本论文的研究对象是高压输电系统下的行人检测与识别。高压输电系统监控装置一般安装在距离60米以上的高压输电铁塔上,视频监控探头拍摄的画面中,行人像素点过少,无法使用传统的行人检测算法去识别图像帧中是否有行人存在。本论文对该问题提出了有针对性的、精确且高效的解决方案。首先,高压输电背景下的行人检测与识别任务难点在于行人像素点过少,导致传统的检测算法识别精度极低。也无法使用前后帧图像对比的方式获取差异区域,因为摄像头所处环境易受风力和地面震动等自然因素影响而产生抖动,导致探头拍摄画面存在微小抖动。针对上述难点,本论文经过调研与研究,提出了一种基于SIFT算法改进的新型图像配准算法。该算法主要通过SIFT算法计算出两幅图像的角度差异与偏移差异,对图像进行相应几何操作后可将两图像重叠,并提出到差异区域。实验结果表明,相比传统的图像配准算法,本文使用的基于SIFT算法改进的视频流差异区域检测算法具有更高的识别精度。在获取到差异区域后,本论文提出了一套数学模型,用于计算云台的调整参数。该模型通过差异区域中心在拍摄图像中的相对位置,计算出云台的转动角度,根据参数对云台进行相应的操作。然后,聚焦放大后的图像中行人的像素点相比于聚焦前增加了很多,但是俯视角度下行人的特征少了很多。针对俯视角度下的目标检测任务,本文比较了基于HOG特征提取算法的多种检测模型。首先,复现了经典的行人检测算法HOG+SVM模型,展示了该模型在本文数据集中的检测性能。然后改进训练模型,将SVM训练模型替换为Adaboost模型,即HOG+Ada Boost模型,也展示该检测模型在测试图像集上的检测性能。最后,提出了将训练模型更换为性能更为强大的XGBoost模型,即HOG+XGBoost的方法,并通过网格搜索的方法寻找模型最优超参数,并展示该模型在本文测试集上的检测性能。实验结果表明,相比于支持向量机和集成学习中的自适应增强算法,经过替换和调参后的HOG+XGBoost检测模型在本论文的数据集上表现出了高精准的检测性能。