李传东，徐望明,3，伍世虔

（1.武汉科技大学信息科学与工程学院，湖北 武汉 430081；2.武汉科技大学机器人与智能系统研究院，湖北 武汉 430081；3.武汉科技大学教育部冶金自动化与检测技术工程研究中心，湖北 武汉 430081）

0 引言

自动行人检测技术被广泛应用于车载安全系统、视频监控系统等计算机视觉任务中。基于可见光图像的行人检测算法在光照不足、不均时效果较差，而基于热红外图像的行人检测算法因其热辐射成像原理受光照条件影响小，适合全天候工作，近年来得以广泛关注且成为研究热点。传统的热红外行人检测算法主要通过提取人工特征并结合分类器实现，如：刘峰等[1]提出了一种多特征级联方法，利用感兴趣区域长宽比特征和头部Haar 特征组成初级分类器，再通过HOG（Histogram of Oriented Gradient）与SVM（Support Vector Machine）结合的方式得到最终检测结果；Cai等[2]提出一种对显著图提取局部强度差异直方图特征并使用SVM 分类器得到行人检测结果；还有些方法通过提取感兴趣区域或热点图，将其转化为特征向量送入分类器进行判别[3-5]。这类传统方法由于依赖于特征设计，存在鲁棒性不强、准确率较低等缺点。随着深度学习的发展，使用深度卷积神经网络（Deep Convolutional Neural Network，DCNN）来解决行人检测问题成为当前主流方法。DCNN 能够自学习更可靠、表达能力更强的图像特征，使得行人检测方法泛化能力更强、检测精度更高，如李慕锴等[6]通过将YOLOv3 与SENet 两种深度网络进行结合，提高了检测精度。

不过，因夜晚环境与人体温度相差较大，包含行人的热红外图像会呈现较明显的人体边缘，有利于算法检测，而在温差较小的白天人体目标成像不够明显，会导致算法检测效果差。……