随着深度学习技术在计算机视觉领域的飞快发展,行人检测技术已经取得不错的进展,但在一些较为恶劣环境下仍然存在一些问题,例如密集行人检测、尺度不一的行人检测。行人检测技术的发展对智能监控、互动机器人、行人重识别等相关技术有着极大的推动作用,因此,解决行人检测技术难题极为重要。针对以上问题,做进一步的研究,本文的主要创新点如下。1)针对行人大小尺度问题,本文修改YOLOv3算法中锚框参数,并引入多尺度特征融合模块,融合在特征提取网络Darknet53内部,改变原来的特征提取方式,增加特征提取网络深度,提高模型的非线性表示能力,进一步提升不同尺度行人的特征提取能力。实验表明,在Caltech、On＿merge数据集进行训练,改进算法的平均精准率比基准算法分别高出其5.49%,2.26%。2)针对部分密集遮挡问题,本文使用带有注意力机制的SE-Res＿unit替换Darknet53中Res＿unit的YOLOv3模型。在注意力机制的引导下,模型可以更加关注行人的可见部分特征,降低行人被遮挡部分的特征对应通道的响应,提高模型对重要信息的表示,降低背景信息对模型的干扰。实验表明,分别在Caltech、On＿merge、MS COCO中Person数据集进行训练,使用SE-Res＿unit的算法的平均精准率比基准算法分别高出其5.87%,5.08%,3.77%。3)为了提高模型的泛化能力,本文首先通过数据增强技术对数据集中图片进行不同尺度拉伸、旋转得到不同姿态、不同遮挡程度的行人,然后在特征提取网络中融合不同的注意力机制,模型可以更加倾向不同姿态、不同遮挡程度的行人。实验表明,在Caltech数据集进行训练,融合通道注意力、空间注意力、混合注意力的算法的平均精准率比基准算法分别高出其3.3%,4.97%,9.58%;在On＿merge数据集进行训练,比基准算法分别高出其1.83%,4.18%,4.31%。4)针对检测难例,本文设计基于级联策略的检测模型。经过多次实验,SE-Res＿unit替换Darknet53中Res＿unit的注意力模型检测性能最佳,所以,第一阶段模型与第二阶段模型都设置为SE-Res＿unit注意力模型。第一阶段模型的检测难例作为第二阶段模型的训练输入,第二阶段模型可以对难例识别能力更强。实验表明,级联模型在不降低第一阶段模型检测精准率的前提下,总体的召回率提高了1.71%。