人员检测是计算机视觉任务的基础与研究热点,同时也是视频安全监控的核心环节,并在自动驾驶,高级辅助机器人,安全监控和人机交互等领域具有非常重大的应用前景,并具有极大的商业价值。渔业和与船舶业在我国建设海洋强国的过程中占据着举足轻重的地位,但是渔业却一直被公认为最危险的产业,这其中大部分事故都是人为原因所造成的。目前,受到海陆间通讯带宽的限制,无法将船舶驾驶舱的实时视频流回传实现人为监控,所以通过人员检测的手段实现对船舶驾驶舱内的情况进行安全监控和预警,对整个海上安全和渔业现状都有至关重要的作用,能很大程度上减少渔民这类海上从业人员的生命财产损失。最近二十年来,国内外学者在目标检测和行人检测领域进行了全方面的深入研究,不管是基于传统特征训练的方法还是基于深度卷积网络的算法都在识别准确度上有了很大的提升。但这些算法大都针对的是一般目标和行人,而像渔船驾驶舱这样空间狭小,姿态多样,光线多变和遮挡现象频发的小范围复杂场景中,传统的检测方法就受到了视角,光线和干扰物等多方面的挑战,这就需要一种改进的针对船舶复杂环境下场景建模的人员检测技术和方法。本文针对船舶驾驶舱复杂环境下的人员检测技术展开深入的研究,并将相关模型和算法移植到渔船安全监控系统中,为船舶的出海安全提供辅助监控和预警的帮助。本文工作基于船舶驾驶舱场景,基本思路是基于传统特征的多部件可变形部件模型方法和基于深度卷积神经网络的YOLO算法对该场景下的人员目标检测方法进行了研究和实验,并介绍了渔船安全驾驶系统的基本功能和设计。在传统目标检测的实验中,本文采用了基于特征的检测方法中效果最好的可变形部件模型,针对船舶驾驶舱这种室内小环境进行建模,选取了经过降维处理的HOG(Histogram of Gradient)特征,采集了渔船驾驶舱内人员信息同标准PASCAL VOC数据集中人员信息相结合,构建了包含多个部件模型的可变形部件模型,使用支持向量机进行特征训练,针对场景下人员结构特点优化各个组件间权重,并针对打分特点优化非极大抑制法克服部分遮挡的问题,最后采用多部件模型的窗口实现滑动扫描和多尺度检测,并将训练得到的模型进行二次开发移植到了渔船安全驾驶系统中,对算法进行多线程优化实现了在该船舶驾驶舱场景下准确度的提升。在基于深度学习检测方法上,介绍了基于深度学习的目标检测原理,模型和算法,受到船载普通工控计算机性能的限制,选取了目前主流算法中,检测速度最快YOLO算法,针对算法的虚检和鲁棒性不强的问题,利用船舱的监控视频重新制作了训练集,在预训练模型的基础上对模型进行微调训练,应用于渔船场景下的人员检测,并引入了简易YOLO-Tiny模型对网络的效果和性能进行分析与讨论。通过实验可以看出,改进后的YOLO模型的平均准确率能达到90%以上,验证了移植到安全驾驶系统中的可行性。尽管本文对船舶复杂环境下的人员检测技术做了一些讨论和研究,但也存在不足之处:基于深度学习的YOLO算法在CPU上受到性能限制不能满足实践需求,还需要进行性能优化,还需要对检测结果进行行为分析,从而更好地进行危险预警保障安全。这些还有待后续的研究者进行相关研究。