阈值分割是图像处理的一种重要方法,在图像处理领域有着广泛的应用,如运动估计和目标检测识别等。人体目标是图像分割应用中最为重要的一类目标,行人检测也是计算机视觉领域的一个研究难点和热点,其应用领域相当广泛,主要包括智能视频监控、汽车辅助驾驶等。人体目标属于非刚性目标,目标自身以及目标之间在不同的条件下差异较大,所以行人检测所面临的困难很多。在可见光条件下,监控场景的背景随着环境光线的变化而变化,场景中运动目标的干扰很多,导致目标像素与背景像素不易区分。随着红外成像技术的发展,而且利用红外图像进行目标检测不容易受到复杂背景的影响,红外热像仪已成为行人检测重要技术手段。因此开展阈值分割及红外图像中的行人检测技术的研究具有重要的理论意义和广泛的实用价值。本论文的主要研究内容包括以下几点：1、研究分析了图像阈值分割的基本原理及一些常用方法,提出了最优进化图像阈值分割算法。此算法将图像阈值分割转化为最优化问题,对于直方图存在两峰或多峰时,能够较好地将目标和背景分开。基于最优阈值是生物进化的最佳方向的思想,建立了进化方向更新模型。2、针对红外图像信噪比低、对比度低等特点,在红外图像预处理阶段,采用了基于个数判断噪声的中值滤波器。在去除噪声的同时能很好地保留图像细节,提高图像的清晰度。3、在红外图像分割阶段中,提出了一种改进的单高斯模型阈值分割方法,并实验对比了几种图像阈值分割方法。针对直方图类似单峰的情况取得了较好的高亮像素检测分割效果,获得了感兴趣目标区域ROI(Regions of Interest, ROIs)。4、在红外图像ROI后处理阶段,利用数学形态学方法去除噪音和杂乱干扰,对所得二值图像进行连通域标记,提出了基于人体区域特征的区域选择性合并和删除原则。有效地防止“过合并”和过多的虚假目标现象,缩小目标识别搜索范围和难度。5、在红外图像行人识别处理阶段,设计了基于2D直方图模板初始分类器和基于HOG特征的精细分类器,分别使用了FLD方法和线性SVM方法进行训练,对采集到的感兴趣区域样本进行了分类识别。实验结果表明,本文算法可以较好地判别出目标区域是否为行人,具有较高的识别率和较低的虚警率。