行人检测是近年来计算机视觉领域的研究热点。由于行人衣装服饰不同,所处的环境各异以及行人姿态差异等原因,如何有效的检测行人仍是具有挑战性的课题。当前主流的研究方向是将行人检测转化为二值分类的问题,利用机器学习的方法,从大量的训练样本中提取出能有效表征行人的特征,并训练出相应的分类器进行检测。这也是本文采用的方法。基于分类的行人检测,主要涉及两个方面。其一是特征的选择,再者就是分类器训练算法的选择。本文详细介绍了目前行人检测领域广泛使用的,由Dalal等人于2005年提出的梯度向量直方图(HOG,Histogram of Oriented Gradients)这一强大的特征。针对HOG特征主要是基于行人形状信息的分析,本文利用了由Ojala T.等人提出的LBP特征,采用单一分块的方式考察了行人图像的纹理特征。基于支持向量机(SVM,Support Vector Machine)算法的分类器测试对比表明,LBP特征在INRIA行人测试库有着和HOG特征同样优秀的性能表现。本文将HOG特征和LBP特征结合起来构成组合特征以获得更强的行人表征能力。在分类器的选择上,本文将Voila等人在人脸识别中采用的级联AdaBoost分类器训练方法做了一些改动,应用在了本文的行人检测研究中。基于特征选择的AdaBoost分类器算法,能有效的防止部分HOG和LBP特征可能会产生的抵触情况。同时,基于简单二值分类器的AdaBoost分类器,其计算速度也更快。在实际静态图像的检测中,一个人体对象一般会对应多个检测结果。针对这个情况,本文将所有的检测结果进行融合,得到最终结果。本文采用VC++6.0以及OpenCV实现了行人检测的关键两个部分:训练和检测。检测结果表明,本文采用的行人检测算法在检测精度上有一定的优势,能够很大程度上容忍行人多样的姿态和所处的复杂的背景。这都为后续的工作研究奠定了基础。