随着科技技术的发展，视频监控应用在人们生活的各个方面，尤其是智能的运动行人检测、跟踪及异常报警系统，成为了当今智能分析及计算机视觉领域研究的一个重要分支。作为视频后期智能分析处理的基础部分，行人检测如何能够做到在保证高检测率的同时，达到实时的处理速度，目前尚无一套完善的技术方案。因此，本文对视频图像中人体的检测方法作了细致研究，并构建了一个基于视频图像的实时行人检测系统。文章中的系统针对道路场景进行设计，以实时性、准确性以及鲁棒性作为评判标准。系统分为三大子模块：分类器训练模块、运动目标提取模块、目标分类模块。系统首先通过对运动目标进行提取，快速定位前景目标，排除大量非运动区域，提高检测速度。接着根据帧间运动关系以及分类器分类信息将前景运动区域判别为行人或者非行人区域。在行人分类器训练模块，本文提取方向梯度直方图（HOG）特征作为行人特征，针对HOG冗余及维数较多的问题，提出用主成分分析（PCA）的方法对HOG特征进行特征降维，形成HOG-PCA行人特征，并送入支持向量机（SVM）进行训练，在检测精度与检测时间中寻找平衡得到最适合本文系统的最优行人分类器。实验表明，相比于HOG+SVM，HOG-PCA+SVM在提升0.2%识别率的同时，能够提升42%的检测速度。在运动目标提取模块，为了克服三帧差分法和背景减除法的缺点，本文将两种方法结合起来定位前景运动区域，并融合了改进的选择性背景更新及动态二值化阈值选取算法，提高了运动目标区域的定位精度。实验表明，本文设计的目标提取模块对光照变化、行人帧中静止、物体融入背景以及背景突变等问题具有良好的鲁棒性。在目标分类模块，本文构造了运动对象存储列表，以包含多行人的运动团块作为存储对象，利用当前图像前景运动区域与对象存储列表进行匹配度计算，直接判定高匹配度的区域为行人区域，并更新存储列表信息。将匹配度低的前景目标送入行人分类器进行行人判别。在行人分类器前添加对象匹配计算能够有效减少漏检率及加快检测速度。通过对大量视频图像的测试表明，本文设计的系统能够满足实时性、准确性及鲁棒性的要求，具有较好的推广能力。系统检测率达到95.38%，检测一帧视频的平均处理时间小于98ms。本文结果可用于后期的行人跟踪、异常行为报警等高级智能分析处理。