赖坤城，赵 津，王 超，张 航，王磊磊

（贵州大学 a.机械工程学院；b.现代制造技术教育部重点实验室，贵阳 550025）

行人检测一直是计算机视觉关注的重点，该技术的研究可以应用于无人驾驶场景［1］，以及智能视频监控、智能机器人等领域的应用［2］。近年来，随着深度学习的快速发展，其强大的特征表达能力，已使得基于深度学习的检测算法在目标检测领域占据了重要地位［3－4］。目前应用较多的目标检测算法框架有R-CNN、Fast R-CNN、Faster RCNN、SSD、YOLOv3以及Mask R-CNN等。尽管在最近的时间内，基于深度学习的行人检测模型不断创新和改进，但是实验发现这些行人检测算法的性能往往在低光环境下会出现下降［5］。

为了提高低光环境的驾驶安全性，越来越多的研究人员和学者开始关注于夜间与低光环境下的行人检测技术，以提高行人检测算法的鲁棒性。朱聪聪［6］提出了一种新的适合红外图像检测的特征—梯度方向和强度直方图混合特征（HOGI），降低了夜间行人检测的漏检率；宋姚姚［7］设计并实现了基于SSD框架的多光谱信息前端融合和后端融合结构；Liu等［8］通过对RGB和深度数据的集成，提出了一种在动态环境中实时行人检测和跟踪的新方法；Jingjing等［9］基于Faster RCNN网络设计了4种ConvNet融合结构，将色彩图像和热图像特征进行融合，在KAIST数据上比其他网络结果漏检率降低了3.5%；Wanger等［10］研究了2种深度融合结构并探讨了多光谱行人检测的深层模型的潜力，研究表明经过预训练的后期融合结构明显优于现有的主流解决方案。

以上方法主要存在以下3个问题：①现有检测网络对不同光照下适应性不好。……