1、研究背景：
随着经济水平的提高和科技水平的发展，城市车辆愈来愈多，城市人口数量也在增长，随之产生的交通堵塞、交通安全等问题也越来越严重。据两部委公布的数据，2017年中国交通事故致死人数接近6.3w，该人数已是世界第二，且死亡人数呈逐年上升趋势，交通安全问题日益严重。
近年来，无人驾驶技术的研发工作正在如火如荼的进行，已经成为现在的热门话题。这也迫切的需要能对行人以及车辆进行快速有效的检测，以保证自动驾驶期间对行人以及他人车辆的安全不会产生威胁。近十年来，行人检测与车辆检测进入快速发展阶段，但其存在的很多问题还有待解决，主要还是在性能和速度方面还不能达到一个权衡。在无人驾驶技术中，行人检测与车辆检测也是其不可避免的问题，没有目标检测的支持，是难以实现自动驾驶的。 谷歌数据显示，无人驾驶汽车的安全性已经超过人类驾驶员，这一理论也得到弗吉尼亚理工大学的支持。所以采用高效的行人和车辆检测技术可以在一定程度上有效的解决交通堵塞和交通安全等问题。良好的行人检测与车辆检测方法可以很好的辅助驾驶，可以为减少交通事故提供不小的助力。随着深度学习的发展，出现了越来越多的网络模型来解决目标检测问题，可以用于行人与车辆检测。随着技术的发展，所需要处理的图像数据也越来越多，所以使用GPU来处理图像也显的十分必要。但是现阶段并没有完美的行人与车辆检测方法。因此，行人检测算法和车辆检测算法有着明显的实用价值和研究意义。
2、研究现状：
国内外行人检测的方法研究大致可以分为两类，基于背景建模的行人检测方法和基于统计学习的方法。而其所采用的方法也可以用于车辆检测，其中YOLO算法相对较好。目前，研究方法主要集中在基于深度学习的目标检测算法。近年来迅猛发展的深度学习技术是一类能自动从数据中学习特征表示的强大方法，这一技术已近显著改善了目标检测的表现。由于具有良好的特征表达能力，优良的检测精度并且无需进行人工的特征设计。目前，基于深度学习的目标检测算法已经成为主流。
2.1基于背景建模检测方法
分割出前景，提取其中的运动目标，然后进一步提取特征，分类判别。常用的背景建模算法有高斯混合模型[1]，ViBe算法[2]，样本一致性建模算法[3]和PBAS算法[4] 。背景建模的方法实现简单，且速度快，但其存在比较明显的问题，一个是只能检测运动的目标，对于静止目标无法处理；另一个是受光照阴影影响较大。
2.2基于统计学习的方法
基于统计学习的方法又可以分为基于人工特征 分类器的检测方法和基于深度学习的检测方法，这里先介绍基于人工特征 分类器的检测方法。
HOG SVM 这是行人检测第一个具有里程碑的成果，是Navneet Dalal在2005的CVPR中提出[5]。梯度方向直方图（HOG）可以很好的边缘特征，被广泛应用在行人检测、车辆检测和车牌检测等领域。在此之后，由于HOG SVM的计算量过于庞大，后来的VJ[6]又提出了adaboost分类器。
