随着人工智能技术的繁荣和信息化大数据时代的到来,计算机视觉技术已经成为AI领域里不可或缺的一部分。与此同时行人检测技术作为当前计算机视觉技术中的重要内容,也受到了众多相关学者的关注。行人检测技术是通过判断图像中是否有行人存在,并把图像中出现的行人从背景中准确定位出来的一种图像分析技术。该技术在工程应用、学术研究和智能科技实践中都起到了关键作用,受到了相关领域人员的广泛关注。经过多年的发展,行人检测技术已经取得了一定的成就,也成为目标检测领域的研究热点。就目前而言,对行人检测的研究方法主要有两类,一类是基于运动检测的算法,这类方法首先利用背景建模算法把待检测目标中运动的前景提取出来,再通过分类算法对其进行分类,通过分类结果识别是否有行人存在。这种方法实现简单,速度快,但只能检测运动的目标且容易受到光照、阴影和天气环境的影响。另一类是基于机器学习的方法,人体无论在现实生活中还是图像视频中都具有自身的一些外观特征,而机器学习算法就善于从大量的样本数据集中自动学习人体的不同变化。因此,我们就可以通过合理的选择机器学习算法自动的学习样本中相关的人体特征建立人体模型。该类方法对不同样本的鲁棒性强,同时还可以通过人为的选择训练样本,挑选合理的分类器,来避免很多不利的条件。基于第二类方法的诸多优点,本文就借鉴第二类方法的思路,以Dalal提出的HOG特征作为人体特征的描述算子,针对传统的行人检测算法采用单一或单类的分类器,识别率较低,易造成误检漏检的问题,提出一种利用多分类器集成的集成学习方法对图像进行行人检测。首先利用梯度方向直方图(HOG)特征对训练样本集进行特征提取,得到训练不同分类器所需要的特征向量,然后利用提取出的特征分别训练出朴素贝叶斯(NB)、逻辑斯蒂回归(LR)和支持向量机(SVM)三个组件分类器,再利用加权投票的结合策略将三个组件分类器进行集成,形成一个强分类器,得到一个识别率更高、综合性能更好的行人检测方法。最后,使用本文方法与多种传统的检测方法在多个的行人检测数据集上进行了实验,验证了本文的方法具有更高的检测准确率,同时可以减少了误检和漏检的情况,总体而言,具有更好的检测效果,提高了行人检测识别效果的鲁棒性。