行人分割在视频监控中有重要的应用价值,也是近年来研究的热点之一。静态图像的行人分割有着广泛的应用前景,如图像的压缩、图像的编辑、图像的检索、行人姿态识别以及犯罪取证等。在监控场景中,衣物常被用作身份识别的隐含线索,可以根据衣物在视频中寻找某个事件的行人目标。所以衣服颜色识别有着广泛的应用,可以应用到智能服装搭配和服装推介、预测服装流行趋势,以及行人识别,视频监控,或者基于内容的图像检索等各方面工作。本文在深入总结和分析已有的相关领域算法的基础上,重点研究了静态图像中的行人分割以及行人衣服颜色的识别工作。本文的主要内容如下：(1)对目前已有的行人分割方法和行人衣服颜色识别的相关方法进行了综述,详细介绍了该方向的研究背景、意义以及国内外的研究现状。(2)介绍了Graph Cut算法,水平集(Level Set)算法等一些传统的图像分割方法和KNN、SVM等经典的特征分类方法,并对这些算法进行了分析,结合这些算法的优缺点,提出了更加优秀的方法。(3)针对Graph Cut图像分割不能得到符合语义要求的结果这样一个缺点,提出了两点改进。首先,提出了一种结合形状和底层特征的Graph Cut算法,用大量真实的行人轮廓模板对行人的轮廓进行约束。其中行人模板采用层次树结构,大大减少了匹配行人模板所需要的时间。其次,提出一种新的区分性外观模型来替换传统Graph Cut算法中的颜色模型。实验结果表明,与传统的GraphCut算法相比,本文算法能够增加背景与前景目标相似性比较大时行人分割识别的精确度。(4)在行人分割的基础上,对行人衣服颜色识别展开了进一步研究,采用高斯模型和彩色图像的颜色直方图两种方法提取行人衣服的颜色特征,然后用最小错误率贝叶斯决策,K近邻算法(KNN)和支持向量机(SVM)三种方法对衣服颜色的特征进行分类,从而识别行人衣服的颜色。最后给出了行人衣服颜色识别结果,并对实验结果进行比较和分析。实验结果表明,本文的方法能够较为准确地对行人衣服颜色进行识别,可以满足应用需求。