随着人工智能的不断发展,人们对汽车的智能化——尤其是主动安全方面,提出了越来越高的要求。其中,行人检测作为主动安全的关键技术之一,直接影响到行人的生命安全,是减少行人伤亡的重要技术。目前,基于传统机器学习的行人检测方法步骤复杂,鲁棒性差,在复杂的道路环境下检测效果较差。而基于深度学习法的行人检测算法虽然可以自主地学习行人特征,检测精度较高,但大部分的算法模型所需计算量较高,难以满足汽车高速行驶过程中的实时性需求。所以,本文以车载视频的行人检测问题为研究对象,期望寻找一个能够满足实时性需求,且检测精度、鲁棒性良(1)首先,分析传统图像传感器的不足之处,提出采用低冗余度、受光照变化影响小、采集频率高的动态视觉传感器进行图像采集。减少行人图片的冗余,提高检测系统的实时性。然后,阐述YOLO系列的算法原理,并与传统行人检测算法、RCNN系列算法和SSD系列算法进行对比。经过算法的性能分析,采用帧率高、检测精度较好的YOLOv3作为行人检测的算法框架。(2)其次,使用基于动态视觉传感器的摄像头进行图像采集,建立新的行人数据集。针对动态视觉传感器成像存在大量噪点的问题,提出基于改进遗传算法和广义交叉验证法的小波阈值去噪方法。通过改进的遗传算法,建立一个新的适应度函数,得到更好的去噪阈值,提高小波阈值算法的去噪效果,并通过无参考的图像质量评估方法进行验证。经过实验发现,YOLOv3算法在经过去噪的图片上检测精度更高。(3)然后,针对动态视觉传感器成像轮廓特征清晰,且其特征较少的特点,提出了改进的YOLOv3算法。采用K-mean++算法对新的行人数据集进行聚类,得到6个更加符合行人姿态的先验框大小,提高检测精度。然后,将YOLOv3网络中的普通卷积层改为深度可分离卷积,从而达到压缩提速的目的。移除YOLOv3所使用的Darknet53结构,设计更加精简的特征提取层,并减少最终的检测尺度,降低算法模型所需的计算量,提高算法实时性。(4)最后,搭建实验平台,基于主流的深度学习框架Caffe训练该网络,调整训练参数,得到较好的IM-YOLOv3算法模型。在采集的数据集上进行算法模型的性能评价,证明该算法有较好的实时性,并对检测效果有一定的提升。最后对几类较难检测的场景进行实验,IM-YOLOv3算法在这些情况下有较好的检测效果。为车载视频的行人检测提供一个新的方案。