行人检测一直是计算机视觉研究领域的一个热点问题,通过对检测图像或者视频中的行人进行分析和跟踪,可以在某些方面实现自动化管理和监控。行人检测在汽车安全、视觉监控、自动驾驶等实际应用中具有很高的商用前景和实用价值。目前HOG+SVM在行人检测中已经取得了很大的成果,这给后面的研究者们提供了广阔的思路,本研究主要是改进相关算法,提高行人检测的准确性和识别率。支持向量机是一种常用的分类方法,可以将向量形式的数据进行分类处理,只要能把输入样本转为向量形式就可以使用SVM算法。但其采用向量处理的方式也存在一些不足,例如某些张量数据如图像在转为向量时会破坏张量内部的结构信息,为此学者们提出支持张量机算法并取得了一些成果。经过这些年的研究和发展,支持张量机逐渐变为采用张量CP分解的方式处理张量数据。图像本身属于张量数据,采用HOG特征提取后的特征其实是一个三阶张量,如64*128大小的图像其HOG特征为7*15*36的三阶张量,采用SVM分类算法时需要把张量转为3780维向量。如果采用支持张量机算法则可以直接进行分类训练,理论上使用支持张量机算法应该更具有优势。本文在前人的基础上,一方面将HOG特征与支持张量机STM相结合用于行人检测,另一方面在STM的基础上提出一种采用Tucker分解的支持张量机算法,期望能在实际应用中有较好的表现。实验表明,基于Tucker分解的支持张量机算法在处理图像数据时相比SVM在分类准确率上有着明显优势,可以有效提高图像的识别率。在行人检测中,采用本文的HOG+STM的方式比起HOG+SVM的识别率有显著提升,在误检和漏检上都有一定改善,在实际行人检测中具有一定优势。