随着汽车保有量的增加,汽车与行人的交通事故也在不断增多。行人作为交通参与者中最弱势的群体,在交通环境中需要重点关注,所以在智能驾驶技术中的环境感知部分,行人的行为识别技术尤为重要。深度学习理论和技术的不断发展,为行人行为识别技术研究提供了重要基础。本文通过理论分析对车辆前方行人行为识别方法进行研究,并利用实车试验进行验证。主要研究内容和所得结论如下:(1)基于VGG-19网络模型的行人骨架节点检测。在综合考虑行人检测的实时性、稳定性、准确性等特点的基础上,利用VGG-19网络模型,实现一种自下而上的行人骨架节点检测算法,得到复杂交通环境下的过街行人骨架节点信息,为后续行人行为特征提取做准备。(2)基于ResNet50网络的行人行为的特征提取。利用骨架节点信息计算关键关节的余弦值并转换为灰度图,并在此基础上,采用卷积神经网络中的ResNet50网络对灰度图序列进行特征提取。该网络加入的残差学习思想,在一定程度上解决了传统卷积神经网络信息丢失、损耗的问题,在确保信息完整的前提下降低学习难度,有效完成了行人行为的特征提取,结果表明该方法具有较高的行为特征提取率。(3)基于LSTM网络的行人行为识别。在ResNet50模型提取到行人行为特征的基础上,利用循环神经网络LSTM分析特征序列帧的时间序列问题,并利用Soft Max分类器完成最终的行为分类。针对典型的行人过街行为,进行模型训练,实现了行人行为分类。(4)行人行为识别模型的实车验证。利用行为分类模型对现实场景下的行人常见行为进行分类,实现智能车辆前方行人的行为识别,验证了本文行为识别模型的有效性。综上所述,本文将深度卷积网络和循环神经网络相结合,研究了骨架特征点与运动意图的时空关联特性,实现了行人行为识别,可以为智能车辆深度环境感知与自适应决策技术提供理论依据。