随着现代社会迅速发展,城市化建设日新月异,给城市交通带来了巨大压力,为了降低交通事故发生率,保持交通畅通持续有效运行,必须采取有效的管理方式。传统人工方式耗费大量财力物力而且效率较低,智能交通系统成为未来交通发展的必然选择。在智能交通系统中,行人检测具有重要的实际意义,检测技术可以运用到智能车辆中,有效减少交通事故发生。运用到监控系统中,可以对行人行为进行分析。行人检测算法层出不穷,可以分为两大类:一种是基于模板匹配的传统算法。另一种是基于图像特征提取的检测算法。本文主要研究的是基于图像特征提取的算法。通过对行人检测算法的研究,有效提高检测系统的检测率并降低检测时间。本文首先研究了现有行人检测算法,对现有算法进行了详尽分析,对各种算法的优缺点进行深入比较。现有算法可划分三类:基于全局的检测、基于多部位的检测以及多视角下的检测,本文的研究工作重点主要在前面两类。为了解决行人外貌特征多样性,行人运动规则随意性,选取单一特征最强大的HOG特征,把HOG梯度直方图同SVM支持向量机结合起来,作为行人检测算法,实验结果表明,基于HOG+SVM算法有优秀的识别率。在对分类器训练时,传统的HOG特征提取维数较高,有大量的冗余信息,使得算法计算较为复杂。为了克服这一不足,提出一种改进算法,引入了PCA主成分析法,形成全新的PCA-HOG特征。经过PCA算法处理后能有效减少HOG特征中信息的重叠性,降低特征空间的维度。通过对比单一HOG特征实验结果,PCA算法处理后的分类器训练和检测时间都大大缩短了,同时检测精度也得到了提高。前面分析的HOG+SVM算法是基于全局整体检测算法,在行人未被遮挡下,有优秀的检测效果。在检测过程中,让检测窗口逐一扫描图片上的信息,提取全部特征值来判断有无行人,这种整体检测算法在有遮挡情况下检测效果不理想。为了在行人有被遮挡情况下,提高检测率和检测时间,提出了HOG和LBP多特征融合。这种特征既有行人边缘梯度信息,又有纹理特征信息,能有效弥补单一HOG特征不足之处。由于HOG特征提取计算速度慢,提出一种快速的检测算法,即积分图方法来对HOG特征提取,提高了检测速度。在对分类器设计上设计了两个分类器,一个全身分类器和一个半身分类器,对行人检测时,先送入全身分类器中进行判断,如果判断为无,再送入半身分类器中判断行人是无还是被遮挡了。实验结果表明,在遮挡情况下,该算法有优秀的检测效果。基于前面理论分析,提出一种基于PCA降维的HOG特征,同时融合LBP特征的检测方法,对比实验结果,该算法能有效提高识别率,同时提高训练和检测速度。