行人检测(Pedestrian Detection)是近年来计算机视觉领域的一个研究热点，作为目标检测的一个重要方向，行人检测技术在智能监控，智能交通，辅助驾驶等方面有着广泛的应用前景。行人作为视频场景中的主要目标，对行人行为的分析和理解是计算机视觉技术的一个重要任务，而行人检测又是行人行为分析的先决条件和重要基础，所以如何精确而高效的完成对行人的检测正得到研究者越来越多的关注。然而由于行人检测实际应用时的复杂背景干扰，光照变化以及遮挡问题，虽然行人检测技术已经得到了广泛的研究，但至今仍没有一个通用健壮的行人检测算法可以满足实际应用时的精度和速度要求。基于统计学习的检测方法是近年来主流的行人检测方法，从包含有大量正负行人样本的样本库中，提取行人特征，学习生成行人的统计模型，将行人检测问题转变为一个机器学习中的分类问题。2005年Dalal等人提出了对人体具有很好描述性的梯度方向直方图(HOG)特征，使用支持向量机进行学习生成分类器，取得了十分良好的检测效果，该算法也成为行人检测领域的经典算法之一。然而，HOG特征的维数过高，使用支持向量机进行训练和检测时在特征提取上十分耗时，难以满足实时监测的需求。而Viola等人提出的级联Adaboost物体检测框架结构简单，具有很高的检测速度。因此本文结合HOG特征和级联Adaboost检测框架进行人体检测，并在以下几个方面做出改进：a)针对Adaboost算法的多特征学习能力，结合HOG特征和Haar-Like特征构建混合特征库，充分利用HOG特征的人体轮廓描述能力和Haar-Like特征的局部细节描述能力，实现对人体模型的更充分表达；b)为了进一步提高HOG特征的多样性，采用块大小可变的HOG特征提取方法，针对HOG特征维数过高的问题，采用加权fisher线性判别准则对HOG特征进行降维处理，更好的融入Adaboost算法，提高了检测速度；c)使用连续Adaboost算法代替级联结构中离散Adaboost算法，将传统的阈值型分类器替换为精度更高的基于查找表型的分类器。通过上述几个方面的改进，在INRIAPerson样本库中的验证结果表明：本文提出的基于多特征的级联Adaboost行人检测算法有效提高了行人检测的精确度，并降低了训练和检测时间，在真实场景中的检测率可以达到90%，同时在320*240分辨率上图像的检测速度相对原始算法有了极大的提高，基本可以满足实时检测的需求。