行人車(chē)輛檢測(cè)在自動(dòng)駕駛、增強(qiáng)現(xiàn)實(shí)、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(lái)受到學(xué)術(shù)界和工業(yè)界越來(lái)越多的關(guān)注。針對(duì)這一問(wèn)題研究者們提出了很多有效的方法，但由于實(shí)際場(chǎng)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(chē)輛檢測(cè)仍然是一個(gè)很有挑戰(zhàn)性的問(wèn)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(wú)法滿足實(shí)際應(yīng)用的需求。本文對(duì)行人車(chē)輛檢測(cè)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(cè)的精度和速度。本文的主要工作如下：

　　（1）提出了一個(gè)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(jì)算量，EFCN采用輕量級(jí)的深度神經(jīng)網(wǎng)絡(luò)MobileNet作為基網(wǎng)絡(luò)。同時(shí)，為了解決實(shí)際場(chǎng)景中目標(biāo)尺寸變化大的問(wèn)題，EFCN使用同一個(gè)網(wǎng)絡(luò)中不同分辨率的網(wǎng)絡(luò)層對(duì)輸入圖像中不同大小的目標(biāo)進(jìn)行檢測(cè)，并且在每一個(gè)預(yù)測(cè)層的頂端增加了一個(gè)優(yōu)化模塊，優(yōu)化模塊通過(guò)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(jí)語(yǔ)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(duì)行人車(chē)輛具有魯棒性的特征表達(dá)。本文在KITTI數(shù)據(jù)集上評(píng)測(cè)了EFCN算法的性能，并且從檢測(cè)精度，檢測(cè)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(cè)算法進(jìn)行了對(duì)比，實(shí)驗(yàn)結(jié)果證明我們的模型在檢測(cè)精度和檢測(cè)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(cè)精度，但是EFCN的檢測(cè)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(cè)精度同時(shí)不降低算法的檢測(cè)速度，我們?cè)谠心Ｐ偷幕A(chǔ)上增加了物體性檢測(cè)模塊，利用物體性檢測(cè)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(duì)檢測(cè)目標(biāo)具有更好的表征能力。同時(shí)，利用物體性檢測(cè)分?jǐn)?shù)作為先驗(yàn)來(lái)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(cè)算法中類別不平衡的問(wèn)題。實(shí)驗(yàn)結(jié)果證明改進(jìn)后的EFCN算法在提高檢測(cè)精度的同時(shí)幾乎不增加網(wǎng)絡(luò)的前向計(jì)算的時(shí)間。