1、行人檢測(Pedestrian Detection)是近年來計(jì)算機(jī)視覺領(lǐng)域的一個(gè)研究熱點(diǎn)，作為目標(biāo)檢測的一個(gè)重要方向，行人檢測技術(shù)在智能監(jiān)控，智能交通，輔助駕駛等方面有著廣泛的應(yīng)用前景。行人作為視頻場景中的主要目標(biāo)，對(duì)行人行為的分析和理解是計(jì)算機(jī)視覺技術(shù)的一個(gè)重要任務(wù)，而行人檢測又是行人行為分析的先決條件和重要基礎(chǔ)，所以如何精確而高效的完成對(duì)行人的檢測正得到研究者越來越多的關(guān)注。然而由于行人檢測實(shí)際應(yīng)用時(shí)的復(fù)雜背景干擾，光照變化以及遮擋

2、問題，雖然行人檢測技術(shù)已經(jīng)得到了廣泛的研究，但至今仍沒有一個(gè)通用健壯的行人檢測算法可以滿足實(shí)際應(yīng)用時(shí)的精度和速度要求。
　　基于統(tǒng)計(jì)學(xué)習(xí)的檢測方法是近年來主流的行人檢測方法，從包含有大量正負(fù)行人樣本的樣本庫中，提取行人特征，學(xué)習(xí)生成行人的統(tǒng)計(jì)模型，將行人檢測問題轉(zhuǎn)變?yōu)橐粋€(gè)機(jī)器學(xué)習(xí)中的分類問題。2005年 Dalal等人提出了對(duì)人體具有很好描述性的梯度方向直方圖(HOG)特征，使用支持向量機(jī)進(jìn)行學(xué)習(xí)生成分類器，取得了十分良好的檢測效

3、果，該算法也成為行人檢測領(lǐng)域的經(jīng)典算法之一。然而，HOG特征的維數(shù)過高，使用支持向量機(jī)進(jìn)行訓(xùn)練和檢測時(shí)在特征提取上十分耗時(shí)，難以滿足實(shí)時(shí)監(jiān)測的需求。而Viola等人提出的級(jí)聯(lián)Adaboost物體檢測框架結(jié)構(gòu)簡單，具有很高的檢測速度。
　　因此本文結(jié)合HOG特征和級(jí)聯(lián)Adaboost檢測框架進(jìn)行人體檢測，并在以下幾個(gè)方面做出改進(jìn)：a)針對(duì)Adaboost算法的多特征學(xué)習(xí)能力，結(jié)合HOG特征和Haar-Like特征構(gòu)建混合特征庫，充分

4、利用HOG特征的人體輪廓描述能力和Haar-Like特征的局部細(xì)節(jié)描述能力，實(shí)現(xiàn)對(duì)人體模型的更充分表達(dá)；b)為了進(jìn)一步提高HOG特征的多樣性，采用塊大小可變的HOG特征提取方法，針對(duì)HOG特征維數(shù)過高的問題，采用加權(quán)fisher線性判別準(zhǔn)則對(duì)HOG特征進(jìn)行降維處理，更好的融入Adaboost算法，提高了檢測速度；c)使用連續(xù)Adaboost算法代替級(jí)聯(lián)結(jié)構(gòu)中離散Adaboost算法，將傳統(tǒng)的閾值型分類器替換為精度更高的基于查找表型的分類