行人检测是计算机视觉最经典的研究课题之一,它的任务是通过算法定位出图像中行人目标的位置,基于红外图像的行人检测相比可见光的方法,拥有可全天候长时间工作的优势,在智能驾驶、自动视频监控等前沿领域具有广阔的应用前景。目前深度学习成为图像处理的热门技术,而基于深度学习的红外行人检测还有很多空缺需要研究人员填补,比如复杂场景红外行人的检测和小尺度红外行人目标的检测。针对如上问题,本文从传统方法和深度学习方法两个方向入手,完成了以下研究工作:1.针对传统方法对红外图像中行人区域提取的不完整、易丢失目标的情况对多种图像分割算法进行了试验研究,提出一种综合了显著性检测和双阈值分割的红外行人分割算法,该算法速度较快,并且在公开的OTCBVS数据集上取得了良好的分割效果。2.对红外图像中小尺度行人目标难以检测的问题进行研究,针对目前缺少相关图像数据的问题,自行拍摄红外图像并标注,建立了一个包含大量小尺度行人目标的红外图像数据集,用于后续的行人检测研究。3.研究了多种当前主流的基于深度学习的目标检测算法,以兼具实时性和准确性的YOLOv3算法为主要研究对象,在其基础上优化了其候选区域生成的流程,借鉴SENet的特征通道权重重标定的思路,引入SE block对YOLOv3的网络进行改进,得到改进的SE-YOLOv3网络。试验表明,SE-YOLOv3网络拥有更高的红外行人检测性能,能适应小尺度的行人目标检测任务。