行人检测(Pedestrian Detection)是目标检测(Object Detection)中针对行人目标进行定位和识别的子问题,一直是计算机视觉领域中的研究热点和难点。同时具有极高的应用和研究价值,行人检测能够与行人重识别、行人跟踪等任务进行有效的结合,应用到智能辅助驾驶系统、智能交通监控系统、客流量统计和人体行为分析等真实场景中。人体的姿势形态变化多样、成像方式不一致、穿着偏好不同、场景图像背景复杂、行人与其他物体以及人体之间的相互遮挡,这就对行人检测模型的效率和精度提出了极大的挑战。其中,遮挡问题最为影响行人检测模型的检测性能,现有的基于深度卷积神经网络的行人检测模型大多是在通用目标检测模型的基础上作出针对性解决方案,鲜有对遮挡问题进行深入探索和有效处理;行人检测模型复杂度过高,仍不满足实时的要求,大量超参的设置严重影响模型的检测性能,使得模型的训练和推理极度困难。本文主要针对车载场景中的遮挡问题,从类间遮挡和类内遮挡两个方面入手,借鉴了已有的目标检测网络思想进行了若干改进,使其具有更优越的行人检测性能。以下几个方面是本文的主要工作:(1)借鉴了人体分割分别预测组件的思路,提出将人体分割成多个区域,分别预测人体的各个部分并进行可见度打分。同时借鉴了多阶段生成准确候选框的想法,设计了多阶段级联检测网络,实验结果表明该方法对比于其他两阶段行人检测模型在遮挡问题上更鲁棒的同时,对于人体位置的检测更准确。(2)借鉴了焦点损失和斥力损失的设计思路,设计了一种遮挡感知作用力损失函数来解决类内遮挡问题,同时使用改进的可见度评分策略降低类间遮挡造成的影响。为了加快计算速度,抛弃了之前两阶段甚至多阶段级联检测的方法,采用一阶段检测模型,大大减少了检测时间。实验结果表明该方法对比于其他两阶段和一阶段行人检测模型能够很好地解决遮挡问题,同时拥有更高的计算效率。(3)借鉴了无锚框目标检测设计思路,将两类无锚框目标检测方法进行了融合,重新定义行人检测为一系列点的预测,并利用中心点和尺度预测修正边界框。实验结果表明该方法对比于其他基于锚框和无锚框行人检测模型具有更优秀的遮挡检测性能。