如何定位，区分，识别一个静止或者运动中的行人，近些年成为了车辆辅助驾驶系统中一项重要的研究课题。其可以利用车辆上的摄像机识别行人，从而在可能的危险场景中保护行人和驾驶员，在计算机视觉，车辆相关领域显示出了巨大的研究价值。在智能监控系统，运动分析等领域也显示出了巨大的潜力。

经过长期的研究，行人检测的方法大致有以下几种：基于特征提取和特征融合的方法，如HOG^[1]，LBP^[2]等，基于分类器算法的方法，如SVM^[3-4]，基于深度学习和多层神经网络的方法，如CNN^[5-6]。前两者可以被归类为传统方法，使用人工设计的特征进行方法的设计和行人检测。

后来两者结合的改进算法HOG SVM^[7]被写进OpenCV，作为一个经典的方法平衡了速度和准确度。但是基于使用人工的特征，识别精度取决与特征的设计。而且由于特征是人工设计的，较难以得到和目标之间具有本质联系特征，限制了这种方法识别精度的进一步提高。并且特征如选取太多，很容易造成计算量上升，限制了实时的使用。

而基于深度学习的方法利用了近些年出现的深度学习模型例如多层神经网络，特别是卷积神经网络(convolutionalneural network,CNN)。卷积神经网络在计算机视觉, 自然语言处理, 语音识别等领域取得了较大的成功. 目前效果最佳的卷积神经网络做图像分类的准确率已经超过人。并且在光学字符识别领域(Optical CharacterRecognition，OCR)已经被应用证明超过任何一个其他模型。CNN使用了“局部感受”和“权值共享”的概念，大大减少了传统前馈网络^[8]和BP网络^[9]使用全连接产生的大量参数，大大提高了传统神经网络的运算效率和精识别度。使用深度学习的方法与传统方法相比，深度学习方法使用人工神经网络进行学习，使用的是端到端的概念（End-to-End）摒弃掉特征的设计这一过程，并且将深层的关键信息交给网络自己学习，相比传统方法，识别精度更高，速度更快。

本毕业设计将研究卷积神经网络在行人检测(pedestriandetection)的方面的应用。使用卷积神经网络，将行人的监控或者静态图片作为输入，根据行人特点设计卷积神经网络。通过训练数据集得到训练好的卷积神经网络模型。利用测试数据集测试其精准度，最后导出模型用于设计行人检测算法。

通过此次毕业设计研究，可以较好的解决行人检测的问题，对汽车辅助驾驶系统，家庭安全监控系统等有类似需求的产品的发展具有重要意义。

国内外研究现状：

做行人检测，最经典的方法就是利用特征的方法，即全局特征的方法。其主要采用的有

统计特征，变换特征，形状特征，边缘特征等。Haar小波特征^[10]，最早由Pagageorgiou和Poggio提出。后来由Viola提出了积分图，大大加快了Haar特征提取的速度，取得了较好的成果。而在基于特征的方法方面，HOG特征又是比较经典的。其理论基础是Dalal和Triggs于2005年提出的梯度直方图（Histogram ofOriented Gradients,HOG）。后来将这套概念用于检测，在MIT行人数据库取得了几乎百分百的准确度。而在INRIA行人数据库中，也得到了90%的准确度。积分直方图的提出，又提高了HOG特征的计算速度，并且计算多尺度特征，结合Adaboost算法^[11]构建级联分类器，行人检测速度得到大大提高。后来，又提出了无背景的HOG特征，消除了背景对特征提取的影响，并进一步加速的特征提取速度。将HOG特征与局部二值模式( Local BinaryPattern,LBP) 相结合，并使用线性支持向量机（Linear Support Vector Machine,SVM）作为分类器，在INRIA取得了97%的检测率，但是限制了方法使用的实时性。