混合交通中的行人检测是研究如何让计算机以人的思维方式从图像或视频中提取出车辆前方行人所在区域的技术,是继人脸检测后,在计算机视觉领域的又一新的研究热点。运动行人的检测与跟踪是在城市混合交通的复杂环境下的智能驾驶以及交通监控中的一项关键技术,对推动智能车的发展和保障城市交通的安全有重要的作用。本文针对城市混合交通下的行人安全问题,研究了在摄像机采集图像序列下,基于计算机视觉的行人检测方法。主要分析了在摄像机静止和摄像机运动两种情况下的行入检测方法。在摄像机静止的情况下,研究了背景平均法,混合高斯背景建模法,码本背景建模法等,对其效果进行了对比,选用了码本背景建模法,提取出摄像机前方的运动前景区域,根据站立行人的一些属性来判断前景区域是否为行人。在进行阴影检测部分做了改进。该方法速度快但是精度不高,在此基础上又继续研究了摄像机运动情况下的基于统计学习分类的行人检测方法。在摄像机运动的情况下,首先深入研究了基于Haar-like特征的分类方法,在已有矩形特征的基础上,增加了几种能表现人体部位的矩形特征,并采用积分图方法来计算矩形特征,加快了训练和检测速度。基于AdaBoost算法训练了级联分类器,采用Gentle AdaBoost代替Discrete AdaBoost,训练所用的时间较长,但是检测的时间大大缩短,基本能满足实时的要求。又分析了基于梯度方向直方图的方法,通过提取局部区域的边缘方向和梯度大小获得行人的HOG特征,将得到的HOG向量输入到线性SVM中进行训练,得到一个能区分行人非行人的最优分类面。针对传统HOG特征块是固定大小的,只能获得有限特征,引入了变尺度的特征块,采用类似于计算矩形特征的积分向量图来计算HOG特征,加快了训练和检测的速度,能增强检测的精度。最后,针对矩形特征检测速度快和HOG特征检测精度高的特点,提出了将矩形特征和HOG特征组合的方法。每次检测时先用一个级联级数较低的矩形特征分类器进行粗提取,这时候行人将基本被检测出来,但同时还有大量的误检,再用HOG特征进行精提取,保留了行人,去除上层的误检窗口,利用各自的优点进行行人的检测。这样HOG分类器不必每帧都全局的搜索行人,而是将范围缩小到了上层分类器得到的疑似行人区域中。矩形特征和HOG特征组合的二层分类器的精度能达到HOG的精度,同时速度约为HOG分类器的两倍,仿真实验表明在保证精度的基础上能加快检测速度。