faster R-CNN的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行了修改，同時(shí)考慮到目標(biāo)數(shù)據(jù)庫Caltech與ImageNet的差別極大，結(jié)合遷移學(xué)

3、習(xí)，提出了一種逐步遷移策略，即以INRIA+ETH混合數(shù)據(jù)庫為過渡集，使得網(wǎng)絡(luò)能夠更好地?cái)M合行人數(shù)據(jù)，所提取的特征更適合于行人。實(shí)驗(yàn)證明，這種遷移策略可以使得檢測器的漏檢率下降5個(gè)百分點(diǎn)左右，而且，PDA-DLGT相比JointDeep具有更好的性能。
　　其次，本文對(duì)行人檢測相比通用目標(biāo)檢測的個(gè)性化問題進(jìn)行了分析，問題的關(guān)鍵主要在于行人目標(biāo)的尺度較小和復(fù)雜背景區(qū)域太大這兩方面。針對(duì)這兩個(gè)問題，本文針對(duì)性地提出了解決方案，結(jié)合已有

4、研究工作，提出了一種基于候選區(qū)域網(wǎng)絡(luò)和級(jí)聯(lián)Boosting森林的行人檢測算法:PDA-RPNCBF。該算法抽取卷積特征conv3_3和conv4_3，并進(jìn)行特征融合。此外，PDA-RPNCBF引入級(jí)聯(lián)Boosting森林和Bootstrapping來挖掘難負(fù)樣本，緩解正負(fù)樣本的不平衡問題。具體而言，PDA-RPNCBF采用了一種“全而漸進(jìn)”的方式，不僅可以保證負(fù)樣本的數(shù)量，還可以保證負(fù)樣本的質(zhì)量，使得檢測器的檢測精度大大提升。實(shí)驗(yàn)證明，

5、PDA-RPNCBF的漏檢率僅10.63％，相比PDA-DLGT下降了近14個(gè)百分點(diǎn)，優(yōu)于CCF、CompAct-Deep以及RPN+BF等優(yōu)秀算法。
　　最后，本文對(duì)行人檢測中的多尺度問題進(jìn)行了分析，因?yàn)樾腥说某叨茸兓秶浅４?，且小尺度的行人占多?shù)，而CNN特征的尺度不變性是有限的，所以，本文認(rèn)為以深度卷積網(wǎng)絡(luò)為基礎(chǔ)的行人檢測的多尺度問題不能直接采用通用目標(biāo)檢測問題的處理方法。通過對(duì)PDA-RPNCBF的改進(jìn)，提出了一種基于多

6、尺度候選區(qū)域網(wǎng)絡(luò)的行人檢測算法:PDA-MSRPN。該算法延用了PDA-RPNCBF中的級(jí)聯(lián)Boosting森林，主要對(duì)候選區(qū)域網(wǎng)絡(luò)進(jìn)行了改進(jìn)，將多尺度因素融入其中，即MSRPN。MSRPN在多個(gè)卷積層上構(gòu)建微型網(wǎng)絡(luò)生成候選區(qū)域，并將所有分支生成的候選區(qū)域整合在一起。由于不同分支具有不同的感受野，所以MSRPN可以充分把握住行人的多尺度信息。實(shí)驗(yàn)證明，該算法的MSRPN網(wǎng)絡(luò)相比RPN網(wǎng)絡(luò)在漏檢率方面具有將近2.21個(gè)百分點(diǎn)的優(yōu)勢。此外，