计算机科学的兴起,促进了模式识别以及机器学习等领域的理论研究和实际应用。行人检测作为该领域研究的重点,复杂的检测环境及其较大的非刚体特性,给其大范围应用带来了极大的挑战。相较于正常光照环境下的行人检测效果,现有算法在背景多样、前景遮挡以及雾霾等受光照影响较大的复杂工况下性能严重下降。如果直接对雾霾等复杂工况下采集的图像进行目标检测会产生比较严重的误检和漏检。因此,针对这一问题,本文提出了一种基于可变形部件模型的雾霾环境下的行人检测算法来提升雾霾环境下行人检测的效率。主要研究内容如下:首先,雾霾图片的判定研究。通过对大量相同环境下的清晰图片和雾霾图片进行综合对比,发现它们在均方差、峰值信噪比、结构相似性以及信息熵等参数方面存在明显的差异。以图像信息熵为质量评价指标,将输入图像的信息熵与设定阈值进行比较,进而决定是否需要去雾操作。实验表明,该方法能有效对输入图像的雾霾进行鉴定判别。其次,雾霾图片去雾清晰化研究。目前,图像去雾技术主要包括以数学建模为基础的图像复原技术和基于人体视觉的图像增强技术。通过比较Retinex、暗通道先验(Dark Channel Prior,DCP)等经典去雾算法的去雾效果,本文以DCP算法为基础,改进了算法中全局光照强度推算流程,使去雾过程中出现的色斑和失真现象得到了解决。同时对输入图像进行下采样操作间接改进了透射率的求解过程,从而达到了提升去雾效率的目的。改进后的去雾算法为雾霾环境下行人的检测与定位奠定了基础。最后,基于可变形部件模型(Deformable Part Model,DPM)的雾霾环境下的行人检测算法的研究。本文对比了HOG+SVM、Haar+Adaboost、DPM等这几种行人检测算法在雾霾行人数据集上的检测效果。针对DPM检测速度慢这一不足,本文在DPM算法的基础上,采用区域建议法来代替传统的滑动窗口,减少了目标检测过程中特征图以及候选窗口的数量。并将其与改进的DCP去雾算法进行融合,得到一种在雾霾环境下提高行人检测精度的同时也能有效提高检测速度的解决方案。实验结果表明,本文算法在雾霾环境下的行人检测精度达到了由初始的76.64%提升到89.94%,基本满足了实际应用的需求。