行人检测是物体检测的重要组成部分，行人的多变性、各种干扰和实际场景中的不确定因素增加了其复杂性和难度，加上其具有广泛的商业价值和应用前景，近年来行人检测成为计算机视觉领域的前沿和研究热点。本文针对目前流行的基于整体特征的行人检测方法进行研究，并提出了有效的改进措施。　　 本文选择的基于整体的行人检测需要两个步骤：特征提取和分类器的训练。　　 在特征提取方面，本文选择检测效果较好的基于Hog特征的行人检测方法进行研究。由于不同大小的block块可以更好的描述行人的局部信息，本文按照三种不同比例的block模型提取行人的Hog特征。考虑到组合的特征越多就越能够更准确的描述行人，本文在HSV空间计算Hog特征，同时把基于HSV空间的与Hog特征相关的颜色频率信息和身体裸露部位的肤色信息融合到行人的特征中，并在INRIA样本库上证明此种方法比单一的Hog特征有更好的性能，有效的提高了检测率。　　 在分类器方面，本文选择了基于Adaboost算法的级联分类器对上述特征进行训练。为了追求更好的效果，本文的级联分类器使用Gentle Adaboost算法训练而成。而本文的Gentle Adaboost则是通过能够进行实值输出的线性支持向量机(SVM)实现的，线性SVM的速度快而且分类能力较强。在Gentle Adaboost的训练过程中，根据不同步骤的需要选择使用线性SVM的不同输出形式(实值或离散值)。同时为了提高训练速度，每一次只随机抽取100个block特征训练弱分类器。本文的级联分类器训练过程只需要将近3个小时，而且最终的级联只有10级。　　 通过上述特征提取和分类器训练时的改进，在INRIA样本库上的实验证明，本文的算法在误报率为万分之一时能达到0.95的检测率，而且检测12800个检测窗口只需要195ms。