行人检测技术是无人驾驶的关键技术之一,无人驾驶汽车能否快速精准的检测行人,对保障道路交通安全具有重大意义。传统的行人检测算法基于人工提取的底层特征检测行人,在处理行人在尺度、姿态、服装与遮挡等形变时,算法鲁棒性较差。近年来深度学习在计算机视觉领域的兴起,基于深度学习技术的行人检测算法利用复杂的神经网络提取图像中待检测的深层特征来做表征,对复杂形变有较好的鲁棒性。虽然基于深度学习的行人检测算法检测效果好,但是它依赖巨量的计算资源。无人驾驶、高级驾驶辅助系统这类应用场景很难提供如此庞大的算力支持。本文针对这一矛盾,研究出一种用于无人驾驶的轻量级深度学习行人检测算法,在有着较高检测精度的同时模型体积较小。这对于将深度学习方法应用于上述计算资源受限的场景有重要意义。本文主要工作及创新点如下:1、提出了一个基于YOLOv3的改进模型YOLO-PD。通过数据增强等预处理方法,提高了网络检测小目标的能力。通过对YOLOv3的骨干网络进行改进,加入自注意力机制,让网络拥有判别哪些通道特征更有利于行人检测的能力,从而给对应特征分配更高的权重。通过引入CIOU损失函数,提高了网络的学习能力,使网络可以优化更多边框相交的情况,从而提高检测精度。2、提出了一个基于YOLO-PD的改进模型。通过引入深度可分离卷积层,CRe LU激活函数,对YOLO-PD进行改进,得到一个新的模型YOLO-LPD。深度可分离卷积对比传统卷积能大大减小卷积层的参数量和计算量,CRe LU激活函数可以消除特定卷积层的卷积核的冗余信息,达到减少参数量的效果。3、以Jetson TX2开发板为基础,搭建了一套硬件测试系统。使用Cityperson与Caltech Pedestrian数据集,对本文提出的YOLO-LPD、YOLOv3、YOLOv3-mobilenet以及YOLOv3-shufflenet进行对比实验。根据它们的检测精度与检测速度以及各自的模型大小进行综合分析。实验表明本文的改进算法YOLO-PD对于小目标检测和遮挡情况检测有着更高的准确率。本文所研究的YOLO-PD模型在Cityperson数据集上比原YOLOv3模型的m AP提高了约3%,在Caltech Pedestrian数据集上模型检测精度提高了约5%。原YOLOv3的模型体积约为YOLO-LPD的3.78倍,YOLO-LPD的检测速度相较YOLOv3提升了2.9倍。