随着人工智能的发展,深度学习方法逐渐应用到智能车辅助驾驶模块中,比如行人检测。目前行人检测的难点主要还是行人多尺度以及行人遮挡问题,归根结底就是提高模型的检测速度和准确度。论文采用Faster RCNN算法来提高行人检测的速度和准确度。主要研究内容如下:（1）针对道路行人存在的多尺度问题,对原始的RPN网络结构进行改进。首先使用9种不同尺度的Anchor来实现对多尺度行人的候选区域提取,然后在VGG16网络的最后一层特征图上使用1×1、3×3、5×5的滑动窗口来生成候选区域,增加多尺度行人检测的鲁棒性。原始的RPN网络特征提取时间达到0.06s/frame,总检测时间达到1.03h,改进的RPN 比原始的RPN特征提取时间节省0.04s/frame,总检测时间节省0.38h,检测速度有所提高。（2）针对道路行人存在的遮挡问题,在算法中加入了特征融合技术。先得到VGG16中Conv4₃和Conv5₃层生成的特征图,再将候选区域映射到这两个特征图上,得到融合之后的特征图,通过ROI Pooling和L2正则化后得到固定大小的特征向量,最后送入后续的全连接层实现行人的检测与范围框的回归。特征融合后的模型检测率达到81.9%,比LatSVM模型提高13.9%,整个模型的精准度得到增强。（3）最后将改进的RPN网络结构和特征融合技术进行级联,得出改进后的:Faster RCNN模型结构。在不同公共数据集上进行反复实验,结果表明,采用原始的Faster RCNN网络模型得到0.12s/frame的检测速度和87.3%的准确率,而采用改进的Faster RCNN网络模型得到0.04s/frame的检测速度和91.5%的准确率,分别提高0.08s/frame和4.2%,其检测速度和检测精度都达到预期要求。最后在实际道路场景中进行实验验证,准确率达到89.9%,表明算法具有一定的实用价值。