行人检测是智能监控系统的重要组成部分,自动实时地对监控视频中的行人进行检测,可以大幅度地减少人力资源的浪费。由于行人的非刚性特点、遮挡、复杂背景等问题,行人检测比通用目标检测面临更大的困难。本文将用于通用目标的Faster R-CNN检测算法应用于监控场景中的行人,并针对该算法出现的问题进行优化。在监控场景中,使用通用目标检测模型进行行人检测,会产生更多的误检,其主要原因在于分类器的训练样本代表性不强。采用挖掘难分样本(the Hard Example Mining)的方法为分类器生成更具有代表性的样本,可以增强分类器的分类能力,在一定程度上解决误检问题。现有的行人检测算法只采用了挖掘难分样本方法的启发式,即只对真值候选框(Ground Truth,GT)周围的样本进行正、负样本的标注,这单一地考虑了样本的位置信息,并不能保证样本的代表性。为此,本文提出了一种新颖的挖掘难分负样本方法,通过综合利用候选区域的置信度和位置信息来产生更具代表性的负样本。该方法不需要任何额外的超参数,因此它不会增加Faster R-CNN的训练复杂度和计算量,且易于实现。随着模型层次的加深,CNN提取的特征更加高级,可以有效地“描述”行人目标。但在监控场景中,由于拍摄角度和距离、遮挡等原因,有些行人目标可利用信息较少,并且随着层数的加深,特征图的细粒度信息也随着高阶特征的产生而减少,因此在监控场景中的检测效果较差。在本文中,融合不同层次特征来增加行人目标的细粒度信息。除此之外,通过改变以往特征融合的过程,沿用Faster R-CNN的共享卷积层思想来实现实时检测。因此,本文不仅提高了检测效果还保证了实时性。本文在静态行人数据库(如INRIA)上,以及监控场景中的数据库(PKU-SVD-B和Caltech)上进行了实验,性能指标均优于标准Faster R-CNN算法。这表明本文提出的方法可以有效地解决上述问题。