行人检测是计算机视觉领域中非常重要的研究课题,也是众多视觉任务的基础和前提。其中,分类器和特征是行人检测的两个重要组成部分。AdaBoost分类器与一维特征的结合是一种常用的行人检测方法。在这种机制下,一维特征结合阈值的模式构成了AdaBoost中的弱分类器。为了提高检测的有效性和泛化能力,正负例样本的特征常常使用直方图的形式来计算分类阈值或分类器响应。Schapire和Singer称这类分类器为基于区域分割的弱分类器。在本文中,我们提出一种基于隐式非均匀区域分割的AdaBoost算法,从而稳定的提高了行人检测性能。该算法通过利用非线性变换函数,隐式的拉伸部分特征,将变换特征映射到预先定义的直方图,该方法中的直方图在变换域是均匀量化的,在对应的原始特征空间中是非均匀量化的。我们通过严格的数学推导证明该方法能有效降低训练的权重误差。同时,该算法可以扩展到discrete AdaBoost,而且也能广泛的应用在多种行人特征上,如ACF,LDCF,NNNF(Neighbouring and Non-Neighbouring Features)。此外,基于NNNF行人检测算法,我们提出了一种尺度不变的特征。由韦伯定理启发,该特征表示为两个相邻或非相邻区域的差分值与这两个区域特征和的比值。这种新的特征具有更强的尺度不变性。在本论文中,我们还提出了基于行人位置先验的上下文信息,作为一种简单有效的后处理方法。在行人场景中,行人的高度与位置存在一定的映射关系。我们利用SVM(Support Vector Machine)训练了行人高度关于行人位置的回归模型。该模型能有效的滤除那些行人高度与位置信息不符合回归模型的检测窗口。实验表明,我们的方法在所有基于非深度网络的行人检测方法中,具有最好的检测性能,平均漏检率为14.56%。