行人与车辆检测技术在视频监控、无人驾驶、智能机器人等方面有着广泛的应用,已经成为计算机视觉领域的一个重要研究方向。本文在分析了现有目标检测算法对自然场景对象检测性能的基础上,对基于卷积神经网络的行人与车辆检测方法展开研究。本文的主要研究内容如下:1.本文研究了一种基于类间上下文特征的目标检测方法。针对现有目标检测方法对车辆类目标检测精度较低的情况,本文根据各类别间的先验信息构建类间上下文特征,并将其应用于目标检测算法中的分类任务,采用加权配比的方式对目标所属各类别的置信度值进行修正。通过引入类间上下文特征,有效提高了目标检测算法对各类别目标的检测精度,其中车辆类目标的提升效果尤为明显。2.本文研究了一种基于通道金字塔特征的目标检测方法。针对现有目标检测方法对遮挡、尺寸较小目标的漏检和错检现象,本文通过在同层特征谱的不同通道间进行不同尺度的感受野级联,构造通道金字塔特征,并将其应用于目标检测算法的特征提取模块,明显改善了算法对遮挡、尺寸较小目标的检测性能。3.本文研究了一种基于跨通道信息融合的行人与车辆检测方法。通过对现有目标检测算法对自然场景中行人与车辆对象检测性能进行分析,结合前两章对现有目标检测算法的改进,同时考虑到不同层次特征谱的不同通道间上下文信息,本文通过在算法中引入类间上下文特征、通道金字塔特征以及不同特征谱间跨通道信息融合策略,来提升算法对自然场景中行人与车辆的检测性能。由于卷积神经网络的学习效果与数据集分布的多样性高度相关,本文构建了针对于自然场景中行人与车辆检测的专用数据集,并在此数据集上进行本文算法有效性验证。实验结果表明,本文算法能够大幅提升对自然场景中行人与车辆的检测精度,并明显改善了现有算法对受到遮挡、尺寸较小的行人与车辆类目标对象的检测效果。