运动行人检测技术因为其在智能安防等领域具有广阔的应用前景而成为计算机视觉的研究热点。目前,运动行人检测已经在具有固定拍摄角度的简单场景中取得了较好的应用。但是实际监控场景变化多样,行人遮挡、重叠、所处环境复杂以及周围有虚警目标等问题都会对检测结果产生很大影响。因此,设计出兼具较好实时性和较高准确率及召回率的运动行人检测算法具有较大难度。针对此问题,本文在充分分析现有方法的基础上,开展了相关研究。论文主要工作概括如下:(1)介绍了深度学习相关理论和工具,并以YOLOv3-Tiny网络为原型,研究了一种基于改进YOLOv3-Tiny网络的行人检测算法。首先针对前景检测边界框的特点,确定了使用行人整体作为检测目标。然后介绍了算法整体流程和行人目标预测的过程,并针对YOLOv3-Tiny网络结构存在的不足以及行人目标检测的实际需要提出了优化方案:使用3×3卷积层代替主干网络中的最大值池化层,在压缩特征图的同时减少特征的流失;在网络较浅层引入新的特征金字塔分支,与深层特征相结合,以期提高目标检测准确率。实验结果表明,该算法相比原始YOLOv3-Tiny算法提高了检测准确率。(2)介绍了传统背景建模法和帧间差分法的算法原理与优缺点。针对后续运动行人检测关注的目标提取速度的需求,引入基于背景差分法的运动目标检测算法,并比较了传统前景检测算法的检测速度,结果表明所引入的方法在检测速度上具有一定优势。(3)针对运动行人检测问题,提出了一种将前述两种检测算法边界框相结合的融合检测算法。首先分析了两种检测算法检测边界框的特点:前景检测通常标记行人信息的准确率相对较低,但可以有效去除静止的虚警目标;深度网络检测方法通常难以同时满足较高的准确率和召回率,但可以通过设置置信度阈值灵活调整二者的高低。然后据此探讨了将两种边界框进行融合的可行性,提出了融合检测算法。实验结果表明,所提算法与基于改进YOLOv3-Tiny网络的行人检测算法相比提高了准确率和召回率,并降低了虚警率。