行人是智能视频监控系统的重点关注对象。本文对基于机器学习的行人检测问题进行了较为深入的研究。主要工作如下: 1.对Adaboost算法的收敛性能、泛化能力以及权重更新方法对分类器性能的影响等进行了深入的分析。在此基础上,提出了一种新的样本权重更新方法。该方法改变了传统Adaboost算法中的权重调整过程,兼顾了某类样本错分率及全局样本错分率,从而使达到分类器预定性能指标的计算量明显减小。同时使Adaboost训练过程更适合于级联分类器对单个强分类器性能的特殊要求。 2.提出了四类非对称矩形特征,改善了矩形特征在小尺度上可分辨性;同时使用对称特征和非对称特征可以明显减少构建强分类器所需的特征数目,从而优化了强分类器结构,提高了分类器性能。 3.构建了一个试验视频数据库。该库由多个真实场景下拍摄的80余段视频组成,包括典型场景下的雨雪天气,阴影,多纹理等情况,静态和动态背景条件下的交通场景,以及多摄像机条件下的人体运动等情况。可为背景建模,目标检测、跟踪、轨迹聚类与分析等算法的验证提供有效的试验数据,为进一步的研究工作奠定了良好的基础。 4.设计并实现了一个实时行人检测系统。通过高斯模型进行背景建模,提取运动区域,从而减小对行人目标的搜索范围,明显降低了计算量,实现了实时处理。试验结果表明,系统在阴影,雨雪天气,多纹理等复杂场景情况下均表现出较好的检测性能。