康帅，章坚武，朱尊杰，童国锋

（1.杭州电子科技大学，浙江 杭州 310018；2.绍兴供电公司柯桥供电分公司，浙江 绍兴 330600）

1 引言

行人检测是近年来计算机视觉领域的研究热点，同时也是目标检测领域中的难点。其目的是识别和定位图像中存在的行人，在许多领域中都有广泛的应用[1]。交通安全方面，无人驾驶汽车通过提前检测到行人及时避让来避免交通事故的发生；安防保护方面，通过行人检测来防止可疑人员进入；公共场所管理方面，通过行人检测统计人流量数据，优化人力物力等资源的分配[2]。

传统检测方法利用的大部分特征都是通过手工设计的。Viola和 Jones[3]在 2001年采用Haar+AdaBoost的人脸检测框架进行行人检测。Dalal和 Triggs[4]在2005年提出了 HOG+SVM 的框架来检测行人。随后研究者将局部二值模式特征与方向梯度直方图（histogram of oriented gradient，HOG）相结合，采用随机森林作分类，构建了能够处理部分遮挡问题的行人检测模型[5]。2014年有学者结合了积分直方图、梯度直方图和Haar-like等的特征，将聚合通道特征[6]用于行人检测。虽然上述传统的检测方法对行人检测都有了不同程度的改进，但是检测效果的好坏取决于设计者的先验知识，并没有很好地利用大数据的优势，对于复杂场景下行人目标多样性变化的情况算法鲁棒性较差。

随着深度学习的发展，越来越多的研究者开始使用深度学习进行目标检测。基于深度学习的检测方法比传统方法的检测性能更好，可以自主地从训练的数据集中学习不同层次的特征。……