视频监控中的行人检测一直都是计算机视觉领域一个热门并且关键的研究课题,行人检测的研究对人类发展的方方面面都具有重要的意义。现如今,在人工智能(Artificial Intelligence)的发展和智能视频监控系统的普及之下,视频监控中行人检测的应用也会越来越广泛。不仅人们在生活中可以应用得到,在农业、航海业、航空航天、军事以及国防安全等重大领域也都有着十分重要的作用。行人检测中,如何可以得到最准确的检测结果,这一直都是行人检测技术研究的关键问题。针对这一问题,本文的主要研究工作如下:本文概述了行人检测的研究背景、意义,以及国内外研究现状。本文对行人检测中,常见的特征提取算法进行介绍,并分析了它们的原理和实现步骤。重点介绍了梯度方向直方图(HOG)算法,HOG算法的特征原理是对图像局部区域的梯度方向直方图进行统计,并将统计的内容构成特征。接着,本文对常见的分类算法进行了介绍,重点介绍了支持向量机(SVM)算法,SVM算法是一种基于最优分类面的思想的分类器。本文介绍了超像素、超像素的分类以及简单线性迭代聚类(SLIC)算法。超像素代表着拥有相似特性的像素点的集合,它通常可以分为基于图论的方法和基于梯度下降的方法。SLIC算法是一种基于梯度下降的超像素生成方法。本文提出了基于超像素和HOG的行人检测算法,为了提高图像行人检测的准确性,以及识别算法的精准性,在特征提取之前,运用超像素SLIC算法对图像进行预处理操作,然后,再利用HOG算法对图像进行特征提取,特征提取之后,用SVM分类算法对特征进行分类。实验中,设定的颜色与空间差异的权重因子w值为50,预分割相同尺度的超像素的个数k值为500,用HOG算法提取特征时采用8×8的像素大小的矩形区域作为HOG特征采集细胞单元,每个细胞单元互不重叠,最后送入SVM分类器之中进行训练。利用本算法,分别对INRIA行人数据库和MIT行人数据库进行了训练和测试,本文算法在保证HOG算法鲁棒性的同时,降低了检测的漏检率、误报率,提高了检测的精度、召回率、F1分数。实验结果表明,该算法对视频监控中的行人检测有着良好的检测效果。本文介绍了主成分分析(PCA)算法。PCA算法是一种常用的基于变量协方差矩阵的方法。针对HOG特征存在大量的冗余信息的缺点,可以利用PCA算法对其进行特征降维。实验中,把训练样本中,所有对应的像素点的HOG特征的均值全部计算出来,根据训练样本的HOG特征向量和样本的均值,利用PCA算法计算出特征值、特征向量以及协方差矩阵,选取计算所得的协方差矩阵的前P个主成分,对训练样本中的每一个HOG特征值,进行特征降维处理,得到HOG-PCA特征,将新的P维HOG-PCA特征送入SVM分类器之中进行训练。利用本算法,对INRIA行人数据库进行了训练和测试,实验结果表明,HOG-PCA特征算法不仅可以减少视频监控中的行人识别过程中的训练时间,而且还大大地提高了识别的识别率。