行人检测是目标检测的一个分支，它旨在将行人从连续的视频帧或单帧图像中准确的定位并分割出来，是计算机视觉领域最为活跃也最富挑战性的课题之一。本文对行人检测算法的研究，旨在提升行人检测在复杂场景下的应用能力以及识别准确性。　　 在前人研究工作的基础上，本文提出了以Haar-like与简化HOG特征描述行人，并结合Hough森林进行行人检测。本文所提出的方法首先采用背景差分，实现视频中运动目标的定位与抽取。为了提升目标区域定位与抽取的准确性，使用了改进的背景重建以及更新算法以提升背景差分的效果，随后通过滤波、形态学处理对背景差分结果中的噪声以及缺陷进行处理，最终应用基于颜色以及纹理特性的阴影检测排除算法，实现了目标区域的准确抽取。　　 为了得到更好的描述行人的特征，本文分别对Haar-like特征与HOG特征的构建方式进行了研究，选取了最为合适的构建方式，并对Haar-like特征、HOG特征以及二者的融合特征进行了性能比较，最终决定选用Haar-like与简化HOG的融合特征作为本文描述行人的特征。　　 本文首次将Hough森林应用于目标区域已获取的行人识别中，将Hough投票结果作为衡量目标区域是否为行人的标准。为了验证Hough森林的优越性，本文还对人工神经网络和单类支持向量机进行了研究，从复杂环境的适应性以及识别效果的准确性两个方面对这三种分类器进行了性能比较，并证实了Hough森林对于行人检测工作具有更加优秀的性能。　　 实验证明，本文提出的以Haar-like与简化HOG特征描述行人，并结合Hough森林进行行人检测的方法是行之有效的。