作为计算机视觉领域重要研究方向和人工智能产品的核心技术,行人检测受到了学术界和工业界的广泛关注。行人检测是指使用计算机视觉技术对图像或视频中的行人进行识别和定位的过程,在智能视频监控、智能机器人、人机交互等领域具有巨大的研究价值和应用前景。尺度和视角变化一直是行人检测领域的难点问题,传统的行人检测方法在处理这两类目标时效果不理想并且检测速度远远达不到实时性要求。论文针对行人检测领域中的多尺度、姿态视角变化以及实时性三个检测难点问题展开研究,以传统行人检测算法中的经典算法DPM(Deformable Part Models)模型为对象进行原理和仿真分析,针对DPM模型中的特征提取部分提出了快速特征金字塔模型,提高对行人视角、姿态变化的适应性和实时性;引入RPN(Region Proposal Network)网络作为预检测模块,分别提出了RPN+DPM和RPN+KCF检测模型,改善小尺度检测能力并提高实时处理能力。仿真实验在VOC2007、MOT16等数据集下进行验证,所提方法的检测性能和实时性获得了提升和改善,其中神经网络检测模型表现出明显的优势。具体工作总结如下:(1)引入Gabor方向特征和快速特征金字塔算法解决DPM模型在小尺度和大视角变化条件下的检测难题。首先利用Gabor滤波器组提取图像方向特征并搜索主能量方向,并与HOG和CN特征构成联合特征,其次采用ACF检测模型中特征金字塔快速计算模型预测多尺度联合特征,最后仍沿用DPM的主件模型加局部模型架构完成最终的多目标行人检测,仿真实验表明该方法能够提高行人目标的小尺度和视角变化检测能力。(2)引入RPN网络解决DPM模型进行卷积响应计算时计算复杂度过大的问题。首先使用VGG-16网络提取图像卷积特征,其次将得到的特征图输入RPN网络得到目标候选区域,最后采用DPM模型的主件模型完成最终的行人检测过程,仿真实验表明该方法能够在保证准确度与精度的前提下,提高模型的检测速度。(3)引入FPN(Feature Pyramid Network)网络提升RPN网络特征表达能力,引入相关滤波提高模型的检测速度。首先使用VGG-16网络提取图像的卷积特征,其次将FPN网络应用到RPN网络中得到多尺度特征图,最后使用相关滤波完成检测过程,仿真实验表明该方法能够在保证准确度与精度的前提下,算法的检测实时性进一步提高。