行人检测与识别根据分类方法的不同，可以分为以下三种：（1）形变部件模型变体；（2）基于决策森林的行人检测方法；（3）基于深度学习的行人检测方法。近年来，这三种方法在公开的数据集上都能取得不错的实验结果。但是，传统的行人检测方法（例如方向梯度直方图、局部二值模式等方法）严重依赖于手工设计特征，同时，设计得到的特征维度较高，在实际应用中泛化性能较差。基于深度学习（卷积神经网络）的行人检测方法能够自动从图像中学习得到行人特征，相比于传统的方法，具有更好的泛化性能，且性能也大幅度提升，因此成了当下计算机视觉的研究热点之一。 另外近年来，各类车企推出了很多了自带智能行车记录仪的车型，此类车型具备智能识别路上的行人，可以有效的避免车祸的发生。随着社会的高速发展，以后汽车将成为家家户户的必备出行工具，所以具备针对性的采用行人检测识别算法在行车记录仪中集成使用，提高行车记录仪的智能识别行人效率及速度，给司机驾驶带来方便具有较大的实际应用意义。

一、程序设计

正常情况下，基于深度学习的行人检测大体分为5个步骤： 第一步：输入训练图片； 第二步：利用深度学习模型（例如：选择性搜索模型）圈定行人的区域； 第三步：将圈定的行人区域进行缩放，调整为特定的大小； 第四步：利用卷积神经网络从圈定的区域提取特征； 第五步：利用分类器（线性或者非线性分类器）对提取的特征进行分类。 上述的5个步骤具体如图所示。

二、效果实现

行人检测

其他效果省略

三、算法实验

本次毕设系统在设计中实验环境如下：CPU：Intel Core i5-7800K；内存：32G DDR4；GPU：NVIDIA GeForce GTX 1080；操作系统：64位Ubuntu 16.04 LTS；实验框架为TensorFlow；数据集选取PASCAL VOL和INRIA行人数据集的混合数据集。在该实验环境下，本文提出的方法可以在1080p的MP4视频上，可以达到32.3帧/秒。 本文使用每张图片的漏检率（False Positive per Image, FPPI）和漏检率（Miss Rate, MR）作为模型性能好坏的评价标准，并且用ROC曲线进行更加直观的展示。因此，FPPI-MR的数值越小，表明本文提出的模型性能更好。漏检率和每张图片的误检率的公式如下所示： (4.7) MR=FR/(FN+TP) (4.8) FPPI=FP/N 其中，FN表示实际上是行人，但是被误判为非行人的数目；TP表示实际上为行人，被正确判定为行人的数目；FP表示实际上是非行人，但是被误判为行人的数目；N是测试集图片的数目。