行人检测技术研究的主体是现实世界主要的组成部分,因此成为人们探索追求的重点。随着信息技术的发展,行人检测技术也慢慢的被应用于现实之中,如智能监控系统、车载辅助系统、智能机器人等。正是由于社会发展的需求,行人检测技术领域吸引了众人参与到这个领域的研究。2005年HOG特征被提出用于行人检测是行人检测技术突破性进展。随后的十年衍生出众多的方法,都获得了丰硕的成果。但是行人检测本身存在着许多的难点:(1)行人作为非刚性目标,自身的外观、姿态等方面都会随时的改变,影响行人检测的准确性;(2)复杂的背景环境会导致行人检测出现误检或漏检,如何去除复杂背景干扰成为研究的难点;(3)在大场景下行人高度密集,行人遮挡造成了行人检测的复杂性。本文采用了分级检测行人的方法,主要工作内容如下:(1)引用传统的HOG特征和信息熵特征相结合进行目标检测传统的HOG特征提取的方法只提取了自身唯一特征用于目标检测,自身特征只能表征少许有用的特征信息。考虑到行人目标存在许多可以表征的特征,本文提出结合信息熵特征用于检测目标。信息熵定义起源于热力学,应用于图像处理可以在一定程度上表征图像的纹理特征。利用改进的HOG特征和滑动窗口检测会初步得到一系列兴趣窗口。(2)引入集合通道特征用于目标检测集合通道特征包含了多种特征。本文中主要使用了颜色特征、梯度直方图特征和梯度幅值特征。多特征融合会有效改善行人检测的效果,因为多特征可以更好的表征行人目标信息。本文提出快速计算特征方法,快速特征计算方法是对不同尺度下的特征近似计算。传统的特征提取分别计算多尺度下的特征,这样在会消耗大量的计算时间。区别于传统的特征提取,快速计算特征方法是利用当前尺度下得到的特征近似计算相邻尺度下特征。提取得到的特征使用Adaboost算法训练最强分类器用于目标检测。在上一步粗略检测之后,利用集合通道特征对得到的一系列兴趣窗口进行精确的分类,得到最终的分类结果。本文实验所采用的数据库为开源公共数据集,实验的平台酷睿双核处理器,内存大小为8G,开发环境为Matlab2014a。通过融合多特征和分级检测的方法可以提高行人检测的准确率,实验结果相比之前有所改善。