行人检测与识别是计算机视觉中一个重要的研究领域,对现今人类生活水平的提高具有巨大的意义,在自动驾驶、智能监控、人机交互和运动分析等领域都发挥着重要的作用。实际场景中存在复杂的背景、变化的光照、不确定的行人姿势及多样化的衣物,这些因素使行人检测的难度不同于其它目标检测。本文在分析现有算法的前提下,运用计算机视觉和数字图像处理方面的知识,提出了改进算法,对图像和视频中的行人目标进行检测,最后对视频中的运动行人进行跟踪,本文主要工作如下:本文首先提出基于HSV空间的混合高斯背景模型。把图像转为HSV空间,将背景模型中亮度（V）分量的值与阈值比较,从而实现抑制行人目标阴影的效果。对比不同算法对同一视频中连续三帧的实验结果,验证了本文方法的准确性,为后续研究提供良好的基础。然后,在提取HOG特征时使用积分图进行简化,避免了对块与块之间重叠部分的像素点梯度信息的重复计算。本文采用双线性插值确定梯度方向和对应方向的幅值,这样能够使图像细节退化,更好地定位行人整体。对于传统HOG特征检测速度慢,提取的特征向量维度较高的问题,用主成分分析（PCA）算法对HOG进行降维处理,避免了特征向量的冗余信息对分类过程的影响。改进后的算法在有效提高识别率的同时,降低了检测时间。最后,在视频的帧序列中多次运用Meanshift算法,根据行人的位置和形态变化对矩形框的位置和尺寸进行调整。在进行行人目标的跟踪时,卡尔曼滤波器仅仅对运动人体目标的运动信息进行检测,改进Meanshift算法则对运动人体目标的颜色特征进行检测。研究提出将两种方法结合起来,用卡尔曼为改进的Meanshift算法进行位置的预测,并把改进的Meanshift所得行人位置信息作为观测值不断地更正卡尔曼方程的系数。