行人检测技术是利用计算机视觉技术判断图像或者视频序列中是否存在行人并给予准确定位,该技术与行人跟踪、行人识别等技术相结合,可应用于智能视频监控、人体行为分析、智能交通、车辆辅助驾驶系统和智能机器人等领域。在一些应用场景中,小尺度行人占据较大比例,而现有的行人检测算法对小尺度行人的检测精度较低。其原因主要在于小尺度行人所占像素较少,信息容易丢失。对此,本文进行了以下研究:(1)针对已有行人数据集小尺度行人数据不足的问题,本文收集并标注了一个行人数据集SPD2019(Small Person Data 2019),图片尺寸1600*900,其中训练集1200张、测试集300张,可作为已有数据集的补充训练集。已有数据集主要涉及生活场景或车载摄像头拍摄的街道场景,本文收集并标注的SDP2019数据集,拍摄角度位于带俯角的高处,拍摄场景为景区和街道,高度小于30像素的小尺度行人数量占比为55%。将YOLOv3-Tiny作为测试算法,SDP2019数据集作为其补充训练集,经过仿真实验,在已有数据集(COCOPerson、CityPerson、Caltech、WiderPerson)和 SDP2019 数据集的测试集上,小尺度行人平均准确率分别提升了 3.4%和64%。(2)YOLOv3-Tiny算法在图片输入网络之前对图片尺寸进行了缩小,造成小尺度行人信息损失严重。针对该问题,本文提出了一个能裁剪原图片的 CEYOLO(Crop and Enlarge YOLO)算法。CEYOLO算法增加了一个能预测和裁剪原图片中可能存在小尺度行人区域的模块,并将裁剪的区域重新输入网络进行检测。实验结果表明,相比YOLOv3-Tiny算法,CEYOLO算法的小尺度行人平均准确率提升了35%,总体行人平均准确率提升了 14%。(3)在数据集和算法改进的基础上,本文在嵌入式平台Jetson Nano上实现并测试了训练好的CEYOLO模型,并进行了视频解码加速和模型推理加速。在该嵌入式平台上,平均每张图片的检测时间为0.29s,平均准确率为0.702,达到了预期的检测目标。综上所述,本文所标注的SPD2019数据集和提出的CEYOLO算法,提高了小尺度行人检测的平均准确率。