行人检测在智能监控和智能交通等智能系统中的巨大商业价值使其成为目标检测领域中非常热门的一个方向。行人的非刚体性和多样性等特点大大提高了有效检测行人的难度。行人检测系统一般分为基于视频和基于静态图像两个方向,本文主要针对后者进行研究,研究方向主要在于提高系统的检测精度,降低系统的检测时间。本文将基于图像的行人检测系统分为分类器的训练和行人的检测两个部分进行研究和改进,主要工作和成果如下。在分类器的训练部分,详细介绍了目前行人检测领域单一行人特征中性能最强大的HOG (Histogram of Oriented Gradients,梯度向量直方图)特征。针对HOG特征提取算法所提取的特征维数过高,训练得到的分类器分类速度较低这一不足之处,本文提出了改进型HOG特征并引入了PCA(Principal Component Analysis,主成分分析)算法进行HOG特征信息的筛选,通过降低特征信息的重叠性,得到维度较小的特征空间,减少了分类器的训练和检测时间,增加了样本的分类准确率。在行人检测阶段,静态图像行人检测主要采用滑动窗口遍历的方法。滑动窗口遍历算法简单灵活,但在进行密集扫描时会产生大量没有目标的负窗口,从而降低了检测速度,并使得系统检测性能对分类器的检测精度很敏感。针对上述不足之处,本文引入了基于灰度的图像分割方法来剔除部分背景区域,减少滑动窗口遍历范围,从而提高检测速度和检测精度。本文采用MATLAB仿真和LIBSVM库对行人检测系统的分类和检测两个部分进行仿真实验。结果表明HOG改进算法大幅降低了特征维度,提高了样本的分类准确率和分类器的分类速度；引入了图像分割算法的基于滑动窗口的行人检测算法大大减少了系统的检测时间,在保证检测效果的前提下,大大提高了系统的实时性。