行人检测是目标检测领域的一个重要组成部分,行人检测在智能监控、自动驾驶、辅助驾驶、智能机器人等研究领域有着广泛的应用。目前基于深度学习的行人检测方法已经进入了一个快速的发展阶段。相比于人工设计特征的传统的行人检测方法,采用卷积神经网络学习特征的深度学习方法在检测精度上占有一定优势,但是还存在例如小尺寸行人漏检等很多问题,如何权衡行人检测的速度和精度也是目前亟需解决的问题。本文研究了行人检测系统的框架、并对特征提取和分类器的训练做了详细介绍。基于不同神经网络结构的对比研究,本文提出了几种基于深度学习的行人检测方法,主要研究内容及创新点有:1、提出一种基于卷积神经网络的多尺度行人检测方法。分析了增加检测层,并联卷积层,改变卷积核尺寸和网络中行人宽高的比例对行人检测性能的影响。在KITTI数据集上的实验结果表明该方法可以实现较好的行人检测效果,并联一个小的卷集核可以增加行人的细节特征,多检测层充分发挥了各层对不同尺寸行人的检测优势,以及适当调整网络中行人宽高比都可以增加检测出小尺寸行人的可能。2、提出了一种联合传统方法和神经网络方法的多任务行人检测系统。利用传统的C4(Real-time human detection using contour cues)快速行人检测方法作为检测的第一阶段,第二阶段以 MTCNN(Multitask Cascaded Convolutional Networks)的第三个网络对第一阶段的检测结果进一步判断并定位行人关键点。传统特征行人检测方法在检测速度上具有一定的优势,而基于大数据的深度学习方法一般具有较高的检测率,联合起来能在保证检测精度的同时最大化检测速度。3、提出在行人检测的同时检测行人关键点的方法,行人关键点定位可以为后续行人的属性判断任务奠定基础。本文定义了五个行人关键点以便于检测行人属性,在街道采集视频并自主制作一套行人数据集和标签,然后在制作的数据集上训练和测试模型。实验表明行人检测和关键点任务可以相互促进。