行人是道路交通中的易受伤害群体,对于智能车来说,快速准确的检测出道路上的行人具有重要意义。经过多年的发展,基于深度学习行人检测算法已经能很好地检测出道路上的行人,但仍然存在很多问题需要解决,例如对远距离行人和被遮挡行人检测效果差、算法的速度慢以及参数量过多等。本文以低参数量目标检测算法YOLOv3-tiny为基础对行人检测算法进行进一步研究。对YOLOv3-tiny的漏检率高以及对远距离行人和部分被遮挡行人检测效果差等问题进行分析,提出了改进算法YOLOv3-tiny-D:在先验框提取上,用Kmeans++算法替换原来的Kmean算法;在骨干网络部分,用深度可分离卷积代替原卷积网络结构,加深网络深度。为评价改进前后算法的性能表现,在Caltech行人数据集上进行测试,测试的结果表明,改进后的算法在各种场景下的漏检率均低于原算法,漏检率总体上为60.97%,降低了4.3%,在行人被严重遮挡时降低了8.64%。改进算法YOLOv3-tiny-D仍存在一个问题,即对远距离行人检测能力差。为了增强算法对远距离行人的检测能力,提出一种新的算法YOLOv3-tiny-DM:在检测网络部分,提出一种基于深度可分离卷积的多级特征金字塔网络,该网络由8个结构相同的特征金字塔组成,特征金字塔由深度可分离卷积组成,特征金字塔之间串联连接,同一个特征金字塔负责提取不同尺度的特征,不同特征金字塔负责提取不同深度的特征;将不同金字塔得到的相同尺寸的特征进行融合,得到融合了不同深度特征的特征金字塔,再利用融合后的特征金字塔进行检测。在Caltech Pedestrian数据集上的测试结果表明,总体漏检为57.83%,相比YOLOv3-tiny-D降低了3.14%,比HOG方法漏检率低32.53%,比基于深度学习的方法SA Fast-RCNN和MS-CNN分别低4.67%、3.21%;在检测远距离行人和严重遮挡的行人时,本方法的漏检率比SA Fast-RCNN方法分别低22.78%、12.98%,比MS-CNN方法低20.01%、8.48%。检测速度为34ms/帧,满足实时性要求。