行人車輛檢測在自動駕駛、增強(qiáng)現(xiàn)實、智慧安防、智能交通等諸多領(lǐng)域都有著廣泛的應(yīng)用，近年來受到學(xué)術(shù)界和工業(yè)界越來越多的關(guān)注。針對這一問題研究者們提出了很多有效的方法，但由于實際場景中經(jīng)常出現(xiàn)光照變化、尺度變化、部分遮擋等不可控因素，行人車輛檢測仍然是一個很有挑戰(zhàn)性的問題，在精度上還有待提升，而且現(xiàn)有的方法模型復(fù)雜度普遍較高，速度上也無法滿足實際應(yīng)用的需求。本文對行人車輛檢測進(jìn)行了系統(tǒng)的分析和研究，改進(jìn)和優(yōu)化了現(xiàn)有的模型，提升了檢測的精度和速度。本文的主要工作如下：

　　（1）提出了一個端到端的分層全卷積神經(jīng)網(wǎng)絡(luò)——EFCN。為了降低模型前向傳播的計算量，EFCN采用輕量級的深度神經(jīng)網(wǎng)絡(luò)MobileNet作為基網(wǎng)絡(luò)。同時，為了解決實際場景中目標(biāo)尺寸變化大的問題，EFCN使用同一個網(wǎng)絡(luò)中不同分辨率的網(wǎng)絡(luò)層對輸入圖像中不同大小的目標(biāo)進(jìn)行檢測，并且在每一個預(yù)測層的頂端增加了一個優(yōu)化模塊，優(yōu)化模塊通過反卷積和跳躍連接將深度神經(jīng)網(wǎng)絡(luò)中包含目標(biāo)細(xì)節(jié)的高分辨率特征層和包含目標(biāo)高級語義信息的低分辨率特征層進(jìn)行調(diào)制融合，構(gòu)造出了對行人車輛具有魯棒性的特征表達(dá)。本文在KITTI數(shù)據(jù)集上評測了EFCN算法的性能，并且從檢測精度，檢測速度和模型大小三方面將我們的模型與當(dāng)前主流的目標(biāo)檢測算法進(jìn)行了對比，實驗結(jié)果證明我們的模型在檢測精度和檢測速度之間取得了較好的平衡，EFCN在KITTI上能達(dá)到和Faster R-cNN相似甚至更好的檢測精度，但是EFCN的檢測速度比Faster R-CNN快了31倍，模型的參數(shù)量也比Faster R-CNN少了25倍。

　　（2）為了進(jìn)一步提高EFCN算法的檢測精度同時不降低算法的檢測速度，我們在原有模型的基礎(chǔ)上增加了物體性檢測模塊，利用物體性檢測損失作為網(wǎng)絡(luò)訓(xùn)練的目標(biāo)函數(shù)之一，能夠在學(xué)習(xí)到的特征層中引入前景與背景信息，對檢測目標(biāo)具有更好的表征能力。同時，利用物體性檢測分?jǐn)?shù)作為先驗來引導(dǎo)目標(biāo)物體的搜索，提前去除大量的背景樣本，大大減小了樣本的搜索空間，一定程度上緩解了單階段目標(biāo)檢測算法中類別不平衡的問題。實驗結(jié)果證明改進(jìn)后的EFCN算法在提高檢測精度的同時幾乎不增加網(wǎng)絡(luò)的前向計算的時間。