行人检测（pedestrian detection）是机器视觉中的一个关键问题，对提高当代社会的生活质量具有重要的意义，是近来机器视觉中重点关注的研究热点。举例来说，楼宇智能监控系统、机动车辅助系统、运动分析、高级人机接口等都是行人检测的应用领域。行人检测由于检测环境背景的多样性，光照的变化，行人运动及姿势的不确定性等等使得行人检测不同于其他一般的目标检测。当前行人检测的主要方法为基于梯度方向直方图特征（histogram of orientedgradients）的检测方法和haar特征检测方法。本文提出的检测方法，是在传统的基于梯度方向直方图特征的基础上加上模板匹配来提高行人检测的精确性。由于行人姿势的不确定性，特别是四肢的不确定性，会很大的影响到检测效果，而行人的头肩部不论行人姿势如何都有良好的不变性。所以我们加上人体头肩部的模板对目标头肩部部位进行检测，可以提升行人的检测率。而后，本文在检测出行人之后加上了跟踪模块，使用实时性较好的CamShift算法和粒子滤波算法相结合来实现行人的跟踪。本文形成了一套完整的行人检测系统，该系统实现了包括对静态图片中行人的检测，也包括了对视频流中运动行人的检测以及后续的跟踪。论文主要内容如下：1.描述了行人检测的意义以及当前的研究现状。主要阐述了行人检测的研究背景，其在机器视觉中日益重要的地位，以及当前常用的行人检测方法，分为基于运动特性的行人检测，基于多部位模板匹配的行人检测，以及基于机器学习的行人检测，并对这些方法进行分析，得出其各自的优劣之处。2.对本文提出的行人检测方法中用到的方法、名词、专业知识进行阐述。基于机器学习的行人检测主要分为特征提取和分类，特征提取方面使用的特征有小波特征，梯度方向直方图特征，haar特征等很多全局与局部特征，分类方面常用的有支持向量机算法（Support Vector machine）和Adaboost算法等各种分类算法。本文前期重点论述了支持向量机算法以及用于模板匹配的Chamfer matching算法。HOG算法在之后的论述中有详细解释。3.给出了本文提出的行人检测方法，即在传统的基于梯度方向直方图特征的基础上加上模板匹配方法。这部分重点论述了HOG特征，基于HOG特征的行人检测方法及其不足之处，模板匹配的相关内容，最后是根据以上内容，本文提出的用于行人检测的方法，并阐明该方法相对于其他方法的优势。4.这部分主要给出了本文提出的行人跟踪方法。提出了结合CamShift算法和粒子滤波算法来实现行人跟踪。重点详细阐述了CamShift算法和粒子滤波算法自身概念及优劣，并说明了结合这两种方法的效果。5.最后这部分给出基于本文提出的行人检测方法的实验数据，并与其他相关方法做出比较，给出了详细的分析。通过实验表明，本文提出的算法提高了行人目标检测的正确率，并实现了对静态图片和视频流中运动行人的检测与跟踪，形成了一套完整的行人检测系统。