1、模式識別和機器學習快速發(fā)展，行人檢測得到廣泛關(guān)注和發(fā)展。早期的行人檢測只能檢測靜態(tài)圖像中的行人，采用矩形包圍框?qū)π腥诉M行標記與定位；隨著技術(shù)的進步，主要對視頻中的行人進行檢測和跟蹤；針對行人檢測應用環(huán)境，越來越多研究者致力于解決復雜環(huán)境下的行人檢測。本文的主要工作是解決特定環(huán)境下的行人檢測研究與應用。
　　受制于復雜的檢測環(huán)境，并沒有一種完美的方法可以解決所有場景下的行人檢測，因此，不同的方法只能解決某個特定的檢測情景。目前，光照

2、變化、遮擋問題、背景復雜等因素仍然制約行人檢測的發(fā)展與應用，因此，行人檢測的研究任重道遠。
　　針對當前行人檢測的發(fā)展瓶頸以及特殊的應用性，結(jié)合生產(chǎn)車間工作環(huán)境的特殊性與復雜性，本文主要以解決生產(chǎn)車間特定崗位的行人檢測。針對車間光照的易變性，提出采用LUV顏色特征與HOG特征的融合的方法，以降低檢測對光照的敏感性；同時針對生產(chǎn)線的遮擋問題，本文結(jié)合可變部件模型的訓練方式以訓練特定的檢測模型。
　　生產(chǎn)車間特定崗位的行人檢測，

3、由于其環(huán)境的特殊及復雜性，普通的行人檢測數(shù)據(jù)集無法滿足要求，而且訓練出檢測模型也差強人意。因此，根據(jù)應用場景，本文采集和設(shè)計的專屬的樣本集以此提高檢測效率。
　　本文的主要工作包括采用特征融合的方式以降低光照的敏感性，結(jié)合DPM的訓練方式以解決部分遮擋問題，通過采用兩種方式的融合，對解決特殊崗位的行人檢測具有一定的優(yōu)勢。本文做了大量的測試，應用經(jīng)典的行人檢測方法在不同數(shù)據(jù)集上進行測試。同時，對本文的方法進行了分析與說明，從實驗數(shù)據(jù)