作为计算机视觉领域的一个重要的领域,模式识别长期以来一直吸引着大量研究人员的目光。而行人检测作为模式识别的一个极其重要的分支,在智能监控、自动驾驶、智能机器人等应用面起着不可或缺的作用。本文我们主要针对静态图像的行人检测展开相应的研究。针对目前行人检测算法的一些局限性,本文提出以下改进:有别于传统的行人检测“一步到位”的思想,本文提出将行人检测分为两个部分。第一,将BING特征运用到行人检测中,通过二值化的近似NG特征,大幅降低特征提取过程中的时间花销。我们对原有的BING算法线性模型进行改进,突出行人的相关特征,为后续提高行人检测准确率做准备。通过这一步检测,获得大约400个候选框,这一步骤将没有物体特征的候选框筛选出去,减少后续不必要的计算。通过这一步改进,可以将候选框的筛选时间降低三个数量级。第二,将第一部分获得的候选框送入检测器进行检测,将行人与物体区分开来,达到行人检测的目的。我们选取10个特征通道进行训练和检测,其中包括梯度、LUV、HOG通道。在特征池构建方面,我们根据行人视觉上三部分特点(头部、上半部分、下半部分),提出一种类Haar特征,通过人体各部分的权重图,构建出适合的特征池,更适用于行人检测这一具体场景。通过这一改进,我们可以提高相同条件下的检测准确率。实验结果表明,我们的改进能在大幅降低计算的时间复杂度和空间复杂度,同时检测准确率在INRIA和Caltech数据集上有着可观的表现。