人工智能技术的普及,推动了安防领域的发展,目前国内众多区域已经构建了智慧安防平台,如“平安城市”、“雪亮工程”等,视频监控不断渗透到生活的方方面面,而对于监控视频中的行人检测与姿态估计也成为了视频领域比较重要的研究方向。针对监控视频中存在的目标难以检测及行人安全问题,本文对行人检测与姿态估计分两个部分展开研究,通过增加预处理层实现特征融合提升行人检测效果,姿态估计阶段引入标签校正并设计跌倒检测保障行人安全,所做的研究内容可以归纳为以下几个方面:1.在行人检测方面,考虑到不同环境下背景信息影响,以及小目标难以检测问题,本文通过改进HOG特征提取方式,作为YOLOv3特征提取部分的预处理层,突出行人轮廓特征,尤其突出小目标行人的特征,同时可以减少背景信息对检测结果造成的干扰。另外,在训练过程中,将不同的数据集进行混合作为输入,增加样本数据的多样性,最终测试阶段同样利用混合数据方式来验证算法的泛化能力。2.行人的姿态估计基于OpenPose算法实现,OpenPose算法在骨架构建过程中会出现由于缺失部分关键点而无法完成肢体连接的情况,因此样本数据部分关键点的缺失将会影响算法的检测结果。为了解决上述问题,在网络训练时引入标签校正,降低样本数据中缺失关键点信息对生成模型的影响,提高模型准确度。最后通过实验验证,上述的改进方式能够达到满意的检测效果。3.在很多场合,监控视频中行人的安全一直都是焦点问题,前文在行人检测与姿态估计方面的研究取得了一定成果,以此设计了针对监控视频中行人跌倒的检测算法,该算法的检测流程中利用改进的YOLOv3算法剔除非行人区域的干扰,针对行人区域采用OpenPose算法实现姿态估计,根据姿态估计的结果,计算关键点的坐标关系,并设定判断条件,最后进行跌倒的判断。通过实验验证,该方法在特定场景下可以很好的实现跌倒检测。当算法部分实验验证完成后,将该算法移植到嵌入式平台进行仿真实现,在嵌入式平台的仿真结果验证了本文算法移植的可行性。