智能交通系统(IntelligentTransportationSystem,简称ITS)是未来交通系统的发展方向。行人检测技术是智能交通系统的关键技术之一,其目标是从摄像头捕获的图像中准确快速的判断场景中是否有行人以及定位行人的位置,以供系统向驾驶人员发出提示或者警报,以避免车辆与行人的碰撞。支持向量机是近几年得到广泛重视和发展的一个统计学习算法,它最终归结为一个凸二次规划问题的求解。SMO算法是为支持向量机特别设计的算法,它的优势是每步迭代仅优化两个乘子,这样可以获得解析解,避免了数值算法。而选择优化点的方法是启发式的,从而算法的收敛速度有数量级的提高。本文针对标准的SMO算法提出了一个改进,标准的SMO算法在选择第二优化乘子时有三个方案,第一方案是选择能引起目标函数最大增长的点,如果这个点优化失败采用第二个方案,即是遍历所有非边界样本,直到找到一个优化成功的点为止,如若这也失败则采用第三方案从所有样本中寻找可以优化的点。本文的改进措施是针对第二方案的,不采用从随机位置开始顺序遍历的方法,而是把所有非边界点按照能引起目标函数的增长量作一粗略的排序(严格的排序会大大增加算法的空间和时间复杂度,反而降低算法性能),按此顺序尝试优化,直到成功为止。这样,在每一次优化乘子时总能引起较大的目标函数增长,虽然增加了每次优化时所做的工作,却从整体上减少了优化次数,从而缩短了算法的运行时间。这一改进能否对算法的性能有较大的提升依赖于第一方案有多大的可能性会失败,通过实验表明：在本文所采用的数据集上,第一方案在第一次遍历整个样本集时成功率很高,但在第二次乃至以后遍历整个样本集时成功率大为减少,而第二方案的成功率较高,因此改进的算法得以发挥作用,从实验结果来看,算法性能取得了令人欣喜的提升。