行人检测是计算机视觉领域的一个研究热点,在视频监控系统、无人驾驶、智能交通等领域有着广泛的应用。对于视频序列中的行人检测,在实际应用中通常采用运动目标检测结合行人检测的方式,首先对视频序列进行运动目标检测提取运动前景区域,其次再对提取的运动前景区域进行行人检测。与传统的对视频序列的每一帧图像进行独立的行人检测相比,运动目标检测结合行人检测的方式具有更高的检测精度和检测速度,更适用于实际场景。本文对视频行人检测中的运动目标检测和行人检测分别进行了研究,主要研究工作如下:首先,本文在PAWCS运动目标检测算法的基础上,针对算法引入LBSP特征导致的前景检测敏感度过高以及对间歇性运动目标的检测效果仍差强人意的缺点,对算法背景模型的更新方法进行了改进,加入了二次邻域更新以及抑制前景运动目标边缘点更新的两个策略,得到了一种改进模型更新机制后的PAWCS+算法,并通过实验对比分析了PAWCS+算法和PAWCS算法的检测效果。实验结果表明,本文提出的PAWCS+算法在一定程度上解决了PAWCS算法存在的问题,提升了PAWCS算法的检测效果。其次,本文在ACF行人检测算法的基础上,针对算法中梯度幅值通道特征使用单一平均值下采样的不足,对算法中梯度幅值通道特征的下采样方式进行了改进,提出了基于随机下采样和平均值下采样的特征二次下采样方法,得到了一种基于二次下采样的BACF算法,并通过实验对比分析了BACF算法和ACF算法的检测效果。实验结果表明,本文提出的BACF算法在一定程度上提升了ACF算法的检测效果。最后,本文基于PAWCS+算法和BACF算法提出了一种视频行人检测算法,并对该算法进行了运动前景目标再膨胀、噪声运动区域预滤除两处工程优化,进一步提升算法在实际应用中的检测精度和检测速度。本文通过实验对该视频行人检测算法和单一的BACF算法的检测效果进行了对比与分析,实验结果表明,本文提出的视频行人检测算法比单一的BACF算法具有更好的视频行人检测效果。